检索结果-内蒙古大学图书馆

仪器仪表学报 2021年第3期42卷 241-250页

作者：冯明驰卜川夏萧红重庆邮电大学先进制造工程学院重庆400065

汽车上AR-HUD已经得到了广泛应用,其环境感知模块需完成目标检测、车道分割等多个任务,但是多个深度神经网络同时运行会消耗过多的计算资源。针对这一问题,本文提出一种应用于AR-HUD环境感知的轻量级多任务卷积神经网络DYPNet,其以YOLOv... 详细信息

汽车上AR-HUD已经得到了广泛应用,其环境感知模块需完成目标检测、车道分割等多个任务,但是多个深度神经网络同时运行会消耗过多的计算资源。针对这一问题,本文提出一种应用于AR-HUD环境感知的轻量级多任务卷积神经网络DYPNet,其以YOLOv3-tiny框架为基础,融合金字塔池化模型、DenseNet的密集连接结构、CSPNet网络模型的思想,在精度未下降的情况下大幅减少了计算资源消耗。针对该神经网络难以训练的问题,提出了一种基于动态损失权重的线性加权求和损失函数,使子网络损失值趋于同步下降,且同步收敛。经过在公开数据集BDD100K上训练及测试,结果表明该神经网络的检测mAP和分割mIOU分别为30%,77.14%,使用TensorRt加速后,在Jetson TX2上已经可以达到15 frame·s-1左右,已达到AR-HUD的应用要求,并成功应用于车载AR-HUD。

关键词：增强现实抬头显示器多任务卷积神经网络目标检测语义分割

来源：评论

学校读者我要写书评

暂无评论

基于情感词和多任务卷积神经网络的文本情感分布学习

引用

中文信息学报 2023年第4期37卷 126-136页

作者：江晨琳曾雪强郭小奉东雨畅左家莉王明文江西师范大学计算机信息工程学院江西南昌330022

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一... 详细信息

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network,LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。

关键词：情感分布学习文本情绪分析情感词多任务卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于情感轮和多任务卷积神经网络的图像情感分布学习

引用

江西师范大学学报（自然科学版） 2022年第4期46卷 363-371页

作者：赖金水万中英曾雪强江西师范大学计算机信息工程学院江西南昌330022

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直... 详细信息

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直接引入到深度神经网络中.基于Mikel′s情感轮定义成对情绪之间的相关性,EW-MTCNN模型采用多任务卷积神经网络学习情绪之间的相关性信息,同时优化情感分布预测和情绪分类任务.EW-MTCNN模型由3个模块组成,3个模块分别是图像特征提取层、情感轮先验知识层和多任务损失层.在情感分布数据集(Emotion6)和单标签数据集(Artphoto)上进行对比实验的结果表明:EW-MTCNN模型在情感分布预测与情绪分类任务上比其他情感分布学习方法具有更优的性能.

关键词： Mikel′s情感轮多任务卷积神经网络情感分布学习情绪分类标记分布学习

来源：评论

学校读者我要写书评

暂无评论

基于深度多任务卷积神经网络的图像内容理解研究

基于深度多任务卷积神经网络的图像内容理解研究

引用

作者：申朕山东大学

学位级别：硕士

基于卷积神经网络(CNNs)的多任务学习方法在计算机视觉的各种应用中取得了显著的成功,是目前重点关注的研究方向之一。多任务卷积神经网络是在单任务模型结构保持不变的情况下,学习多个任务的共享表示,该共享表示适用于不同但相关任务... 详细信息

