基于孪生神经网络的视频目标跟踪系统设计与实现

这是一篇关于视频目标跟踪,深度学习,孪生神经网络,注意力机制的论文, 主要内容为随着我国社会的发展,社会各界对安全防范能力的要求越来越高,视频监控系统是实现保障社会公共安全、企业生产安全、家庭防盗安全的重要手段。目标跟踪作为视频监控系统中的最为基础且重要的功能之一,为车辆违规驾驶、可疑人员追踪排查等多种需求提供了强有力的帮助,同时目标跟踪功能也是对视频内容进行分析的基础。准确的目标跟踪定位结合其他相关算法,可以实现对视频中目标行为的智能化分析与理解。因此,对视频目标跟踪技术的研究具有重要意义。本文通过对全卷积孪生网络跟踪算法(Fully Convolutional Siamese Networks for Object Tracking,Siam FC)的深入分析,发现该算法在跟踪过程中容易受到复杂背景或相似物体的干扰,造成目标丢失。其主要原因在于Siam FC在跟踪过程中仅将目标的外观信息作为跟踪依据,而外观信息又容易因目标本身或外界环境的影响发生改变。为此本文给出了一种基于动态权重的双分支孪生神经网络跟踪算法,在Siam FC基础上添加了基于语义信息的跟踪支路,作为外观信息跟踪分支的有效补充。同时分析了注意力机制对特征提取的作用,针对语义分支添加了双重注意力机制,从空间位置与特征通道两个维度强化语义特征提取。并通过对两分支跟踪结果的可视化分析,给出了基于动态权重的分支结合方法,有效地结合利用两分支的优势进行跟踪。本文算法在多个标准目标跟踪测试集上进行了实验,采用消融实验验证了各模块的有效性,并通过对比试验与其他优秀的跟踪算法进行了对比分析。结果表明,本文算法对视频目标跟踪任务有着较好的结果与性能。此外,根据实际应用场景的需要,本文利用所给出的基于深度孪生神经网络目标跟踪算法,采用Django后端框架和前端开发技术,搭建了一套视频目标跟踪系统。系统基于B/S结构,设计实现了视频监控模块、目标跟踪模块、用户管理模块、以及摄像头管理模块。实现从视频采集到智能分析再到用户和设备管理的一站式服务,方便视频分析人员的使用和管理,提高视频分析的效率。

基于自编码器表征学习的top-N推荐算法

这是一篇关于top-N推荐系统,自注意力机制,表征学习,孪生神经网络,自编码器,LSTM的论文, 主要内容为在如今的信息化时代,每天都会产生大量的数据,这为用户寻找所需要的内容带来巨大的困难。为了帮助用户从大量数据中筛选出重要信息,个性化推荐系统便应运而生。其算法核心是分析用户历史行为,预测用户偏好,再从数据中挖掘符合用户偏好的内容并推荐给用户。然而由于算法原理的局限性,传统推荐算法不可避免的存在数据稀疏和冷启动问题。近年来深度学习的出现为推荐系统的研究指明了新的方向。但现有基于深度学习的推荐算法往往默认用户偏好一成不变,更没有针对用户评分序列的时序性进行建模,导致在特征提取过程中难以提取到特征之间的相关信息。另外现有方法没有考虑真实场景下存在的数据缺失、错误等问题,以至于模型推荐效果不佳,缺乏鲁棒性。针对以上问题,文本提出两种基于自编码器表征学习的top-N推荐算法。首先,针对现有推荐算法忽略用户偏好动态变化,以及没有根据时序数据建模导致输入特征内部相关性提取不足的问题,提出一种基于注意力自编码器和LSTM的top-N推荐算法。该算法首先基于自注意力机制设计编码模块,计算时间序列中内部特征的相关性,同时存储用户不同时期的偏好变化信息并形成特征编码。然后利用LSTM处理时序信息的有效性构造算法预测模块,分析特征编码中的隐含信息,进而预测用户对物品的打分并排序,制作top-N推荐榜单。然后,针对现实场景下数据存在用户操作不当造成的评分误差,以及信息缺失和错误等问题,提出一种基于栈式降噪自编码器和孪生神经网络的top-N推荐算法。为了模拟真实数据中存在噪声的问题,该推荐方法首先在原始输入数据中加入噪声,然后将带有噪声的数据输入第一层自编码器。之后再利用第二层自编码器学习特征编码。将学到的特征编码输入LSTM与孪生神经网络结合的预测模块预测用户评分并排序,确定top-N推荐列表。最后,在MovieLens 1M数据集和Movie Lens 100k数据集上进行实验,验证本文提出算法的有效性。

