一种基于层级分类策略的复杂模式识别方法_赵漫丹 (1)
基于多层次空间注意力的图文评论情感分析方法
2021⁃10⁃10计算机应用,Journal of Computer Applications2021,41(10):2835-2841ISSN 1001⁃9081CODEN JYIIDU http ：//基于多层次空间注意力的图文评论情感分析方法郭可心，张宇翔*（中国民航大学计算机科学与技术学院，天津300300）（∗通信作者电子邮箱yxzhcn@ ）摘要：随着社交网络的不断普及，相对于传统的文字描述，人们更倾向于发布图文结合的评论来表达自己的情感与意见。
针对图文情感分析方法中仅考虑图文间的高级语义联系，而较少注意图片的低层次情感特征以及中层美学特征与文本情感之间关联性的问题，提出了一种基于多层次空间注意力（MLSA ）的图文评论情感分析方法。
所提方法以文本内容为驱动，使用MLSA 设计图像与文本之间的特征融合方法，该特征融合方法不仅关注与文本相关的图像实体特征，而且充分利用图像的中层美学特征和低层视觉特征，从而从多个不同角度挖掘图文之间的情感共现。
在两个公开的图文情感数据集MVSA_Single 和MVSA_Multi 上，该方法的分类效果相对于对比方法中最优的方法的分类效果在准确率上分别提高了0.96和1.06个百分点，在F1值上分别提高了0.96和0.62个百分点。
实验结果表明，综合分析文本特征和图像特征之间的层次化联系能有效地增强神经网络捕捉图文情感语义的能力，从而更准确地预测图文整体的情感。
关键词：空间注意力；多特征融合；情感分析；多模态；社交媒体；神经网络中图分类号：TP391文献标志码：AVisual -textual sentiment analysis method based on multi -level spatial attentionGUO Kexin ，ZHANG Yuxiang *（College of Computer Science and Technology ，Civil Aviation University of China ，Tianjin 300300，China ）Abstract:With the continuous popularization and promotion of social networks ，compared with traditional text description ，people are inclined to post reviews with both images and texts to express their feelings and opinions.The existing visual -textual sentiment analysis methods only consider the high -level semantic relation between images and texts ，but pay less attention to the correlation between the low -level visual features and middle -level aesthetic features of images and the sentiment of texts.Thus ，a visual -textual sentiment analysis method based on Multi -Level Spatial Attention （MLSA ）was proposed.In the proposed method ，driven by text content ，MLSA was used to design the feature fusion method between images and texts.This feature fusion method not only focused on the image entity features related to texts ，but also made full use of the middle -level aesthetic features and low -level visual features of images ，so as to to mine the sentiment co -occurrence between images and texts from various pared to the classification effect of the best method among the comparison methods ，the classification effect of the model was improved by 0.96and 1.06percentage points on accuracy ，and improved by 0.96and 0.62percentage points on F1score on two public multimodal sentiment datasets （MVSA_Single and MVSA_Multi ）respectively.Experimental results show that the comprehensive analysis of the hierarchical relationship between text features and image features can effectively enhance the neural network ’s ability to capture the emotional semantics of texts and images ，so as to predict the overall sentiment of texts and images more accurately.Key words:spatial attention;multi -feature fusion;sentiment analysis;multimodal;social media;neural network引言情感分析（Sentiment Analysis ）作为社交媒体分析的前沿领域，被广泛应用于针对用户的产品营销、政治预测、股票预测和心理健康分析。
多标记学习研究综述
/ #)"!/ (
计 算 机 应 用 研 究(
第 $# 卷 (
N$ + 二阶, 策略' 该类策略通过考察标记两两之间的相关 性" 如相关标记与无关标记之间的排序关系& 两两标记之间的 交互关系等$ 构造多标记学习系统' 这类策略由于在一定程 度上考察了标记之间的相关性! 其系统泛化性能较优' 然而! 当真实世界问题中标记之间具有超越二阶的相关性时!该类方 法的性能将会受到很大影响' A $ + 高阶 , 策略' 该类策略通过考察高阶的标记相关性 " 如处理任一标记对其他所有标记的影响! 处理一组随机标记 集合的相关性等 $ 构造多标记学习系统' 该类方法虽然可以 较好地反映真实世界问题的标记相关性!但其模型复杂度往往 过高!难以处理大规模学习问题'
第 $# 卷第 ) 期 !"#- 年 ) 月(
计 算 机 应 用 研 究 3 [[6 7 A M L 7 D <a ? G ? M H A RD X + D K [=L ? H G
b D 6 c $# 0 D c ) d =<> !"#-
多标记学习研究综述 !
