检索结果-南通市图书馆

维普期刊数据库

基于余弦softmax损失的说话人验证研究

在线全文

学校读者我要写书评

暂无评论

应用数学进展 2021年第11期10卷 3883-3889页

作者：谢旗旺周林华长春理工大学数学与统计学院吉林长春

基于神经网络提取说话人嵌入在说话人验证任务上显示出了良好的性能,然而传统的说话人嵌入网络通常采用softmax损失作为训练标准,其说话人特征类间区分不明显。因此本文通过引入负样本对(来自不同类别的两个样本)学习改进softmax损失,... 详细信息

基于神经网络提取说话人嵌入在说话人验证任务上显示出了良好的性能,然而传统的说话人嵌入网络通常采用softmax损失作为训练标准,其说话人特征类间区分不明显。因此本文通过引入负样本对(来自不同类别的两个样本)学习改进softmax损失,在余弦角度空间中学习不同说话人特征存在明显角度间距且同一说话人特征聚集紧密的嵌入特征。在公开数据集AISHELL数据集上进行的说话人验证实验表明,与A-softmax相比,该损失函数的等误差率更低且ROC曲线下面积更大。

关键词： softmax损失说话人嵌入说话人验证角间距

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

双监督信号深度学习的电气设备红外故障识别

红外与激光工程 2018年第7期47卷 22-28页

作者：贾鑫张惊雷温显斌天津市复杂系统控制理论及应用重点实验室天津300384 天津理工大学电气电子工程学院天津300384 天津理工大学计算机视觉与系统教育部重点实验室天津300384

为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常... 详细信息

为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备;最后,基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练,并自行建立700幅电气设备红外故障图像数据集,其中500幅用于训练,200幅用于测试。实验结果表明:使用双监督信号深度学习算法测试准确率达到98.6%,比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。

关键词：红外故障识别 softmax损失中心损失卷积神经网络

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

深度卷积神经网络的判别性人脸识别算法

华中科技大学学报（自然科学版） 2019年第10期47卷 127-132页

作者：任克强胡慧江西理工大学信息工程学院

针对softmax(柔性最大值)损失对特征只有可分性的不足,提出一种基于深度卷积神经网络的判别性人脸识别算法.该算法首先根据softmax损失特征分布,在特征和权重向量间施加一个类内余弦相似性损失,使类内更加紧凑,类间尽可能分离;然后在Sof... 详细信息

针对softmax(柔性最大值)损失对特征只有可分性的不足,提出一种基于深度卷积神经网络的判别性人脸识别算法.该算法首先根据softmax损失特征分布,在特征和权重向量间施加一个类内余弦相似性损失,使类内更加紧凑,类间尽可能分离;然后在softmax损失基础上通过归一化特征来更好地模拟低质量人脸图像,并通过归一化权重来减轻类别不平衡,使与测试时的余弦相似性度量一致;最后联合归一化的softmax损失和类内余弦相似性损失在预训练模型上进行微调.该算法在人脸识别基准测试集LFW(户外人脸标记)和YTF(You Tube人脸数据库)上分别取得了98.72%和93.38%的识别率,实验结果表明:在大规模人脸身份识别中,该算法提高了特征的判别性,增强了模型的泛化能力,能有效提高人脸识别率.

关键词：人脸识别深度卷积神经网络 softmax损失类内余弦相似性损失归一化

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

改进的轻量化人脸识别算法

智能系统学报 2023年第3期18卷 544-551页

作者：屈东东贺利乐何林西安建筑科技大学机电工程学院陕西西安710055 西安建筑科技大学理学院陕西西安710055

嵌入式平台计算资源有限,无法实时运行计算量和参数量巨大的深度学习模型。基于mobilenet v2提出一种改进的轻量化人脸识别算法L-mobilenet v2,首先对原有网络结构进行优化,然后以三元损失函数为主,将传统分类任务中的softmax损失改为Am... 详细信息

嵌入式平台计算资源有限,无法实时运行计算量和参数量巨大的深度学习模型。基于mobilenet v2提出一种改进的轻量化人脸识别算法L-mobilenet v2,首先对原有网络结构进行优化,然后以三元损失函数为主,将传统分类任务中的softmax损失改为Am-softmax作为辅助损失函数,使用10575个人的49万张图片进行联合训练。相比于改进前的模型及训练方法,新模型在LFW测试集和自制数据集的识别准确率达到98.56%和95%,将模型参数量缩减72.3%的同时将识别准确率提高了1.56%和7.1%,在嵌入式平台Jetson nano上的平均识别帧率提升了36.3%。该模型可以在计算资源受限的移动端实时运行。