旋翼无人机目标自主实时跟踪方法及应用研究

这是一篇关于四旋翼无人机,目标检测,YOLO v4-tiny,目标跟踪,MobileNet v2,孪生神经网络的论文, 主要内容为随着科学技术和社会的发展,无人机在内的各式各样的机器人日益广泛地应用在生产生活的方方面面。以旋翼无人机搭载相机视觉模块用于目标追踪的空中机器人系统,在很多任务场景下,能够解放劳动力甚至取得更高的效率,已广泛应用于:灾情抢救、仓储管理、安防巡查、赛事转播、军事打击等领域。针对目标跟踪过程中存在的算法复杂度与平台不适应、实际使用时跟踪效果不稳定等问题,本文提出一种基于深度学习的目标跟踪算法,用以实现在旋翼无人机平台上对移动目标的自主实时跟踪。本文的具体研究工作如下:(1)搭建了相关软硬件平台,针对硬件主体四旋翼无人机,构建了坐标系间的转换模型,并对四旋翼无人机进行了动力学建模。(2)设计了系统总体框架与算法运行流程,分为目标检测模块、目标跟踪模块、跟踪控制模块。目标检测模块求出初始帧待跟踪目标的信息,传递到跟踪模块用于指定目标的帧间跟踪;跟踪模块得到给定的初始帧和待跟踪目标的定位信息后,在后续的图像序列中定位跟踪该目标,并将跟踪结果反馈给控制模块后将影响决策结果,实现自主性;跟踪控制模块根据提前写好的控制策略,发出不同的控制指令,控制四旋翼无人机不同时刻的飞行状态,完成最终的跟踪任务。(3)为了平衡检测精度与检测速度,提出了一种基于YOLO v4-tiny改进的目标检测算法,用于为自动模式下的检测与跟踪任务提供初始帧中目标的位置信息。该算法,在YOLO v4-tiny的基础上对其网络结构进行大幅度的轻量化操作,并添加注意力机制与两次自顶向下的FPN网络结构提升针对旋翼无人机目标跟踪任务中的小目标物体的检测精度。(4)针对当前旋翼无人机在基于图像序列中的目标跟踪任务中无法实时、精准、鲁棒跟踪的问题,本文提出了一种基于轻量级神经网络Mobile Net v2改进的孪生神经网络,可在低算力的旋翼无人机的机载电脑端实时运行。该算法的主干特征提取网络融合了Mobile Net v2中的轻量化参数结构,并基于Mobile Net v2减小了网络深度的同时添加了注意力机制提升网络的特征提取能力。为提高跟踪算法的跟踪性能,使用了级联的RPN网络结构,用不同深度而空间分辨率相同的特征描述符作为输入,充分利用提取到的深层次特征与浅层次特征。

运载火箭飞行轨迹预测和状态监控及实现

这是一篇关于辅助决策,状态监控,轨迹预测,孪生神经网络,Bi-LSTM的论文, 主要内容为现有的安全控制辅助决策系统主要依靠专家多年经验总结的判决规则对运载火箭进行故障判决,这种判决方式对安控指挥员的经验与反应能力要求高,过分的依赖人工决策。而且,这种安全控制辅助决策系统,只能对运载火箭当前的飞行状态进行判别,不能对运载火箭飞行轨迹进行预测。本文设计的运载火箭飞行轨迹预测及状态监控系统是安全控制辅助决策系统的子系统,是在原来系统上的扩展。其主要完成对运载火箭当前飞行状态的监控和预测未来一段时间运载火箭的飞行轨迹,给安控指挥员提供辅助决策信息。本系统采用了B/S架构,主要分为状态监视模块、飞行状态分析模块、飞行轨迹预测模块。该系统也能够独立的完成相应的功能,与其他子系统也存在着紧密联系。对于运载火箭飞行状态监控需要解决的问题有:弹道数据存在野值且具有较强的非线性;现有的状态监控方法存在局限性;对状态监控有较高的准确性和实时性要求。本文建立了一种将最小二乘建模与肖维涅准则相结合的方法对弹道数据野值进行判别与填充。由于神经网络对非线性数据的拟合效果很好,所以研究了一种基于孪生神经网络的运载火箭飞行状态监控方法,该方法是根据运载火箭飞行状态标签来学习弹道数据之间的相似关系,与传统的相似性度量方法不同的是,该方法考虑了弹道数据特征对相似性的影响,然后根据运载火箭的理论弹道与实际弹道的相似程度和训练模型的阈值来判断运载火箭飞行状态是否正常,实验结果证明该方法具有较高的准确性和实时性。对于运载火箭飞行轨迹预测主要解决的问题有:弹道数据存在野值且具有较强的非线性;要对运载火箭飞行轨迹进行多步预测;对轨迹预测要求具有较高的准确性和实时性。针对弹道数据具有非线性的问题,神经网络可以很好的拟合非线性数据,而且神经网络可以实现多步预测,因此本文建立了基于Bi-LSTM神经网络的多步预测模型。通过该模型预测未来一段时间的运载火箭的飞行轨迹,当预测的运载火箭飞行轨迹超出安全管道后,系统判定飞行状态异常,从而给安控指挥员更多的决策时间,该方法具有较高的准确性和实时性。

