检索结果-南通市图书馆

capsnet-FR: Capsule Networks for Improved Recognition of Facial Features

Computers, Materials & Continua 2024年第5期79卷 2169-2186页

作者： Mahmood Ul Haq Muhammad Athar Javed Sethi Najib Ben Aoun Ala Saleh Alluhaidan Sadique Ahmad Zahid farid Department of Computer System Engineering University of Engineering&TechnologyPeshawar25000Pakistan College of Computer Science and Information Technology Al-Baha UniversityAlaqiq65779-7738Saudi Arabia REGIM-Lab:Research Groups in Intelligent Machines National School of Engineers of Sfax(ENIS)University of SfaxSfax3038Tunisia Department of Information Systems College of Computer and Information SciencesPrincess Nourah bint Abdulrahman UniversityRiyadh84428Saudi Arabia EIAS:Data Science and Blockchain Laboratory College of Computer and Information SciencesPrince Sultan UniversityRiyadh11586Saudi Arabia Department of Computer Sciences Bahria University Karachi CampusKarachi541004Pakistan Department of Electrical Engineering Abasyn UniversityPeshawar25000Pakistan

Face recognition (FR) technology has numerous applications in artificial intelligence including biometrics, security,authentication, law enforcement, and surveillance. Deep learning (DL) models, notably convolutional neuralnetworks (CNNs), have shown promising results in the field of FR. However CNNs are easily fooled since theydo not encode position and orientation correlations between features. Hinton et al. envisioned Capsule Networksas a more robust design capable of retaining pose information and spatial correlations to recognize objects morelike the brain does. Lower-level capsules hold 8-dimensional vectors of attributes like position, hue, texture, andso on, which are routed to higher-level capsules via a new routing by agreement algorithm. This provides capsulenetworks with viewpoint invariance, which has previously evaded CNNs. This research presents a FR model basedon capsule networks that was tested using the LFW dataset, COMSATS face dataset, and own acquired photos usingcameras measuring 128 × 128 pixels, 40 × 40 pixels, and 30 × 30 pixels. The trained model outperforms state-ofthe-art algorithms, achieving 95.82% test accuracy and performing well on unseen faces that have been blurred orrotated. Additionally, the suggested model outperformed the recently released approaches on the COMSATS facedataset, achieving a high accuracy of 92.47%. Based on the results of this research as well as previous results, capsulenetworks perform better than deeper CNNs on unobserved altered data because of their special equivarianceproperties.

关键词： capsnet face recognition artificial intelligence

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Deepfake Video Detection Based on Improved capsnet and Temporal–Spatial Features

引用

Computers, Materials & Continua 2023年第4期75卷 715-740页

作者： Tianliang Lu Yuxuan Bao Lanting Li People’s Public Security University of China Beijing100038China

Rapid development of deepfake technology led to the spread of forged audios and videos across network platforms,presenting risks for numerous countries,societies,and individuals,and posing a serious threat to cyberspace security.To address the problem of insufficient extraction of spatial features and the fact that temporal features are not considered in the deepfake video detection,we propose a detection method based on improved capsnet and temporal–spatial features(icapsnet–TSF).First,the dynamic routing algorithm of capsnet is improved using weight initialization and updating.Then,the optical flow algorithm is used to extract interframe temporal features of the videos to form a dataset of temporal–spatial features.Finally,the icapsnet model is employed to fully learn the temporal–spatial features of facial videos,and the results are fused.Experimental results show that the detection accuracy of icapsnet–TSF reaches 94.07%,98.83%,and 98.50%on the Celeb-DF,FaceSwap,and Deepfakes datasets,respectively,displaying a better performance than most existing mainstream algorithms.The icapsnet–TSF method combines the capsule network and the optical flow algorithm,providing a novel strategy for the deepfake detection,which is of great significance to the prevention of deepfake attacks and the preservation of cyberspace security.

