检索结果

Select

1. 基于深度卷积长短时神经网络的视频帧预测

张德正, 翁理国, 夏旻, 曹辉

计算机应用 2019, 39 (6): 1657-1662. DOI: 10.11772/j.issn.1001-9081.2018122551

摘要（525）

PDF （1005KB）（375）

针对视频帧预测中难以准确预测空间结构信息细节的问题，通过对卷积长短时记忆（LSTM）神经网络的改进，提出了一种深度卷积长短时神经网络的方法。首先，将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中，由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征；然后，将学习到的变化特征输入到与编码网络通道数对应的解码网络中，由解码网络输出预测的下一张图；最后，将这张图输入回解码网络中，预测接下来的一张图，循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比，在Moving-MNIST数据集上的实验中，相同训练步数下所提方法不仅保留了位置信息预测准确的特点，而且空间结构信息细节表征能力更强。同时，将卷积门控循环单元（GRU）神经网络的卷积层加深后，该方法在空间结构信息细节表征上也取得了提升，检验了该方法思想的通用性。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于多维多粒度级联森林的高原地区云雪分类

翁理国, 刘万安, 施必成, 夏旻

计算机应用 2018, 38 (8): 2218-2223. DOI: 10.11772/j.issn.1001-9081.2018010218

摘要（875）

PDF （1085KB）（549）

针对传统算法如支持向量机（SVM）、随机森林不能充分利用卫星图像的纹理特征和光学参数的问题，提出一种基于多维多粒度级联森林（M-gcForest）的方法进行准确又快速的云雪识别。首先，根据单光谱和多光谱图像之间的差异性，选择SVM、随机森林、卷积神经网络（CNN）、多粒度级联森林（gcForest）在单光谱卫星图像上进行云雪识别；然后，通过定量分析各算法在单光谱图像上的性能，选择CNN和M-gcForest进行多光谱云雪识别；最后，利用改进的M-gcForest对HJ-1A/1B多光谱卫星图像进行预测。实验结果表明，与CNN相比，M-gcForest在多光谱数据集上的测试准确率提升了0.32%，训练耗时减少了91.2%，测试耗时减少了53.7%。因此，该算法在实时而准确的雪灾监测任务中具有实用性。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于加权密集连接卷积网络的深度强化学习方法

夏旻, 宋稳柱, 施必成, 刘佳

计算机应用 2018, 38 (8): 2141-2147. DOI: 10.11772/j.issn.1001-9081.2018010268

摘要（633）

PDF （1090KB）（837）

针对深度强化学习中卷积神经网络（CNN）层数过深导致的梯度消失问题，提出一种将密集连接卷积网络应用于强化学习的方法。首先，利用密集连接卷积网络中的跨层连接结构进行图像特征的有效提取；然后，在密集连接卷积网络中加入权重系数，加权密集连接卷积网络中的每一层都接收到前面几层产生的所有特征图，且之前所有层在跨层连接中被赋予不同的初始权重；最后，在训练中动态调整每层的权重，从而更加有效地提取特征。与常规深度强化学习方法相比，在GridWorld仿真实验中，在相同训练步数内的平均奖励值提升了85.67%；在FlappyBird仿真中，平均奖励值提升了55.05%。实验结果表明所提方法能在不同难度的游戏仿真实验中获得更好的性能。

参考文献 | 相关文章 | 多维度评价