测试业务管理系统的设计与实现

这是一篇关于测试业务,管理系统,余弦相似度,结构相似性,孪生神经网络的论文, 主要内容为随着软件测试行业的蓬勃发展,各种自动化测试工具也在不断兴起,软件测试自动化水平也在不断提高。但部分企业和实验室依旧采用线下方式进行测试业务流程的管理,这大大降低了业务的效率。同时,基于UI的回归测试和兼容测试会产生大量的重复图片,人为判别需要花费大量的时间。针对上述问题,本文设计并实现了一个测试业务管理系统。本文的主要工作如下:(1)实现了测试业务管理系统的设计方案,并完成了测试业务管理系统的前端开发,该系统能够记录和管理从签订合同到最后的报告生成的全部过程。系统能够严格控制业务的状态转移,并记录各个状态的中间文件,保证用户能够正确地实施流程;(2)本文采用了图形学和深度学习的方法来判别回归测试和兼容测试的结果。对于回归测试,首先使用余弦相似度算法对测试结果进行分类,然后使用结构相似性算法来判断图片之间的差异。最后,对某个App的回归测试结果进行计算分析,平均准确率达到90%以上。至于兼容测试,本文首先利用部分常用App的自动化测试结果构建数据集,接着使用孪生神经网络进行训练。最后,使用未参与训练的图片进行测试,并绘制PR曲线。结果显示准确率为79%。本系统采用前后端分离的架构,前端使用Vue.js框架,后端则使用Spring Cloud框架,本人主要负责系统的设计,前端系统的开发,部分后端系统的开发和回归及兼容测试结果判别算法的设计与实现。本文首先介绍了自动化判别回归测试结果和辅助判别兼容测试结果的算法设计与实现。其次分析了测试业务管理系统的需求,结合用例图详细说明系统中委托任务管理、项目管理、报告管理、待确认事项管理等功能性需求,并分析系统中性能、安全等非功能性需求。其次,根据需求分析设计并分层描述了系统总体架构,并且划分了功能模块;接着通过E-R图描述数据库中实体关系;最后根据RESTful规范设计模块间接口。再次,详细设计与实现系统中各功能模块的前端部分。继次,简单地说明了系统测试环境,并详细地设计了测试用例对系统中各功能模块进行测试。最后,总结论文工作内容,并简单阐述系统开发过程中待改进的方面。

测试业务管理系统的设计与实现

这是一篇关于测试业务,管理系统,余弦相似度,结构相似性,孪生神经网络的论文, 主要内容为随着软件测试行业的蓬勃发展,各种自动化测试工具也在不断兴起,软件测试自动化水平也在不断提高。但部分企业和实验室依旧采用线下方式进行测试业务流程的管理,这大大降低了业务的效率。同时,基于UI的回归测试和兼容测试会产生大量的重复图片,人为判别需要花费大量的时间。针对上述问题,本文设计并实现了一个测试业务管理系统。本文的主要工作如下:(1)实现了测试业务管理系统的设计方案,并完成了测试业务管理系统的前端开发,该系统能够记录和管理从签订合同到最后的报告生成的全部过程。系统能够严格控制业务的状态转移,并记录各个状态的中间文件,保证用户能够正确地实施流程;(2)本文采用了图形学和深度学习的方法来判别回归测试和兼容测试的结果。对于回归测试,首先使用余弦相似度算法对测试结果进行分类,然后使用结构相似性算法来判断图片之间的差异。最后,对某个App的回归测试结果进行计算分析,平均准确率达到90%以上。至于兼容测试,本文首先利用部分常用App的自动化测试结果构建数据集,接着使用孪生神经网络进行训练。最后,使用未参与训练的图片进行测试,并绘制PR曲线。结果显示准确率为79%。本系统采用前后端分离的架构,前端使用Vue.js框架,后端则使用Spring Cloud框架,本人主要负责系统的设计,前端系统的开发,部分后端系统的开发和回归及兼容测试结果判别算法的设计与实现。本文首先介绍了自动化判别回归测试结果和辅助判别兼容测试结果的算法设计与实现。其次分析了测试业务管理系统的需求,结合用例图详细说明系统中委托任务管理、项目管理、报告管理、待确认事项管理等功能性需求,并分析系统中性能、安全等非功能性需求。其次,根据需求分析设计并分层描述了系统总体架构,并且划分了功能模块;接着通过E-R图描述数据库中实体关系;最后根据RESTful规范设计模块间接口。再次,详细设计与实现系统中各功能模块的前端部分。继次,简单地说明了系统测试环境,并详细地设计了测试用例对系统中各功能模块进行测试。最后,总结论文工作内容,并简单阐述系统开发过程中待改进的方面。

