论文部分内容阅读
多传感器数据分类与目标检测方法研究
【机 构】
：
北京化工大学
【出 处】
：
北京化工大学
【发表日期】
：
2021年01期
【基金项目】
：
其他文献
人脸表情识别算法在计算机视觉领域有着重要的理论研究价值和实际应用意义。近年来，随着人工智能领域的不断发展，人脸表情识别的应用日渐广泛。 随着深度学习的研究逐渐深入，深度卷积神经网络成为了计算机视觉各个任务算法的主要选择之一。人脸表情识别的准确性通常会受到人脸局部遮挡、角度变化的影响。针对这一问题，本文首先利用人脸关键点定位算法对人脸进行对齐和区域划分，接着在表情识别算法中引入了注意力机制，实现了
学位
为提升与距离相关条件下阵元级信号仿真的逼真性和实时性，本文针对现有的简正波模型、抛物近似模型以及射线模型在进行阵元级信号仿真中的局限性，开展了与距离相关条件下的水声信道传播特性和信道冲击响应函数计算方法优化研究。 针对KRAKEN模型不能计算与距离相关信道传播特性的局限性，对基于绝热耦合简正波理论的MOATL模型进行了改进，利用本征函数归一化公式，实现了MOATL模型本征函数归一化计算，增加了信
学位
随着压缩感知技术的发展，人们意识到利用系统固有的稀疏特性能够提升传统自适应滤波技术的性能。基于两种典型的设计思想：范数正则化和“成比例”调节，稀疏自适应滤波技术也已经得到广泛研究。基于范数正则化思想的稀疏自适应滤波技术通过将非活跃抽头迫零提升了传统算法的稳态性能，代表性的算法有l1-最小均方(Least-Mean-Squares,LMS)算法， l0-LMS算法， l1-递归最小二乘（Recurs
学位
目标检测广泛应用于安防，智慧医疗，自动驾驶等各个领域，是计算机视觉中重要的组成部分。对目标检测算法的可靠性和准确性进行分析，有利于促进算法的实际应用。本文围绕基于深度卷积网络的目标检测算法进行探索，着力于缓解目标检测算法面临的一些主要问题，提高算法的鲁棒性。本文的工作一方面为多尺度物体检测提供了新的研究思路，另一方面也为算法中检测结构的设计提供了新的方案。本文的主要工作内容如下： 首先，介绍了目
学位
声场景分类是指通过对音频信号进行处理，提取出声学特征进而区分出每段音频所属的声音场景，在智能降噪、智能手机、自动驾驶等领域有着重要的作用。随着近年来深度学习算法的创新和硬件设备计算力的提升，深度学习方法逐渐被应用于计算机视觉、自然语言处理、语音识别等领域。相较于传统的机器学习模型，神经网络有着很好的泛化性能并且很适合于处理海量的数据。本文利用深度学习领域的卷积神经网络对音频的特征谱图进行建模，并结
学位
随着信号处理技术的不断发展以及大数据时代的到来，人们对于信号处理技术的要求越来越高，传统采样技术已经大大限制了人们对数据的需求，压缩感知（Compressive Sensing, CS）理论提供了全新的采样思路，该方法针对稀疏信号，将采样和压缩同时进行，极大程度上减少了所需的设备存储传输空间，并通过所设计的优化算法仅用少量观测数据精确重构原始稀疏信号。 压缩感知理论主要包括三部分，信号的稀疏表示
学位
在当代的各种视觉任务中，深度卷积神经网络都验证了它的有效性，但它的有效性依赖于庞大的参数量和昂贵的计算资源，使大型的神经网络很难在计算资源和存储资源受限的设备上运行。因此，在保证网络性能的前提下对深度卷积神经网络进行压缩和加速是十分必要的。为解决这一问题，本文对神经网络滤波器裁剪以及网络量化开展研究，并进行了以下工作： 首先，本文对卷积神经网络进行了理论介绍。从网络的卷积层、激活函数、BN 层以
学位