李志欣# ! 卓亚琦! ! 张灿龙# ! 周生明#
(问题定义
传统的单标记分类任务是将单一的标记 $ " 来自于标记的 有限集合 =! ^ =^ _ # $ 赋给一个样本' 一个单标记数据集 >由 0 个训练 样 本 " 8 #! $ # $! " 8 !! $ ! $ ! *! " 8 0! $ 0 $ 组 成' 如 果 ^ =^ ` ! !则学习任务称为+ 二类分类, #如果 ^ =^ _ ! ! 则称为 + 多 类分类, ' 而多标记分类任务将一个标记子集 ? " = 赋给每一 个样本' 一个多标记数据集 >则由 " 8 #! ? # $! " 8 !! ? ! $ ! *! "8 0! ? 0 $ 0 个训练样本组成 ' 根据多标记学习的定义!其难点在于输出空间的类别标记 集合数将随着标记数量的增加成指数增长' 为解决这个问题! 多标记学习需要利用标记之间的相关性来完成分类学习任务' 按照对标记间相关性的不同处理方式!现有的多标记学习问题 的求解策略可以分为三类 (#") % M $ + 一阶, 策略' 该类策略通过逐一考察单个标记而忽略 标记之间的相关性 " 如将多标记学习问题分解为多个独立的 二类分类问题 $ 构造多标记学习系统' 这类策略效率较高且 实现简单!但由于完全忽略标记之间可能存在的相关性! 其系 统的泛化性能往往较低'
考虑级联失效影响的复杂网络关键节点识别
Apr. 2021Vol. 42 No. 42021年4月 第42卷第4期计算机工程与设计COMPUTER ENGINEERING AND DESIGN考虑级联失效影响的复杂网络关键节点识别吴嫣媛，刘向军+（华北电力大学电气与电子工程学院，北京102206）摘 要：针对传统的关键节点识别方法以网络的一种或几种特征作为判定指标，存在片面性而不能普遍适用，且识别过程 中很少考虑网络的动态特性的问题，提出采用优化算法进行网络关键节点识别，考虑网络的动态性-入网络级联失效模型，基于此构造网络鲁棒性测度用以衡量网络性能，以此为目标函数，采用以佳点集、趋化行为及列维飞行策略改进的人工鱼群算法进行优化搜索。
实验分析结果表明，所提方法识别效果相比传统关键节点识别方法更为有效和优越，改进人工 鱼群算法相比此领域已采用的传统智能算法效果更佳。
关键词：复杂网络；关键节点；级联失效；鲁棒性；改进人工鱼群算法中图法分类号：TP393. 02文献标识号：A 文章编号：1000-7024 （2021） 04092007doi ： 10. 16208/j. issnl 000-7024. 2021. 04. 004Identification of key nodes in wireless sensor networksconsidering cascading failureWU Yan-yuan , LIU Xiang-jun +(School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)Abstract : Aiming at the problems that the traditional key node identification methods use one or several characteristics of the net work as the determination index, which is one-sided and cannot be universally applied, and the dynamic characteristics of the net works are rarely considered during the identification process, using optimization algorithm to identify the key nodes of the net works was proposed. Considering the dynamic properties of the network, a cascading failure model of the network was intro duced, based on which a network robustness function to measure network performance was constructed. Using the robustness as Rheobjecivefuncion &animprovedarificialfishschoolalgorihm whichwasimprovedRhroughRhegoodpoinRseR &chemoRacicbehavior &andLevyflighRsRraRegywasusedforopimizedsearch. ExperimenRalanalysisresulsshowRhaRRheproposedmeRhod smoree f eciveandsuperbRhanRheRradiionalkeynodeidenificaionmeRhods &andRheimprovedarificialfishswarmalgorihmsmoree f eciveRhanRheRradiionalinRe l igenRalgorihmsRhaRhavebeenusedinRhisfield.Keywords ： complex network ； key nodes ； cascading failure # robustness ； improved artificial fish swarm algorithm2引言目前对复杂网络节点重要性判断方法都是针对具体问题提出的，存在一定的片面性和局限性，且会随着网络结构的变化使识别结果存在一定误差13+。
一种基于深度学习的交通标志识别新算法