基于卷积神经网络(CNNs)的多任务学习方法在计算机视觉的各种应用中取得了显著的成功,是目前重点关注的研究方向之一。多任务卷积神经网络是在单任务模型结构保持不变的情况下,学习多个任务的共享表示,该共享表示适用于不同但相关任务的训练目标,使多任务模型更具有泛化能力。随之各任务分支拟合各自输出,从而完成多个任务的联合预测,并取得整体性能的提升。对于有效的多任务卷积神经网络方法,最近的研究均是通过自动学习各任务单个网络层特征的最优组合,以完成多任务学习结构的创新。然而,这些方法并不考虑各分支输入特征的特性,在模型训练结束后往往都是学习一个固定参数的特征组合方案。因此,本文为多任务卷积神经网络提供了一种自适应特征交互层,在该层中设计了一种动态交互机制,允许每个任务自适应地决定任务间知识的共享或保留程度。在自适应特征交互层中,本文引入了两种类型的特征交互模块,分别通过捕获不同任务在通道和空间维度上的特征依赖关系来实现特征的自适应交互。自适应特征交互层是即插即用的组件,具有较低的参数量和计算开销,在单任务学习结构不变的情况下将其扩展为多任务学习结构,从而实现性能提升。值得注意的是,多任务学习中的任务间梯度平衡策略也是多任务学习研究的关键。实际上,不同任务具有不同的复杂度和收敛速度,如果在没有任何平衡控制的情况下进行训练,那么多任务结构的梯度很可能被某个任务的梯度所主导,这是以降低其他任务性能为代价的。因此,本文根据多任务学习结构中各任务梯度量级的差异性,提出了一种新颖的任务间梯度平衡策略ReGrad,以保证多个任务在统一学习的框架下能够平衡学习,避免各任务学习方向产生偏差。多任务学习方法是通过探索任务间的内在关系,从而得到更一般的共享表示,使模型更具有泛化能力,最终提升所有任务的性能。受此启发,本文使用多任务卷积神经网络来探索图像美学评价和情感分析任务间潜在的相关性。图像的美学评价和情感分析分别使计算机可以辨认人类由受到图像视觉刺激而产生的审美和情感反应。近年来,现有的图像美学评价和情感分析的研究大多利用卷积神经网络自动的提取具有良好区分能力的图像特征。然而,目前的研究忽略了美学评价与情感分析的内在联系,通常将它们当作两个相互独立的任务,分离的看待图像领域的各类层次感知任务。因此,本文采用多任务学习的方法在统一的框架下完成图像美学评价和情感分析任务,探索任务间的内在关联。本文工作主要是进行多任务学习方法的研究与应用。本文首先完成对多任务卷积神经网络方法的创新,并对各任务的学习过程进行约束,提出了新颖的自适应特征交互网络。其次,本文使用多任务学习方法进行图像美学评价和情感分析应用的联合预测,从而实现整体性能的提升。在方法设计结束之后,本文进行了详细的消融研究,以便进一步理解所提出方法的细节和作用。同时,本文还与近期典型的方法进行了细致且全面的性能对比,包括在像素级别和图像级别任务上进行实验、采用多种准确合理的评价指标,以证明本文方法的可行性。实验结果表明,本文方法优于目前的最先进的多任务学习方法。上述工作的具体细节和代码模型已经公布:https://***/zhenshen-mla/***://***/zhenshen-mla/Aesthetic-Emotion-Dataset。

关键词：多任务卷积神经网络自适应特征交互网络美学评价情感分析任务间梯度平衡策略

来源：评论

学校读者我要写书评

暂无评论

基于多任务卷积神经网络的空中目标旋翼参数估计方法

基于多任务卷积神经网络的空中目标旋翼参数估计方法

引用

作者：范雪欣西安电子科技大学

学位级别：硕士

雷达目标识别技术能够获取远程空中飞机目标的属性、类别甚至型号信息,为我军及时准确地掌握战场态势、夺取制空权提供了重要支撑。传统雷达目标识别技术在识别机型时依据模板库,通过模板匹配等方法完成识别任务。然而,由于目标的非合... 详细信息

雷达目标识别技术能够获取远程空中飞机目标的属性、类别甚至型号信息,为我军及时准确地掌握战场态势、夺取制空权提供了重要支撑。传统雷达目标识别技术在识别机型时依据模板库,通过模板匹配等方法完成识别任务。然而,由于目标的非合作性以及各种新型军机的出现,在实际中难以建立完备的模板库,这严重限制了传统识别技术的应用。相比之下,结合目标先验知识,从雷达回波中反演飞机旋翼参数的方法可不依赖模板库实现型号识别,并且具有机理清晰、稳健性好的优点。由于旋翼参数与回波之间存在高度非线性关系,现有旋翼参数估计方法难以获得解析解,因此通常采用搜索方式求解,存在计算量大,参数耦合度高等问题,限制了其应用范围。难以满足实时性要求。深度网络因具有强大的非线性拟合能力,能够较好的刻画旋翼参数与回波之间的非线性关系,并且具有较高的计算效率。为此,本文研究了基于多任务卷积神经网络的空中目标旋翼参数估计方法,主要工作如下:(1)研究了旋翼回波模型并仿真。首先推导了空中目标旋翼的回波模型。然后通过分析回波信号的时域、多普勒域和时频域的谱图,获得信号在不同维度的特征信息,为后续旋翼参数估计做铺垫。最后,在建立的回波模型基础上介绍传统的旋翼参数估计方法,包括霍夫变换、逆拉东变换、单距离多普勒干涉,并对这三种方法的性能进行了简要对比分析。(2)针对传统估计方法在实时性和独立性方面的不足,提出一种多任务卷积神经网络结构,用于同时实现多个参数的快速独立估计。多任务卷积神经网络由一个多任务共享模块和三个非共享模块构成。其中共享模块用于提取粗粒度特征,非共享模块则针对不同任务提取细粒度的特征。这种网络结构降低了估计过程中参数之间的耦合性,规避了传统方法中可能存在的估计误差传递风险。最后通过实验验证了所提方法能在保证估计成功率的前提下,实现旋翼参数的实时独立估计。(3)为了进一步改善旋翼参数估计性能,提出了一种基于注意力机制的多任务卷积神经网络旋翼参数估计方法。在多任务共享模块与非共享模块之间引入注意力机制模块SENet与SKNet,使得网络可以根据不同旋翼参数的特点,对特征进行加权从而增强有用的特征通道并抑制无效的特征通道。最后通过实验验证了所提方法能在多任务卷积神经网络的基础上,进一步提升了参数估计成功率。

