本文選題：深度學習 + 神經(jīng)網(wǎng)絡(luò)��； 參考：《計算機研究與發(fā)展》2017年06期

【摘要】：近幾年來,隨著深度學習技術(shù)的日趨完善,傳統(tǒng)的計算機視覺任務(wù)得到了前所未有的發(fā)展.如何將傳統(tǒng)視覺研究中的領(lǐng)域知識融入到深度模型中提升深度模型的視覺表達能力,從而應(yīng)對更為復雜的視覺任務(wù),成為了學術(shù)界廣泛關(guān)注的問題.鑒于此,以融合了語義知識的深度表達學習為主線展開了一系列研究.取得的主要創(chuàng)新成果包括3個方面:1)研究了將單類型的語義信息(類別相似性)融入到深度特征的學習中,提出了嵌入正則化語義關(guān)聯(lián)的深度Hash學習方法,并將其應(yīng)用于圖像的相似性比對與檢索問題中,取得了較大的性能提升;2)研究了將多類型信息(多重上下文信息)融入到深度特征的學習中,提出了基于長短期記憶神經(jīng)網(wǎng)絡(luò)的場景上下文學習方法,并將其應(yīng)用于復雜場景的幾何屬性分析問題中;3)研究了將視覺數(shù)據(jù)的結(jié)構(gòu)化語義配置融入到深度表達的學習中,提出了融合語法知識的表達學習方法,并將其應(yīng)用到復雜場景下的通用內(nèi)容解析問題中.相關(guān)的實驗結(jié)果表明:該方法能有效地對場景的結(jié)構(gòu)化配置進行預測.
[Abstract]:In recent years, with the improvement of deep learning technology, the traditional computer vision task has been developed unprecedented. How to integrate the domain knowledge of traditional visual research into the depth model to enhance the visual expression ability of the depth model, so as to deal with more complex visual tasks, has become a widespread concern in the academic community. In view of this, a series of researches are carried out based on the deep representation learning of semantic knowledge. The main innovation results obtained include three aspects: 1) this paper studies the integration of single-type semantic information (category similarity) into the learning of depth features, and proposes a method of deep Hash learning with embedded regularized semantic association. It is applied to the similarity comparison and retrieval of images, and a great performance improvement is achieved. (2) the multi-type information (multi-context information) is integrated into the depth feature learning. A scene context learning method based on short and long memory neural networks is proposed and applied to the geometric attribute analysis of complex scenes. (3) the structural semantic configuration of visual data is integrated into the learning of deep representation. This paper proposes a representation learning method of fusion grammar knowledge and applies it to the general content resolution problem in complex scenarios. The experimental results show that the proposed method can effectively predict the structured configuration of the scene.
【作者單位】： 中山大學數(shù)據(jù)科學與計算機學院;
【基金】：國家自然科學基金優(yōu)秀青年科學基金項目(6162200366)~~
【分類號】：TP18;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 高永建 ,吳健康;神經(jīng)網(wǎng)絡(luò)及其識別應(yīng)用簡介[J];電信科學;1990年02期

2 謝國梁;;神經(jīng)網(wǎng)絡(luò):從希望到現(xiàn)實[J];激光與光電子學進展;1991年01期

3 鄭士貴;文獻自動閱讀神經(jīng)網(wǎng)絡(luò)[J];管理科學文摘;1996年08期

4 呂芬;趙生妹;;基于Hopfield神經(jīng)網(wǎng)絡(luò)的噪聲字母識別[J];計算機與信息技術(shù);2005年12期

5 李毅;童紅俊;宋貴寶;李冬;;神經(jīng)網(wǎng)絡(luò)在飛行器航跡仿真計算中的應(yīng)用[J];海軍航空工程學院學報;2006年05期

6 林鋼;;基于SOM神經(jīng)網(wǎng)絡(luò)對潛在客戶的挖掘[J];南寧職業(yè)技術(shù)學院學報;2006年04期

7 楊帆;陳勁杰;唐梅華;陳鑫;;簡論神經(jīng)網(wǎng)絡(luò)在搜索中的應(yīng)用[J];機械管理開發(fā);2008年01期

8 朱紅斌;;LVQ神經(jīng)網(wǎng)絡(luò)在交通事件檢測中的應(yīng)用[J];計算機工程與應(yīng)用;2008年34期

9 李彤巖;李興明;;神經(jīng)網(wǎng)絡(luò)在確定關(guān)聯(lián)規(guī)則挖掘算法權(quán)值中的應(yīng)用研究[J];計算機應(yīng)用研究;2008年05期

10 石文淵;彭軍民;;基于神經(jīng)網(wǎng)絡(luò)的貨幣識別研究[J];西安理工大學學報;2008年02期

相關(guān)會議論文 前10條

1 陳文新;王長富;戴蓓倩;;基于神經(jīng)網(wǎng)絡(luò)的漢語四聲識別[A];第一屆全國語言識別學術(shù)報告與展示會論文集[C];1990年

