基于深度学习的维度情感识别方法研究
这是一篇关于维度情感识别,时空特征提取,时间注意力,多模态,多任务的论文, 主要内容为维度情感识别任务通过识别给定的图像、视频或者语音信息来定量描述人的心理状态,从而实现计算机对人类心理状态的自动识别,这使得计算机能够给人类提供更有意义的服务,传统方法中使用手工特征的识别方法对于大规模数据缺乏泛化建模能力。而基于深度神经网络的方法在特征提取以及高维特征处理方面具备显著的优势,因此目前维度情感识别任务通常基于神经网络,本文主要研究内容如下:(1)提出一种基于Res Net和优化RNN的维度情感识别方法,优化RNN的方式分为LSTM和GRU两种,利用级联结构完成特征提取,避免维度增加带来的模型复杂度和预训练困难的问题,在Aff-Wild2和AVEC2016数据集上展开实验验证所提方法的有效性,并对两种方法进行对比分析。(2)提出一种基于Res Net和优化TCN的维度情感识别方法,在TCN网络中加入时间注意力模块捕捉序列内部特征点的关系,并通过双膨胀卷积结构解决TCN浅层网络感受野小以及深层网络无法感知局部信息的问题。实验结果表明,该方法具有良好的情感识别性能。(3)提出一种基于多任务和多模态的维度情感识别算法,利用不同情感表征之间的内在关联,以情感分类任务辅助维度情感识别任务。并采用基于Leader-Follower思想和注意力机制的特征融合方法来融合音频特征以及视频特征。实验结果表明,该方法取得了优秀的识别效果。本文提出的网络模型分别在Aff-Wild2和AVEC2016上进行了实验测试,平均识别精度分别为0.624和0.701,与其他主流的维度情感识别模型进行比较,发现本文模型具有更高的识别精度。
社交图增强的神经协同过滤推荐
这是一篇关于推荐系统,多任务,图卷积,社交推荐的论文, 主要内容为伴随着互联网技术的迅速发展,我们迎来了信息爆炸的时代。我们在享受获取信息便利性的同时,同样苦恼于如何从大量的信息数据中快速准确地获得自己真正需要的信息。近年来,推荐系统作为有效解决信息泛滥的手段引起了国内外大量研究人员的关注。其中,协同过滤(Collaborative Filtering,CF)方法通过利用用户的历史交互信息来挖掘用户的兴趣偏好,获得了巨大成功。然而,基于CF的方法通常存在数据稀疏性和冷启动问题。为了解决这些局限性,研究者指出可以在CF中加入一些辅助信息,如社交网络、属性、上下文等。另一方面,现有的研究已经证明,传统的协同过滤方法可能不足以获得到深层的语义丰富的嵌入。针对现有方法的不足之处,本文的研究内容包括:(1)研究了基于多任务的社交推荐模型。针对CF存在的数据稀疏性和冷启动的问题,我们提出了一种融合社交网络和知识图谱的深度学习模型。该模型主要包括两个模块:推荐模块和知识图嵌入模块。其中推荐模块通过共享用户社交特征空间实现用户的点击率预测。知识图谱嵌入核心目标是在将知识图谱中的实体和关系映射到低维向量空间的同时,仍保留其结构信息。采取多任务学习范式,利用两个相关任务中共同包含的有用信息来帮助提高整个模型的泛化性能。通过实验对比分析,证明了本文所提模型与其他基线相比具有更好的性能。(2)研究了基于图卷积的社交推荐模型。针对CF方法不能捕捉到用户-物品之间深层的语义信息,本文提出了一种新颖的基于图卷积的端到端的推荐框架。该推荐模型在重建用户-物品的交互时,显式建模用户-物品、用户社交网络以及物品协同相似网络三者之间的高阶连接性来提高嵌入表示。通过堆叠多层嵌入传播层,有效地捕捉到社交网络和物品协同相似网络中用户的潜在偏好。此外,利用门控机制进行特征融合,可以捕捉到节点的深层语义信息。通过实验对比分析,证明了本文所提模型在实验结果上优于现有的部分模型。(3)设计并开发了一个用于商品推荐的在线平台。平台支持新用户通过注册界面进行个人账号的注册,从而使用账号密码的方式进入并使用该平台。普通用户可以使用平台所提供的社交好友关联服务和商品推荐服务。管理员用户可以调用后台监控功能实时掌握普通用户对系统的使用情况。综上,本文分别从多任务训练和高阶连通性两个角度利用社交关系,并提出了两个基于深度神经网络的推荐模型。实验结果证明了本文所提模型在性能表现上优于其他模型。最后本文基于所提出的模型,开发了一个用于商品推荐的在线商品推荐平台。
基于深度学习的维度情感识别方法研究