关键词：多任务卷积神经网络旋翼参数估计注意力机制 SENet SKNet

来源：评论

学校读者我要写书评

暂无评论

基于情感词和多任务卷积神经网络的文本情感分布学习

基于情感词和多任务卷积神经网络的文本情感分布学习

引用

作者：江晨琳江西师范大学

学位级别：硕士

情感是人类对外界世界产生的主观反映，是人际交往、日常交流中必不可少的一部分。情感分析是情感计算中的重要领域之一，旨在根据文本、图像、音乐、面部表情等人类行为载体挖掘其中蕴含的情绪。近年来，随着基于网络的社交媒体的快速... 详细信息

情感是人类对外界世界产生的主观反映，是人际交往、日常交流中必不可少的一部分。情感分析是情感计算中的重要领域之一，旨在根据文本、图像、音乐、面部表情等人类行为载体挖掘其中蕴含的情绪。近年来，随着基于网络的社交媒体的快速发展，情感分析吸引了越来越多学术界学者的关注。自2000年以来，情感分析已经发展成为自然语言处理（NLP）领域中最活跃的研究领域之一。　　情感分布学习是一种近年提出的新型情感分析范式，通过与示例关联的情感分布对多种情绪进行定量的建模，比传统情绪分析方法更适用于存在情绪模糊的情绪分析任务。情感分布学习采用情感分布标记每个句子，各个分量的值介于0和1之间，总和为1。情感分布学习方法能够有效地记录示例在不同情绪标签上的强度，在情绪识别任务上表现出了比传统情绪分类方法更优的性能。　　情感词是带有不同强度情感倾向性的词语，一般蕴含着大量的情感先验知识。不同的情感词通常用于描述不同的情感特征，情感词的不同组合也可以表达不同的情感倾向。大量工作表明，文本中具有的情感词先验知识有利于情感分析。但目前现有的大部分情感分布学习方法，只关注文本的语义信息，而忽略了文本携带的情感词先验知识。　　针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题，本文提出一种基于情感词和多任务卷积神经网络（Lexicon enhanced Multi-Task Convolutional Neural Network,LMT-CNN）的文本情感分布学习模型，用于文本情感分布预测和情绪分类任务。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成，以端到端的方式对情感分布进行预测。LMT-CNN模型同时考虑了文本的语义信息和情感词先验知识，使用结合KL损失和交叉熵损失的多任务卷积神经网络模型，以端到端的方式同时训练情感分布预测和情绪分类任务。　　在9个常用的文本情感数据集上进行了四组对比实验，分别是情感词权重系数α对LMT-CNN模型性能的影响实验、多种文本情感分布预测方法对比实验、单标签数据集上的情绪分类性能对比实验和情感词数量对LMT-CNN模型性能的影响实验。实验表明，本文提出的LMT-CNN模型有效地利用了情感词信息，在情感分布预测和情绪分类任务上的性能优于现有的情感分布学习方法。

关键词：文本情绪分析情感分布学习情感词多任务卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于多任务卷积神经网络的AR-HUD环境感知技术研究

基于多任务卷积神经网络的AR-HUD环境感知技术研究

引用

作者：卜川夏重庆邮电大学

学位级别：硕士

为提高驾驶的安全性和便利性,抬头显示器(Head-Up Display,HUD)在汽车上得到了广泛应用,随着汽车的逐渐智能化,增强现实抬头显示器(Augmented Reality Head-Up Display,AR-HUD)应运而生。AR-HUD将车况虚拟信息和真实环境相融合,可以使... 详细信息