2 李睿;李明軍;;一種模糊高斯基神經(jīng)網(wǎng)絡(luò)在數(shù)值逼近上的仿真[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學與技術(shù)應(yīng)用（CACIS）學術(shù)會議論文集（上冊）[C];2006年

3 許旭萍;臧道青;;采用Hopfield神經(jīng)網(wǎng)絡(luò)實施缸蓋表面點陣字符識別[A];第十五屆全國汽車檢測技術(shù)年會論文集[C];2011年

4 朱長春;;神經(jīng)網(wǎng)絡(luò)用于線性時固有系統(tǒng)的廣義狀態(tài)轉(zhuǎn)移矩陣的識別[A];中國工程物理研究院科技年報（1999）[C];1999年

5 王玉斌;李永明;王穎;;用數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)預測工程造價[A];第十一屆全國電工數(shù)學學術(shù)年會論文集[C];2007年

6 應(yīng)捷;袁一方;;神經(jīng)網(wǎng)絡(luò)指紋特征點匹配算法的改進[A];2007'中國儀器儀表與測控技術(shù)交流大會論文集（二）[C];2007年

7 謝小良;符卓;;基于Hopfield神經(jīng)網(wǎng)絡(luò)的單周期船舶調(diào)度模型及算法[A];2008年全國開放式分布與并行計算機學術(shù)會議論文集(下冊)[C];2008年

8 陳意;;神經(jīng)網(wǎng)絡(luò)在船舶識別一個應(yīng)用[A];船舶航泊安全的新經(jīng)驗新技術(shù)論文集（上冊）[C];2007年

9 王輝;楊杰;黎明;蔡念;;一種基于神經(jīng)網(wǎng)絡(luò)的圖像復原方法[A];2006年全國光電技術(shù)學術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

10 賈睿;徐啟強;劉艷;;基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)殼結(jié)構(gòu)近似分析研究[A];第二十一屆全國振動與噪聲高技術(shù)及應(yīng)用學術(shù)會議論文集[C];2008年

相關(guān)重要報紙文章 前1條

1 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

相關(guān)博士學位論文 前10條

1 李曉剛;基于神經(jīng)網(wǎng)絡(luò)的碼垛機器人視覺位姿測量及伺服控制研究[D];北京林業(yè)大學;2015年

2 戶保田;基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D];哈爾濱工業(yè)大學;2016年

3 諸勇;正交回歸神經(jīng)網(wǎng)絡(luò)及其在控制系統(tǒng)中的應(yīng)用[D];浙江大學;1998年

4 田景文;地下油藏的仿真與預測[D];哈爾濱工程大學;2001年

5 彭宏京;基于稀疏RAM的神經(jīng)網(wǎng)絡(luò)及其人臉識別應(yīng)用研究[D];南京航空航天大學;2002年

6 王吉權(quán);BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機械化中的應(yīng)用研究[D];沈陽農(nóng)業(yè)大學;2011年

7 郭海湘;石油儲層縱向預測軟硬計算融合的理論與方法研究[D];中國地質(zhì)大學;2008年

8 葛利;基于過程神經(jīng)網(wǎng)絡(luò)的時序數(shù)據(jù)挖掘研究[D];哈爾濱工程大學;2012年

9 柴冰華;色貌模型CIECAM02若干問題的研究[D];北京理工大學;2006年

10 唐云嵐;集成神經(jīng)網(wǎng)絡(luò)和多目標進化算法的卷煙產(chǎn)品參數(shù)優(yōu)化設(shè)計方法及應(yīng)用研究[D];國防科學技術(shù)大學;2008年

相關(guān)碩士學位論文 前10條

1 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學;2015年

2 蔡邦宇;人臉識別中單次ERP時空特征分析及其快速檢索的應(yīng)用[D];浙江大學;2015年

3 鄭川;垃圾評論檢測算法的研究[D];西南交通大學;2015年

4 汪濟民;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測和性別識別研究[D];南京理工大學;2015年

5 彭玲玲;基于不確定理論與機器學習的行人檢測[D];長安大學;2015年

6 楊陳東;BP-Fisher判別分析法[D];長安大學;2015年

7 孟鑫;基于Hadoop云平臺下的客流量預測研究[D];長安大學;2015年

8 張勇;深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用研究[D];鄭州大學;2015年

9 宋璐璐;財經(jīng)職業(yè)技術(shù)學院票務(wù)管理系統(tǒng)的設(shè)計與實現(xiàn)[D];西安工業(yè)大學;2015年

10 陳銳浩;基于神經(jīng)網(wǎng)絡(luò)的口令屬性分析工具開發(fā)[D];上海交通大學;2015年

，

本文編號：1849205