【摘 要】
：
为解决传统人脸属性分类训练效率低、模型参数量巨大等问题,本文提出了一种多网络学习框架.该框架包含两个子网络:人脸区域定位网络和属性分类网络,从而实现动态选择不同的人脸区域进行人脸属性预测.此外,本文提出了基于提示的模型压缩技术,在不明显降低准确率的前提下大大压缩网络参数.最后,通过仿真在CelebA人脸属性分类数据集上对所提方法进行性能分析,所提出网络模型平均分类准确率可达到90.89％,网络参数量仅为0.27M.
【机 构】
：
上海工艺美术职业学院,上海610106
论文部分内容阅读
为解决传统人脸属性分类训练效率低、模型参数量巨大等问题,本文提出了一种多网络学习框架.该框架包含两个子网络:人脸区域定位网络和属性分类网络,从而实现动态选择不同的人脸区域进行人脸属性预测.此外,本文提出了基于提示的模型压缩技术,在不明显降低准确率的前提下大大压缩网络参数.最后,通过仿真在CelebA人脸属性分类数据集上对所提方法进行性能分析,所提出网络模型平均分类准确率可达到90.89％,网络参数量仅为0.27M.
其他文献
针对近几年驾驶员遗忘后座熟睡幼儿,导致悲剧事故频发的情况,设计一种太阳能车载乘客监测与报警系统,该系统应用红外感应方式设计,感应人体信号,同时采用含有己校准数字信号输出的温度传感器进行温度测量,由物联模块进行上下位机无线通信传输,在设定的报警情况下给手机发送远程报警信号.通过实验和测试,太阳能车载乘客监测与报警系统可以实现在驾驶员离开时后座有被锁乘客的情况下给驾驶员手机发出报警信号,并有内部风扇应急装置,为救援争取时间,系统对该类危险事故起到了防范作用.
为解决沙特轻轨列车牵引谐波电流对轨道电路信号系统的电磁干扰影响问题,在分析谐波电流产生原因和轨道电路工作机理的基础上,通过对谐波电流仿真和测试数据的分析,明确了轨道电路受影响最为严重的工作频率;应用不同方法进行轨道电路内干扰电流测试,确定了干扰电流和列车速度之间关系;综合对比轨道电路抗干扰度实测数据,给出轨道电路在牵引谐波存在条件下工作电磁兼容敏感性结论.
为提高偏高岭土基地质聚合物力学性能,制备了掺有标准砂及细砂的地聚物复合物.设置对比组,通过无侧限抗压测试及PFC3D颗粒流模型研究了细砂粒径及掺入量对偏高岭土基地聚物力学性能的影响.结果表明:15％最大质量分数的标准砂可以小幅提高地聚物的抗压强度,在室温环境下养护28 d后试件强度达到25.40 MPa.细砂可以大幅提高地聚物的抗压强度,减少复合物内部微裂隙,减轻颗粒破坏程度,且细砂粒径越小,效果越显著.当掺入粒径小于0.15 mm,最大质量分数为15％的细砂时,复合物强度达到41.51MPa.随着细砂掺
应用树莓派设计了一种可以自动识别顾客是否佩戴口罩的仿真装置.首先,超声波传感器检测到有人经过时,调用树莓派摄像头进行拍照;照片从客户端传输到服务端计算机,树莓派LED闪烁1s作为提示.运用SSD目标检测算法进行人脸是否佩戴口罩的检测;最后,服务端将检测结果反馈给客户端,如检测到人脸佩戴口罩,舵机会按正反顺序各旋转90°,模拟控制门的开和关,检测到未佩戴口罩舵机不转动表示装置始终呈关闭状态.经测试,SSD模型mAP值达到97.21％,装置可以实现较好的检测效果.
工业生产的跃迁和产业升级紧紧依赖于信息技术的发展,而这其中的关键技术,就是嵌入式技术,即通过向工业产品或工业制造流程中嵌入计算机系统,给工业装备和生产系统增加智慧的大脑,有效提高装备及生产过程的智能化,满足工业生产对高效、可靠、实时、绿色等诸多方面的苛刻要求,最终实现产品或流程的自动化与智能化.
引言rn树莓派与MicroPython相结合是一种面向初学者的友好的编程方式.使用MicroPython添加一个SeeedStudio-RFM95 LoRa模块和一个DS18B20温度传感器,可以快速创建一个LoRaWAN节点.由于只将元器件放在面包板上可能不大稳定,所以本文包含了对PCB的一些建议.
本文在人工智能的基础上利用深度学习结合红外光热成像技术对无人机巡检技术进行研究和优化.首先对红外光热成像技术在电力系统中的应用和无人机巡检技术进行了介绍;然后提出了基于卷积神经网络的目标检测算法,对卷积神经网络的计算原理以及目标检测算法进行说明,并设计了基于深度视觉系统的MobileNetV1-YOLOv3网络预测模型.通过实测分析发现,基于深度学习的轻量级的目标检测网络预测模型定位误差在X、Y、Z三个维度上均低于GPS系统,最小误差仅为0.06 m.
为解决传统电网故障分类器无法准确获得故障线路的信息及定位故障的问题,本文提出了基于深度学习的电网故障预警系统.网络中增加由BI-GRU提取的故障线路时间序列特征,从而提高分类器的精度.此外,通过注意力机制学习不同的故障线路或不同的故障状态的时间序列特征,从而加快网络学习效率.最后,将本文所提框架与LSTM、GRU、BI-LSTM、BI-GRU等网络进行对比,本文所提方法预测准确率可达92.9％.
本文设计了基于深度学习网络的智能交通信号控制系统.使用数据平滑方法消除交通流数据的趋势,利用由多个限制玻尔兹曼机模型构成的深度信念网络模型学习交通流特征,并结合支持向量回归预测短时交通流,根据预测结果和排队消散时间实时判断车流放行方向以及进口放行绿灯时间,实现智能交通信号控制.实验结果表明,分别将延迟时间和节点数设置为10 ms和45个,可获得更优异的短时交通流预测效果.
本文设计了基于FPGA和SATA SSD的小尺寸嵌入式存储系统,通过多路高速接口接收数据,采用DDR缓存、DMA仲裁传输和文件管理等技术,利用MicroBlaze软核实现系统运行和读写控制.测试结果表明,该系统体积小巧、功耗较低、使用灵活,可以实现高速数据稳定可靠存储.