运载火箭飞行轨迹预测和状态监控及实现

这是一篇关于辅助决策,状态监控,轨迹预测,孪生神经网络,Bi-LSTM的论文, 主要内容为现有的安全控制辅助决策系统主要依靠专家多年经验总结的判决规则对运载火箭进行故障判决,这种判决方式对安控指挥员的经验与反应能力要求高,过分的依赖人工决策。而且,这种安全控制辅助决策系统,只能对运载火箭当前的飞行状态进行判别,不能对运载火箭飞行轨迹进行预测。本文设计的运载火箭飞行轨迹预测及状态监控系统是安全控制辅助决策系统的子系统,是在原来系统上的扩展。其主要完成对运载火箭当前飞行状态的监控和预测未来一段时间运载火箭的飞行轨迹,给安控指挥员提供辅助决策信息。本系统采用了B/S架构,主要分为状态监视模块、飞行状态分析模块、飞行轨迹预测模块。该系统也能够独立的完成相应的功能,与其他子系统也存在着紧密联系。对于运载火箭飞行状态监控需要解决的问题有:弹道数据存在野值且具有较强的非线性;现有的状态监控方法存在局限性;对状态监控有较高的准确性和实时性要求。本文建立了一种将最小二乘建模与肖维涅准则相结合的方法对弹道数据野值进行判别与填充。由于神经网络对非线性数据的拟合效果很好,所以研究了一种基于孪生神经网络的运载火箭飞行状态监控方法,该方法是根据运载火箭飞行状态标签来学习弹道数据之间的相似关系,与传统的相似性度量方法不同的是,该方法考虑了弹道数据特征对相似性的影响,然后根据运载火箭的理论弹道与实际弹道的相似程度和训练模型的阈值来判断运载火箭飞行状态是否正常,实验结果证明该方法具有较高的准确性和实时性。对于运载火箭飞行轨迹预测主要解决的问题有:弹道数据存在野值且具有较强的非线性;要对运载火箭飞行轨迹进行多步预测;对轨迹预测要求具有较高的准确性和实时性。针对弹道数据具有非线性的问题,神经网络可以很好的拟合非线性数据,而且神经网络可以实现多步预测,因此本文建立了基于Bi-LSTM神经网络的多步预测模型。通过该模型预测未来一段时间的运载火箭的飞行轨迹,当预测的运载火箭飞行轨迹超出安全管道后,系统判定飞行状态异常,从而给安控指挥员更多的决策时间,该方法具有较高的准确性和实时性。

