针对目前大规模网络不适合在手机、平板电脑等资源匮乏的移动设备上使用,以及池化层会导致特征图的稀疏性最终影响神经网络识别精度的问题,提出了一个轻量级人脸识别神经网络ShuffaceNet,设计了一个非线性平滑Log-Mean-Exp函数ThetaMEX,并提出了一种端到端可训练的ThetaMEX全局池化层(TGPL),从而在保证算法精度的前提下,减少网络参数、提高运算速度,进而达到有效地将该网络部署在资源匮乏的移动设备上的目的。ShuffaceNet约有3 600个参数,模型大小仅为3.5 MB。在LFW(Labled Faces in the Wild)、AgeDB-30 (Age Database-30)、CFP (Celebrities in Frontal Profile)人脸数据集上的识别测试的结果表明,ShuffaceNet的精度分别达到了99.32%、93.17%、94.51%。与MobileNetV1、SqueezeNet、Xception相比,所提网络的大小分别缩减了73.1%、82.1%、78.5%,在AgeDB-30数据集上的精度分别提高了5.0%、6.3%、6.7%。可见,基于ThetaMEX全局池化的所提网络能够提高模型精度。
针对霾环境中图像降质导致的传统深度估计模型退化问题,提出了一种融合双注意力机制的基于条件生成对抗网络(CGAN)的单幅霾图像深度估计模型。首先,对于模型的生成器的网络结构,提出了融合双注意力机制的DenseUnet结构,其中DenseUnet将密集块作为U-net编码和解码过程中的基本模块,并利用密集连接和跳跃连接在加强信息流动的同时,提取直接传输率图的底层结构特征和高级深度信息。然后,通过双注意力模块自适应地调整空间特征和通道特征的全局依赖关系,同时将最小绝对值损失、感知损失、梯度损失和对抗损失融合为新的结构保持损失函数。最后,将霾图像的直接传输率图作为CGAN的条件,通过生成器和鉴别器的对抗学习估计出霾图像的深度图。在室内数据集NYU Depth v2和室外数据集DIODE上进行训练和测试。实验结果表明,该模型具有更精细的几何结构和更丰富的局部细节。在NYU Depth v2上,与全卷积残差网络相比,对数平均误差(LME)和均方根误差(RMSE)分别降低了7%和10%;在DIODE上,与深度有序回归网络相比,精确度(阈值小于1.25)提高了7.6%。可见,所提模型提高了在霾干扰下深度估计的准确性和泛化能力。
如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时,也带来了庞大的参数量和计算量,使其无法部署在移动或嵌入式设备中。针对以上问题,提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先,对训练样本进行随机区域分块;然后,设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类;最后,为了提高测试准确率,对测试样本进行基于区域分块的数据扩增。实验结果表明,所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率;在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.458 0%的平均分类错误率(ACER),远优于ResNet、ShuffleNet等卷积神经网络,且该模型的参数量也仅有0.258 2 MB。在实际应用中,端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。
为了提高无线传感器网络(WSN)的性能,提出了一种基于改进正弦余弦算法(ESCA)的节点部署优化方法。首先,引入双曲正弦调节因子和动态余弦波权重系数,以平衡算法的全局探索与局部开发能力;然后,提出了一种基于拉普拉斯和高斯分布的变异策略,避免算法陷入局部最优。对于基准函数的优化实验结果表明,ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法(SCA)及其改进算法具有更高的收敛精度和收敛速度。最后,将ESCA应用于WSN节点部署优化,结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点,用更少节点便可达到相同目标精度。
针对非负矩阵分解(NMF)语音增强算法在低信噪比(SNR)非稳定环境下存在噪声残留的问题,提出一种基于感知掩蔽的重构NMF(PM-RNMF)单通道语音增强算法。首先,将心理声学掩蔽特性应用于NMF语音增强算法中;其次,对不同频率位采用不同的掩蔽阈值,建立自适应感知掩蔽增益函数,通过阈值约束残余噪声能量和语音失真能量;最后,结合语音存在概率(SPP)进行感知增益修正,重构NMF算法,以此建立新的目标函数。仿真结果表明,在不同SNR的3种非稳定噪声环境下,与NMF、重构NMF(RNMF)、感知掩蔽深度神经网络(PM-DNN)算法相比,PM-RNMF算法的感知语音质量评估(PESQ)平均值分别提高了0.767、0.474、0.162,信源失真比(SDR)平均值分别提高了2.785、1.197、0.948。实验结果表明,无论是在低频还是高频PM-RNMF有更好的降噪效果。
针对依据专家知识推断贝叶斯网络中条件概率表(CPT)时存在的个体推断信息缺乏完备性和精确性以及整体集成结果缺乏科学性的问题,提出了基于证据理论/层次分析法(DS/AHP)的能够从专家推断信息中提取最优条件概率的方法.首先,通过引入DS/AHP方法中的知识矩阵提出了有利于实现判断对象更直观、判断方式更完善的推断信息提取机制;其次,在此基础上遵循由前至后的推断顺序提出了贝叶斯网络的构建过程;最后,应用传统方法与提出方法对同一贝叶斯网络中的缺失条件概率表进行了推断.数值对比分析表明,所提方法能够在提高计算效率的同时将累计总偏差降低41%,验证了所提方法的科学有效性和应用可行性.