doi :10.3969/j.issn.1001-893x.2021.01.012引用格式:陈昌川,王海宁,赵悦,等.一种基于深度学习的交通标志识别新算法[J].电讯技术,2021,61(1):76-82.[CHEN Changchuan,WANG Haining,ZHAO Yue,et al.A novel traffic sign recognition algorithm based on deep learning[J].Telecommunication Engineering,2021,61(1):76-82.]一种基于深度学习的交通标志识别新算法∗陈昌川1,王海宁∗∗1,赵㊀悦1,王延平1,李连杰2,李㊀奎1,张天骐1(1.重庆邮电大学通信与信息工程学院,重庆400065;2.山东大学信息科学与工程学院,山东青岛266237)摘㊀要:针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T -YOLO 算法㊂该算法基于YOLOv2算法检测思想,融合残差网络㊁卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax 函数归一化实现多分类,并采用批量归一化㊁多尺度训练等方法缩短训练时间㊂实验表明,该算法真实有效,图形处理单元(Graphic Process-ing Unit ,GPU )平台上最快检测速度13.69ms /frame ,每帧缩短9.51ms ,最高平均准确率97.3%,提高7.1%,满足实时高精度识别要求㊂与其他算法相比,该算法在交通标志识别速度与精度方面均有大幅提高,更加适用于现实场景,更贴近车载嵌入式系统㊂关键词:智能交通系统;车载嵌入式系统;交通标志识别;深度学习;T -YOLO ;多尺度训练;残差网络开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN911.73;TP391.4㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)01-0076-07A Novel Traffic Sign Recognition Algorithm Based on Deep LearningCHEN Changchuan 1,WANG Haining 1,ZHAO Yue 1,WANG Yanping 1,LI Lianjie 2,LI Kui 1,ZHANG Tianqi 1(1.School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;2.School of Information Science and Engineering,Shandong University,Qingdao 266237,China)Abstract :For the problem of low accuracy and slow recognition speed of traffic signs in specific scenes,a T -YOLO algorithm for traffic sign image recognition is proposed based on the edge information of traffic signs and convolutional neural network(CNN).The algorithm is based on the detection idea of YOLOv2al-gorithm,which integrates residual network and convolutional layer with 0structure.At the same time,the down sampling discards the pooling layer and uses the convolutional layer instead of the pooling layer.Edge information is extracted and the upper sampling is used to improve the accuracy.A 7-layer feature extrac-tion network is designed to shorten the recognition speed.Then,the Softmax function is used to realize multi -classification,batch normalization and multi -scale training are used to shorten the training time.The experimental results show that the algorithm is real and effective.On graphic processing unit(GPU)plat-form,the fastest detection speed is 13.69ms /frame(shorten 9.51ms per frame),the highest average accura-cy rate is 97.3%(improved 7.1%),which meets the requirements of real -time and high -precision pared with other algorithms,this algorithm has greatly improved the speed and accuracy of traffic sign recognition,which makes it more suitable for real scenes and closer to vehicle embedded systems.Key words :intelligent transportation system;vehicle embedded system;traffic sign recognition;deep learn-ing;T -YOLO;multi -scale training;residual network㊃67㊃第61卷第1期2021年1月电讯技术Telecommunication