测试业务管理系统的设计与实现

这是一篇关于测试业务,管理系统,余弦相似度,结构相似性,孪生神经网络的论文, 主要内容为随着软件测试行业的蓬勃发展,各种自动化测试工具也在不断兴起,软件测试自动化水平也在不断提高。但部分企业和实验室依旧采用线下方式进行测试业务流程的管理,这大大降低了业务的效率。同时,基于UI的回归测试和兼容测试会产生大量的重复图片,人为判别需要花费大量的时间。针对上述问题,本文设计并实现了一个测试业务管理系统。本文的主要工作如下:(1)实现了测试业务管理系统的设计方案,并完成了测试业务管理系统的前端开发,该系统能够记录和管理从签订合同到最后的报告生成的全部过程。系统能够严格控制业务的状态转移,并记录各个状态的中间文件,保证用户能够正确地实施流程;(2)本文采用了图形学和深度学习的方法来判别回归测试和兼容测试的结果。对于回归测试,首先使用余弦相似度算法对测试结果进行分类,然后使用结构相似性算法来判断图片之间的差异。最后,对某个App的回归测试结果进行计算分析,平均准确率达到90%以上。至于兼容测试,本文首先利用部分常用App的自动化测试结果构建数据集,接着使用孪生神经网络进行训练。最后,使用未参与训练的图片进行测试,并绘制PR曲线。结果显示准确率为79%。本系统采用前后端分离的架构,前端使用Vue.js框架,后端则使用Spring Cloud框架,本人主要负责系统的设计,前端系统的开发,部分后端系统的开发和回归及兼容测试结果判别算法的设计与实现。本文首先介绍了自动化判别回归测试结果和辅助判别兼容测试结果的算法设计与实现。其次分析了测试业务管理系统的需求,结合用例图详细说明系统中委托任务管理、项目管理、报告管理、待确认事项管理等功能性需求,并分析系统中性能、安全等非功能性需求。其次,根据需求分析设计并分层描述了系统总体架构,并且划分了功能模块;接着通过E-R图描述数据库中实体关系;最后根据RESTful规范设计模块间接口。再次,详细设计与实现系统中各功能模块的前端部分。继次,简单地说明了系统测试环境,并详细地设计了测试用例对系统中各功能模块进行测试。最后,总结论文工作内容,并简单阐述系统开发过程中待改进的方面。

轨道动态检测数据挖掘算法研究与应用

这是一篇关于轨道动态检测数据,多变量时间序列,孪生神经网络,自编码器,智能化处理平台的论文, 主要内容为轨道动态检测数据是反映轨道健康状况的一种多变量时间序列数据,对其进行挖掘与分析,有助于研究轨道状况的变化,对进一步的养护维修提供精准化的指导意见,同时可以深入探究轨道病害产生的原因以及发展趋势,及时预警,提高线路运营的安全性。多变量时间序列是近年来数据挖掘领域的一个重点研究方向,广泛应用于多个行业领域中。研究多变量时间序列的分析与处理方法并结合轨道动态检测数据特性对其进行挖掘,具有重要的理论意义和实际应用价值。本文从多变量时间序列数据处理理论出发,以某高速铁路近八年的轨道动态检测数据为基础,研究轨道动态检测数据的挖掘算法,重点研究轨道差异沉降识别问题和轨道动态检测数据异常检测问题,主要工作及研究成果包括:(1)提出了一种基于孪生神经网络的轨道差异沉降识别方法。该方法从轨道动态检测数据序列的相似性度量出发,利用孪生神经网络进行相似性度量学习,构建了基于LSTM(Long Short-Term Memory)的孪生神经网络差异沉降识别模型(Differential Settlement Identification Model of Siamese Neural Network based on LSTM,DSIM-LS)。在某高铁线路的真实数据构成的轨道差异沉降数据集上的实验结果表明,该模型差异沉降识别的查准率为96.23%,误报率3.77%,没有发生漏报情况。该方法为轨道动态检测数据与轨道差异沉降数据的关联研究与分析提供了一种新的思路,同时也为轨道沉降状况的识别、预警提供了技术支撑。(2)提出了一种基于自编码器的多变量轨道动态检测数据异常检测方法。该方法深入研究了轨道动态检测数据中多变量的关联关系,构建了一种多变量关联矩阵,并据此提出了一种基于自编码器的多变量轨道动态检测数据异常检测算法(Auto-Encoder-based Multivariate Track dynamic inspection Data Anomaly Detection,MTDAD-AE)。在某高铁线路的真实轨道动态检测数据集上的实验结果表明,所提算法在精准率和召回率上均优于其他基于深度学习的对比方法,取得了最好的检测结果,且利用关联矩阵实现了异常因素的定位。(3)构建了一套轨道动态检测数据智能化处理平台(Intelligent Processing Platform for track dynamic inspection data,IPP-TDID)。该平台采用自底向上的设计思路,包括数据采集层、数据处理层、数据分析层以及数据应用层。平台使用Spring Boot结合Vue实现后端数据业务逻辑和前端页面的可视化展示,同时集成了轨道动态检测数据智能算法,包括基于相关系数的轨道动态检测数据的里程偏移配准算法、基于孪生神经网络的轨道差异沉降识别模型以及基于自编码器的轨道动态检测数据异常检测模型。平台的构建支撑了数据清洗等早期科研阶段,大大加快了对轨道动态检测数据的科研进程,同时对智能算法的集成为持续进行轨道动态检测数据挖掘研究和应用于实际线路运营场景提供了基础,具有重要的实际应用价值。