关键词： Deepfake detection capsnet optical flow algorithm temporal–spatial features

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Emotion Recognition with Capsule Neural Network

引用

Computer Systems Science & Engineering 2022年第6期41卷 1083-1098页

作者： Loan Trinh Van Quang H.Nguyen Thuy Dao Thi Le School of Information and Communication Technology Hanoi University of Science and TechnologyHanoi10000Vietnam Faculty of Information Technology University of Transport and CommunicationsHanoi10000Vietnam

For human-machine communication to be as effective as human-tohuman communication, research on speech emotion recognition is essential.Among the models and the classifiers used to recognize emotions, neural networks appear to be promising due to the network’s ability to learn and the diversity in configuration. Following the convolutional neural network, a capsuleneural network (capsnet) with inputs and outputs that are not scalar quantitiesbut vectors allows the network to determine the part-whole relationships thatare specific 6 for an object. This paper performs speech emotion recognition basedon capsnet. The corpora for speech emotion recognition have been augmented byadding white noise and changing voices. The feature parameters of the recognition system input are mel spectrum images along with the characteristics of thesound source, vocal tract and prosody. For the German emotional corpus EMODB, the average accuracy score for 4 emotions, neutral, boredom, anger and happiness, is 99.69%. For Vietnamese emotional corpus BKEmo, this score is94.23% for 4 emotions, neutral, sadness, anger and happiness. The accuracy scoreis highest when combining all the above feature parameters, and this scoreincreases significantly when combining mel spectrum images with the featuresdirectly related to the fundamental frequency.

关键词： Emotion recognition capsnet data augmentation mel spectrum image fundamental frequency

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Teamwork Optimization with Deep Learning Based Fall Detection for IoT-Enabled Smart Healthcare System

引用

Computers, Materials & Continua 2023年第4期75卷 1353-1369页

作者： Sarah B.Basahel Saleh Bajaba Mohammad Yamin Sachi Nandan Mohanty E.Laxmi Lydia Department of Management Information Systems Faculty of Economics and AdministrationKing Abdulaziz UniversityJeddahSaudi Arabia Department of business Administration Faculty of Economics and AdministrationKing Abdulaziz UniversityJeddah21589Saudi Arabia Department of Management Information Systems Faculty of Economics and AdministrationKing Abdulaziz UniversityJeddah21589Saudi Arabia School of Computer Science&Engineering(SCOPE) VIT-AP UniversityAmaravatiAndhra PradeshIndia Department of Computer Science and Engineering GMR Institute of TechnologyAndhra PradeshRajam 532127India

The current advancement in cloud computing,Artificial Intelligence(AI),and the Internet of Things(IoT)transformed the traditional healthcare system into smart healthcare.Healthcare services could be enhanced by incorporating key techniques like AI and IoT.The convergence of AI and IoT provides distinct opportunities in the medical field.Fall is regarded as a primary cause of death or post-traumatic complication for the ageing population.Therefore,earlier detection of older person falls in smart homes is required to improve the survival rate of an individual or provide the necessary support.Lately,the emergence of IoT,AI,smartphones,wearables,and so on making it possible to design fall detection(FD)systems for smart home care.This article introduces a new Teamwork Optimization with Deep Learning based Fall Detection for IoT Enabled Smart Healthcare Systems(TWODLFDSHS).The TWODL-FDSHS technique’s goal is to detect fall events for a smart healthcare system.Initially,the presented TWODL-FDSHS technique exploits IoT devices for the data collection process.Next,the TWODLFDSHS technique applies the TWO with Capsule Network(capsnet)model for feature extraction.At last,a deep random vector functional link network(DRVFLN)with an Adam optimizer is exploited for fall event detection.A wide range of simulations took place to exhibit the enhanced performance of the presentedTWODL-FDSHS technique.The experimental outcomes stated the enhancements of the TWODL-FDSHS method over other models with increased accuracy of 98.30%on the URFD dataset.