这是一篇关于维度情感识别,时空特征提取,时间注意力,多模态,多任务的论文, 主要内容为维度情感识别任务通过识别给定的图像、视频或者语音信息来定量描述人的心理状态,从而实现计算机对人类心理状态的自动识别,这使得计算机能够给人类提供更有意义的服务,传统方法中使用手工特征的识别方法对于大规模数据缺乏泛化建模能力。而基于深度神经网络的方法在特征提取以及高维特征处理方面具备显著的优势,因此目前维度情感识别任务通常基于神经网络,本文主要研究内容如下:(1)提出一种基于Res Net和优化RNN的维度情感识别方法,优化RNN的方式分为LSTM和GRU两种,利用级联结构完成特征提取,避免维度增加带来的模型复杂度和预训练困难的问题,在Aff-Wild2和AVEC2016数据集上展开实验验证所提方法的有效性,并对两种方法进行对比分析。(2)提出一种基于Res Net和优化TCN的维度情感识别方法,在TCN网络中加入时间注意力模块捕捉序列内部特征点的关系,并通过双膨胀卷积结构解决TCN浅层网络感受野小以及深层网络无法感知局部信息的问题。实验结果表明,该方法具有良好的情感识别性能。(3)提出一种基于多任务和多模态的维度情感识别算法,利用不同情感表征之间的内在关联,以情感分类任务辅助维度情感识别任务。并采用基于Leader-Follower思想和注意力机制的特征融合方法来融合音频特征以及视频特征。实验结果表明,该方法取得了优秀的识别效果。本文提出的网络模型分别在Aff-Wild2和AVEC2016上进行了实验测试,平均识别精度分别为0.624和0.701,与其他主流的维度情感识别模型进行比较,发现本文模型具有更高的识别精度。
基于深度学习的多任务人脸识别系统研究
这是一篇关于多任务,人脸检测,人脸追踪,人脸识别,超分辨率重建的论文, 主要内容为人脸检测与识别研究一直以来都是计算机视觉领域的热门研究方向,人脸检测识别是利用信息化手段对静态人脸或动态人脸进行检测定位,并依靠人脸信息实现身份识别的过程。但在实际应用中,传统人脸检测识别方法很难达到快速、精准的效果,对于动态人脸以及多张人脸,利用传统方法很难进行快速稳定的捕获,而且受采集装置限制,低分辨率图像也会对人脸识别效果造成较大影响。基于此,本文基于深度学习算法研究了一种适用于静态人脸检测识别、动态人脸检测识别以及低分辨率人脸检测识别的多任务人脸识别系统,整体系统可实现多人脸检测、多人脸追踪、多人脸识别以及图像超分辨率重建多种任务。为兼顾算法性能以及实用性,本文采用了MTCNN(Multi-task Convolutional Neural Network)人脸检测算法,并在其基础上进行了改进。首先,本文在保证检测精度的前提下实现了更快速的人脸检测,先利用固定尺寸卷积替代池化层以提取更多信息特征,再使用深度可分离方法进行二次改进大幅度减小模型计算量。经测试,改进后模型在FDDB数据集上召回率达94.55%,仅降低0.5%,而平均推理速度约提高74%。其次,为了增强多人脸的检测效果,引入Soft-NMS算法替换NMS(Non-Maximum Supression)算法,并通过增强数据的方法提高了模型对弱光环境中人脸、侧脸的检测能力。在动态人脸检测过程中,如果人脸过多、人脸不正、人脸移动或发生人脸交错的情况,只依靠检测算法无法稳定捕捉到动态人脸。因此为实现动态人脸有效稳定地捕捉,本文利用卡尔曼滤波和匈牙利函数搭建了人脸追踪模块。该模块辅助人脸检测模块运行,可实现多人脸追踪,提高了动态人脸捕捉稳定性。本文人脸识别算法采用了Mobile Face Net,为提高人脸识别准确率,本文基于通道注意力机制及HDC(Hybrid Dilated Convolution)结构对Mobile Face Net进行了改进。通过添加注意力模块增强通道信息关注度,实现自适应特征优化,并使用HDC结构改进网络前端部分。与Mobile Face Net相对比,改进后模型在LFW数据集上测试准确率提高0.24%。针对图像分辨率低导致人脸识别效果不佳的问题,本文研究搭建了超分辨率重建模块。超分算法基于ESPCN(Efficient Sub-pixel Convolutional Neural Network)进行改进,先使用串联小卷积取代大卷积,再将传统卷积改进为MLPConv结构,引入了更强的非线性,且在训练中使用Smooth L1损失。