为提高驾驶的安全性和便利性,抬头显示器(Head-Up Display,HUD)在汽车上得到了广泛应用,随着汽车的逐渐智能化,增强现实抬头显示器(Augmented Reality Head-Up Display,AR-HUD)应运而生。AR-HUD将车况虚拟信息和真实环境相融合,可以使驾驶员直视时就能够获得车况信息,从而减少事故发生。环境感知技术是AR-HUD系统的重要组成部分之一,承担着解析车辆前方场景信息的任务,它一般包含目标检测和车道分割。而在车辆中使用的计算机平台一般是车载嵌入式平台,算力和PC机相比低了很多,尤其是神经网络在前向推理过程中需要调用大量的GPU资源。如何在车载嵌入式平台中同时运行目标检测算法和车道分割算法并实时检测目标和分割车道是当下研究难点之一。针对该问题,本文提出了一种轻量级多任务卷积神经网络,主要研究内容如下:1.针对车载嵌入式平台算力较低的问题,本文提出了一种轻量级多任务卷积神经网络,该网络基于多任务学习框架硬参数共享机制进行构建,同时拥有目标检测任务分支和语义分割任务分支。为了提高轻量级主干网络的特征提取能力,将CSPDense Net层加入主干网络的后半段,使主干网络不但能够提高图像特征提取能力,还不会增加较多的参数量和计算量。2.针对多任务卷积神经网络训练难的问题,本文提出了动态损失权重线性加权求和算法,该算法可有效抑制分支网络的收敛速度,使两分支网络收敛速度趋于相同。在测试集中对多任务卷积神经网络进行实验,实验结果表明网络模型在测试集中的m AP为67.17%,m IOU为78.43%。3.将多任务卷积神经网络模型部署至车载嵌入式平台中,并使用Tensor Rt对网络模型加速,使多任务卷积神经网络在车载嵌入式平台中可实现实时检测。然后将车载嵌入式平台和AR-HUD系统共同部署至实验车辆中进行实车实验。

关键词： AR-HUD 多任务卷积神经网络目标检测语义分割

来源：评论

学校读者我要写书评

暂无评论

基于多任务卷积神经网络的人脸识别技术研究

引用

通信技术 2020年第3期53卷 718-723页

作者：祝永志苏晓云曲阜师范大学信息科学与工程学院山东日照276826

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统... 详细信息

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统的卷积神经网络,在深度学习框架TensorFlow上进行人脸识别。首先,在数据预处理阶段利用灰度化方法将图像集转变为灰度图,降低图像通道。其次,基于MTCNN构建人脸检测模型,并利用Softmax函数进行分类识别。最后,实验过程中选择不同迭代次数进行准确性对比,在模型趋于稳定的情况下,得到较高的准确性。

关键词：多任务卷积神经网络灰度处理 TensorFlow框架人脸识别

来源：评论

学校读者我要写书评

暂无评论

基于多任务卷积神经网络的轨道车辆螺栓异常检测方法

引用

铁道车辆 2020年第5期58卷 29-32,I0003页

作者：王勇袁啸阳陈铎厉承臻李健崔伟李振宝中车青岛四方车辆研究所有限公司山东青岛266031 中国铁路济南局集团有限公司青岛动车段山东青岛266031

基于机器视觉自动检测方式,提出了一种多任务卷积神经网络检测螺栓异常的方法。该方法相比传统图像比对检测故障方式,准确率及检测效率均有较大提升。

关键词：多任务卷积神经网络螺栓异常图像对比

来源：评论

学校读者我要写书评

暂无评论

融合Gamma校正与多任务卷积神经网络的人脸识别

引用

信息技术与信息化 2023年第11期 179-182页

作者：林德贵邱富杭余清清闽南理工学院信息管理学院福建泉州326700

针对当前基于深度学习的人脸识别算法对一些模糊或较暗图像识别人脸准确率不高的问题,结合Gamma校正算法优点,提出了融合Gamma校正的多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)人脸识别算法(gamma multi-task... 详细信息

针对当前基于深度学习的人脸识别算法对一些模糊或较暗图像识别人脸准确率不高的问题,结合Gamma校正算法优点,提出了融合Gamma校正的多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)人脸识别算法(gamma multi-task convolutional neural network,GMTCNN)。首先,利用Gamma校正增加图像像素低的对比度,同时减少图像像素高的部分的对比度;其次,利用MTCNN算法对处理后的图像人脸识别。实验结果表明,GMTCNN算法对有遮挡物的人脸识别率更高,并且能够准确识别一张图的多张人脸。

关键词： Gamma校正图像增强多任务卷积神经网络深度学习人脸识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：