关键词： Internet of things smart healthcare deep learning team work optimizer capsnet fall detection

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于capsnet的行人检测方法及评价

引用

交通运输系统工程与信息 2019年第3期19卷 54-61页

作者：邵毅明屈治华邓天民朱杰重庆交通大学交通运输学院

为了提高道路环境中行人目标检测的准确率,改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题,本文提出了一种基于capsnet的行人检测模型.capsnet由神经元所构成的Capsule组成,通过动态路由协议对物体的实例化... 详细信息

为了提高道路环境中行人目标检测的准确率,改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题,本文提出了一种基于capsnet的行人检测模型.capsnet由神经元所构成的Capsule组成,通过动态路由协议对物体的实例化参数进行表达和传递,保留了各特征对象间的空间层级,采用Caltech公开数据库对所提算法的有效性进行验证,并在检测准确率及算法耗时等方面与其他算法进行对比.实验结果表明:相比于其他主流检测算法,本文算法在确保检测效率的前提下,对数平均漏检率最低可降至9.17%;且在Caltech、INRIA和NICTA数据集的交叉验证实验中,也能达到良好的检测效果,具有较好的鲁棒性和泛化能力.

关键词：智能交通行人检测 capsnet 机器视觉深度学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于特征扩展capsnet的轴承故障诊断模型

引用

测控技术 2023年第1期42卷 21-27页

作者：周益天孔军伟张新良舟山洋旺纳新科技有限公司浙江舟山316000 河南理工大学电气工程与自动化学院河南省煤矿装备智能检测与控制重点实验室河南焦作454003

基于深度网络的轴承故障诊断模型,其深层次的特征提取往往需要大量的训练样本,诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(capsnet)在处理小样本数据上的优势,通过扩展故障特征向量和改进预测胶囊迭代约束条件,使网络适用... 详细信息

基于深度网络的轴承故障诊断模型,其深层次的特征提取往往需要大量的训练样本,诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(capsnet)在处理小样本数据上的优势,通过扩展故障特征向量和改进预测胶囊迭代约束条件,使网络适用于噪声工况下的轴承故障诊断,提高预测精度。在capsnet的初级胶囊层引入特征图跨通道约束关系,由原来的通道内约束改进为通道内-通道间混合约束,扩展胶囊特征向量,使其能描述故障信号时间序列中与远距离序列点相关的几何特性,为数字胶囊层预测网络提供更完备的故障特征。同时,利用余弦相似度作为特征向量的度量并为数字胶囊层的迭代筛选提供依据,避免向量模值造成的分类误差。凯斯西储大学(CWRU)轴承数据集实验结果表明,改进的icapsnet诊断模型泛化性能得到明显提升,在信噪比为0 dB时,预测精度可达到90.9%,相比原capsnet模型提高了44.8%。

关键词：噪声抑制特征扩展混合约束余弦相似度度量 capsnet 故障诊断

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于capsnet的中文文本分类研究

引用

数据分析与知识发现 2018年第12期2卷 68-76页

作者：冯国明张晓冬刘素辉北京科技大学经济管理学院北京100083

【目的】解决长文本的表示问题并将capsnet应用于中文文本分类任务中,提高分类精度。【方法】针对长文本提出LDA矩阵和词向量体表示法,并结合capsnet提出基于capsnet的中文文本分类模型。以搜狗新闻语料与复旦大学文本分类语料作为实验... 详细信息

【目的】解决长文本的表示问题并将capsnet应用于中文文本分类任务中,提高分类精度。【方法】针对长文本提出LDA矩阵和词向量体表示法,并结合capsnet提出基于capsnet的中文文本分类模型。以搜狗新闻语料与复旦大学文本分类语料作为实验数据,将TextCNN、DNN等模型作为对比对象进行文本分类实验与分析。【结果】capsnet模型在中文文本分类的各评价指标上均优于其他模型,在5类短文本、长文本分类中准确率分别达89.6%、96.9%,且收敛速度比CNN模型快近两倍。【局限】模型计算时间复杂度高,实验语料规模受限。【结论】本文方法和capsnet模型在中文文本分类中相对于已有方法有更好的准确率、收敛速度和鲁棒性。