对比ESPCN,改进后模型在Set5、Set14以及BSDS200数据集上PSNR(Peak Signal to Noise Ratio)均值分别提高0.35d B、0.29d B、0.28d B,SSIM(Structural Similarity Index Measure)均值分别提高0.0023、0.0022、0.0019。本文通过静态人脸识别测试、动态人脸识别测试、低分辨率人脸识别测试以及真实环境中多人脸识别测试等多种场景对系统运行情况进行了测试,测试均基于Pytorch框架实现模型推理,当摄像头采集分辨率为640×480时,基于CPU运行系统检测动态的单人脸和4人脸所用时间分别约为43ms和70ms,人脸识别所用时间约为36ms;以50×70图像测试图像超分模块,处理图像用时约为14ms。
社交图增强的神经协同过滤推荐
这是一篇关于推荐系统,多任务,图卷积,社交推荐的论文, 主要内容为伴随着互联网技术的迅速发展,我们迎来了信息爆炸的时代。我们在享受获取信息便利性的同时,同样苦恼于如何从大量的信息数据中快速准确地获得自己真正需要的信息。近年来,推荐系统作为有效解决信息泛滥的手段引起了国内外大量研究人员的关注。其中,协同过滤(Collaborative Filtering,CF)方法通过利用用户的历史交互信息来挖掘用户的兴趣偏好,获得了巨大成功。然而,基于CF的方法通常存在数据稀疏性和冷启动问题。为了解决这些局限性,研究者指出可以在CF中加入一些辅助信息,如社交网络、属性、上下文等。另一方面,现有的研究已经证明,传统的协同过滤方法可能不足以获得到深层的语义丰富的嵌入。针对现有方法的不足之处,本文的研究内容包括:(1)研究了基于多任务的社交推荐模型。针对CF存在的数据稀疏性和冷启动的问题,我们提出了一种融合社交网络和知识图谱的深度学习模型。该模型主要包括两个模块:推荐模块和知识图嵌入模块。其中推荐模块通过共享用户社交特征空间实现用户的点击率预测。知识图谱嵌入核心目标是在将知识图谱中的实体和关系映射到低维向量空间的同时,仍保留其结构信息。采取多任务学习范式,利用两个相关任务中共同包含的有用信息来帮助提高整个模型的泛化性能。通过实验对比分析,证明了本文所提模型与其他基线相比具有更好的性能。(2)研究了基于图卷积的社交推荐模型。针对CF方法不能捕捉到用户-物品之间深层的语义信息,本文提出了一种新颖的基于图卷积的端到端的推荐框架。该推荐模型在重建用户-物品的交互时,显式建模用户-物品、用户社交网络以及物品协同相似网络三者之间的高阶连接性来提高嵌入表示。通过堆叠多层嵌入传播层,有效地捕捉到社交网络和物品协同相似网络中用户的潜在偏好。此外,利用门控机制进行特征融合,可以捕捉到节点的深层语义信息。通过实验对比分析,证明了本文所提模型在实验结果上优于现有的部分模型。(3)设计并开发了一个用于商品推荐的在线平台。平台支持新用户通过注册界面进行个人账号的注册,从而使用账号密码的方式进入并使用该平台。普通用户可以使用平台所提供的社交好友关联服务和商品推荐服务。管理员用户可以调用后台监控功能实时掌握普通用户对系统的使用情况。综上,本文分别从多任务训练和高阶连通性两个角度利用社交关系,并提出了两个基于深度神经网络的推荐模型。实验结果证明了本文所提模型在性能表现上优于其他模型。最后本文基于所提出的模型,开发了一个用于商品推荐的在线商品推荐平台。
复杂实时控制系统的设计平台开发
这是一篇关于复杂实时控制系统,控制模块,多任务,远程通讯,共享内存,NML,递阶分布的论文, 主要内容为本文分析了当前实现复杂实时控制系统所面临的问题，提出了基于控制模块以递阶分布控制结构实现复杂实时控制系统的方法；建立了控制模块的结构，详细地介绍了实现控制模块的方法。并以具体的实例详细阐述了实现递阶分布实时控制系统(HDRCS)的设计方法和步骤。 分析了控制模块之间的通讯机理，详细地介绍了基于消息传递的控制模块间的通讯方法，和应用于控制工程的实时控制系统Lib库的开发。最后，说明了如何用Java开发复杂实时控制系统设计工具的过程。 关于控制系统的监控方面，为了使在不同平台下，监控工具具有统一的界面，我们采用Java语言来开发监控工具。同时，我们以B／S结构，C++服务器和Java客户实现监控界面的Web功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/54190.html