关键词：嵌入式平台深度学习人脸识别轻量化网络 mobilenet v2模型 softmax损失 Am-softmax损失 Jetson nano平台

维普期刊数据库博看期刊

基于双监督信号卷积神经网络的电气设备红外故障识别研究

在线全文

学校读者我要写书评

暂无评论

基于双监督信号卷积神经网络的电气设备红外故障识别研究

作者：贾鑫天津理工大学

学位级别：硕士

随着红外成像技术的发展,使用红外仪器设备对电气设备进行热故障检测诊断已经成为电力设备巡检的主流方法之一。为了提高电力系统智能化水平,解决变电站电气设备热故障精准检测的问题,本文以深度学习技术为理论依据,提出了一种基于双监... 详细信息

随着红外成像技术的发展,使用红外仪器设备对电气设备进行热故障检测诊断已经成为电力设备巡检的主流方法之一。为了提高电力系统智能化水平,解决变电站电气设备热故障精准检测的问题,本文以深度学习技术为理论依据,提出了一种基于双监督信号卷积神经网络的电气设备红外故障识别方法。在设备故障图像预处理阶段,针对红外图像成像特点,本文提出了一种基于Slic超像素分割的HSV空间变换算法定位故障设备区域。通过Slic超像素分割算法合并相似像素成区域块,然后根据改进后HSV空间的亮度信息判别设备图像中的温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备。在识别阶段,本文使用GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,提出了采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练的算法。为评估算法性能,本文自行建立了含有700幅常见电气设备红外故障图像的数据集,其中500幅用于网络训练,200幅用于实验测试。实验结果表明,使用双监督信号深度学习算法测试准确率达98.6%,比单独使用softmax损失时准确率提高了1%。本文系统能够对变压器套管,电流互感器,绝缘子,避雷器,隔离开关,变压器,断路器,电缆,架空线路导线,变压器冷却器等十种电气设备及其对应故障精准定位,识别。

关键词：卷积神经网络红外故障识别 softmax损失中心损失

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂声音场景下语种识别方法研究

复杂声音场景下语种识别方法研究

作者：蓝海乐哈尔滨理工大学

学位级别：硕士

随着信息技术与人工智能的发展,为了便捷人类的生活,多语言语音人机交互系统逐渐发展起来。语种识别作为多语言语音人机交互系统的前端处理环节,其识别的效果将直接影响后续人机交互系统的使用,具有巨大的研究意义和应用价值。如何提高... 详细信息

随着信息技术与人工智能的发展,为了便捷人类的生活,多语言语音人机交互系统逐渐发展起来。语种识别作为多语言语音人机交互系统的前端处理环节,其识别的效果将直接影响后续人机交互系统的使用,具有巨大的研究意义和应用价值。如何提高复杂声音场景下语种识别系统的识别能力,是目前语种识别领域比较具有挑战性的问题。因此,需要深入研究不受环境影响的、能代表语言特点的嵌入特征。针对该问题,本文将从如何使神经网络更加关注对分类任务起作用的帧级特征、如何捕获语音数据中含有多个局部集簇的复杂几何分布、如何在深度度量学习中更加公正地衡量特征间的关联程度进行研究,以此提高复杂声音场景下语种识别系统的性能。本文的具体研究内容如下:(1)在使得网络模型更加关注对分类任务起作用的帧级特征方面,提出了基于扩展时延神经网络与多头自注意力的语种识别方法。此方法在扩展时延神经网络中引入多头自注意力机制,可以在对帧级特征进行汇总时,为对语种识别任务起更大作用的帧级特征赋予更大的权重,减少其他无用帧级特征的权重。从而降低噪声等失真因素对特征的影响,最终增强了嵌入特征的鲁棒性。同时,自注意力机制中的多个头可以在帧级特征中捕获不同的语言区分性信息,进一步提高了嵌入特征的鉴别性。实验结果表明,相比于其他方法,所提出方法捕获的嵌入特征区分能力更强,有效提高了语种识别系统的性能。(2)在捕获含有多个局部集簇的语音数据的复杂几何分布方面,提出了基于多中心softmax的语种识别方法。此方法为softmax引入多个中心,通过指导网络模型训练,使每个类中的特征通过对类的所有中心进行加权求和,近似表示每个类。这不仅增强了类内的紧凑性,而且更加准确地描述出嵌入特征空间的复杂分布,从而可以提取更接近真实类别实体的嵌入特征。实验结果表明,与单个中心的softmax方法以及其他经典方法相比,所提出方法能够学习同类之间更加紧凑的嵌入特征,有效缓解了复杂声音环境对语种识别的影响,提高了语种识别系统的性能。(3)关于在深度度量学习中更加公正地衡量特征间的关联程度方面,提出了基于调整余弦互信息估计的语种识别方法。此方法将不容易受其他因素影响的互信息度量引入目标函数表示中,以最大化同类特征间的互信息作为优化目标,使得同类语种嵌入特征更紧凑、异类语种嵌入特征更分散。然后,将调整余弦相似度引入基于互信息的目标函数中,指导神经网络利用相同集合中特征的共性信息来纠正特征间的相似性,使得学习到的嵌入特征更具有鲁棒性。实验结果表明,相比于其他方法,所提出方法大幅提升语种识别系统的识别性能。

关键词：语种识别多头自注意力机制 softmax损失互信息调整余弦相似度