关键词：文本分类 capsnet 深度学习文本表示 TextCNN

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进capsnet的交通标志分类模型

引用

计算机应用研究 2020年第S2期37卷 367-368,371页

作者：陈名松吴冉冉张泽功吴泳蓉桂林电子科技大学信息与通信学院广西桂林514000

为了解决传统标量卷积网络识别交通标志时容易丢失位置、姿态信息的问题,提出一种基于改进Caps Net的交通标志分类模型。Caps Net由胶囊(capsule)组成,通过动态路由算法对目标实体的特性(颜色、位置、姿态)进行表达和传递,充分保留了图... 详细信息

为了解决传统标量卷积网络识别交通标志时容易丢失位置、姿态信息的问题,提出一种基于改进Caps Net的交通标志分类模型。Caps Net由胶囊(capsule)组成,通过动态路由算法对目标实体的特性(颜色、位置、姿态)进行表达和传递,充分保留了图像的空间特征。分析了交通标志特征,并基于德国交通标志数据集GTSRB,与传统卷积神经网络(CNN)识别效果进行了对比。实验表明,基于改进Caps Net的交通标志分类模型识别率高达98.73%且收敛速度更快。

关键词：交通标志分类神经网络 capsnet

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

AI新算法模型capsnet在方法论上的革新

引用

自然辩证法研究 2019年第1期35卷 101-105页

作者：董玲华南师范大学公共管理学院广州510006

深度学习之父杰弗里·辛顿构造了新算法模型—Caps Net,用胶囊(Capsule)来模拟大脑皮质中的皮质柱并用之来存储概念性知识,并革命性地重新把分析还原方法引进卷积神经网络(CNN)中。本文认为辛顿在方法论上的革新体现在重归模拟人脑之路... 详细信息

深度学习之父杰弗里·辛顿构造了新算法模型—Caps Net,用胶囊(Capsule)来模拟大脑皮质中的皮质柱并用之来存储概念性知识,并革命性地重新把分析还原方法引进卷积神经网络(CNN)中。本文认为辛顿在方法论上的革新体现在重归模拟人脑之路和建构非完全性还原方法,反映了他关于"如何实现类人智能"的思考:"意识"产生于同时具备概念能力和非概念能力的神经网络。这或将在AI领域引发范式变革。

关键词：深度学习 capsnet 非完全性还原方法意识范式变革

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于capsnet的飞控参数预测算法

引用

计算机应用与软件 2021年第12期38卷 36-41页

作者：张鹏刘颖欣段照斌王力中国民航大学适航学院天津300300 中国民航大学电子信息与自动化学院天津300300 中国民航大学工程技术训练中心天津300300 中国民航大学职业技术学院天津300300

针对飞行控制系统(Flight Control System,FCS)一直以来难以进行故障预测的问题,提出一种基于胶囊网络(Capsule Network,capsnet)的飞控参数预测算法。通过将飞控系统的相关多个参数融合输入到模型中来实时预测单个参数在飞机飞行中的变... 详细信息

针对飞行控制系统(Flight Control System,FCS)一直以来难以进行故障预测的问题,提出一种基于胶囊网络(Capsule Network,capsnet)的飞控参数预测算法。通过将飞控系统的相关多个参数融合输入到模型中来实时预测单个参数在飞机飞行中的变化,从而可以在其发生故障之前及时排除。在基于Keras框架上进行的实验表明:在四种模型性能评估指标上,capsnet的方法比传统的卷积神经网络(Convolutional Neural Network,CNN)、长短时记忆网络(Long Short-Term Memory,LSTM)在单步以及多步预测上误差平均降低37.1%、8.1%,可以为飞控系统故障预测提供重大参考。

关键词： FCS capsnet 参数预测 CNN LSTM

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：