EngineeringVol.61,No.1January,2021∗∗∗收稿日期:2020-04-24;修回日期:2020-06-30基金项目:国家自然科学基金资助项目(61671095,61702085,61701065,61771067);重庆市研究生教育教学改革研究重点项目(yjg192019)通信作者:wanghaining_cqupt@0㊀引㊀言交通标志识别是交通道路运输的重要组成部分[1-2],但受多种因素干扰,如下雨天㊁标志牌老化等,为保证道路安全,既要考虑识别的精度也要确保识别速度,因此实际应用中要求实现实时高精度识别㊂目前关于交通标志识别已有多种方法㊂由于标识牌特有的形状与颜色,有学者提出基于色彩空间识别方法[3],或根据形状特征识别交通标志[4],或采用色彩与形状特征融合[5]识别,或者通过颜色空间提取感兴趣区域[6],随后使用支持向量机(Sup-port Vector Machine,SVM)进行分类[7-9]㊂然而这些方法存在一定弊端:采用色彩或形状识别算法存在大量误检,当交通标志所处背景与其颜色或形状相近,往往会将背景错误识别成交通标志;再者,通过颜色和形状对特殊情况下交通标志很难提取,例如下雨天㊁大雾天㊁遮挡等情况,进而导致精度偏低;使用颜色或形状提取图像候选区域随后使用SVM分类的方法对于类别过多交通标志,很难做到正确分类,存在通用性偏低问题㊂近年来由于卷积神经网络(Convolutional Neural Network,CNN)的兴起,为解决精度低的问题,又有学者提出将CNN应用在交通标志检测与识别㊂Lee[10]等人基于SSD(Single Shot Multibox Detector)算法[11]构建的CNN算法同时估计交通标志位置与边界,在基于VGG16模型下最高平均准确率(Mean Average Precision,mAP)达到88.4%㊂Filatov[12]基于交通标志边缘,通过形态学运算与Canny算法处理待检测图像得到交通标志轮廓,随后送入CNN模型进行判断,实现交通标志识别㊂但对于使用CNN检测方法,通过提取大量目标候选区域送入分类网络进行判断和识别[13-18],虽然保证一定的精度与通用性,但不针对交通标志特定场景,网络设计复杂,提取候选区域图像均要送入网络判断与识别,需要大量计算导致识别速度慢,且精度受限无法进一步提升㊂本文从交通标志牌边缘信息出发,基于深度学习YOLOv2算法检测思想,提出一种T-YOLO检测算法㊂该算法自行搭建网络结构,融合残差网络㊁下采样操作舍弃通用池化层而改用卷积层,设计7层特征提取网络,解决检测速度慢问题,缩短检测速度;针对交通标志特定场景,提出卷积层四周填充0提取边缘信息与上采样方法,卷积层填充0提高识别精度,上采样方法解决算法无法定位小目标问题提升定位准确度,进一步提高识别精度;随后采用Softmax函数归一化0~1,产生目标概率可能值,实现多分类识别,解决SVM分类器通用性偏低问题;通过批量归一化㊁多尺度训练等训练方法,增强了算法的鲁棒性㊂实验表明,相比于同期交通标志识别算法,所提算法在检测速度与平均准确度上均达到最优;相比于YOLOv2,所提算法平均准确率提高7.1%,检测速度缩短每帧9.51ms,整体性能都得到了提高㊂1㊀T-YOLO算法1.1㊀T-YOLO算法结构如图1所示,T-YOLO算法首先将图像归一化同一尺度,整幅待检测图像被划分成SˑS个网格,每个网格负责检测目标图像中心点是否落在该网格,对于目标图像中心点落在的网格,Pr(object)=1,否则Pr(object)=0㊂通过人为设定的anchor锚点,产生定量个数预测框,每个预测框会产生坐标信息(x,y,w, h)和置信度(confidence)㊂x㊁y为相对该网格左上角坐标偏移值,w㊁h为该预测框宽与高,置信度为边界框包含目标的可能性Pr(object)与边界框准确度IOU (Intersection over Union)的乘积,如公式(1);同时,每个预测框还会产生一个固定的类别C㊂confidence=Pr(object)ˑIOU truth pred㊂(1)式中:IOU truth pred代表真实框与预测框比值,当IOU truth pred 越接近1,代表预测框越接近真实框;当比值接近0,则表示预测框越偏离真实框㊂图1㊀T-YOLO算法检测示意图交通标志边缘含有丰富的色彩对比信息与线条鲜明形状信息,可以提高识别准确度㊂为此,T-YO-LO算法采用卷积层均四周填充0,提取边缘信息,㊃77㊃第61卷陈昌川,王海宁,赵悦,等:一种基于深度学习的交通标志识别新算法第1期以提升检测精度㊂再者,交通标志图像不同于一般图像,单纯采用池化层作为下采样操作,边缘信息将被丢失,因此,T -YOLO 算法对于下采样操作不采用池化层,而改用卷积层,通过3ˑ3的卷积核,设置步长为2,进行图像下采样(见图2),确保边缘信息不会被丢失,进而提升检测精度㊂深度越深的网络层,参数初始化一般接近0,在训练过程中,随着迭代次数增加,网络更新浅层参数,而进一步导致梯度消失,产生梯度爆炸等现象,从而导致无法收敛,损失率增加,而残差网络能解决梯度消失与梯度爆炸等现象,进而使得模型收敛㊂为此,T -YOLO 算法在特征提取结构后加入残差网络,用以防止模型过拟合㊂图3为引入残差网络结构示意图㊂图2㊀补零下采样图3㊀残差网络示意图神经网络训练是个复杂过程,只要前面几层发生微小变化,这种微小变化就会在后面几层不断放大,形成大变化,一旦网络输入数据分布发生改变,那么网络层势必要去适应学习这个新数据分布,这将极大影响训练速度㊂为此,T -YOLO 算法在每个卷积层中均加入批量归一化操作(Batch Normaliza-tion,BN),加速训练模型的收敛速度㊂首先找到最小batch,假设最小batch 中输入数据为x ,β是由输入x 构成的集β={x 1,x 2, ,x m },求得最小batch 中的均值与平方差,并将其归一化操作,进而产生了一种从原始数据到训练数据的映射表达式,如公式(2)所示:μβ=1m ðmi =1x iσ2β=1m ðmi =1(x i -u β)2^x i =x i -μβσ2β+εy i =γ^x i +φʉBN γ,φ(x i )ìîíïïïïïïïïïï㊂(2)如图4所示,T -YOLO 对图像粗略特征提取采用7层卷积层,缩短模型特征提取速度,随后送入后续残差网络与上采样继续进行细节特征提取㊂T -YOLO 算法为解决无法准确定位小型目标图像问题引入上采样操作,如图5所示,通过融合残差网络的输出与输入并上采样,解决识别小型目标问题,以提升精度㊂最终生成全连接采用Softmax 函数归一化㊂相比于SVM 分类器采用超平面将图像进行0与1分类,Softmax 函数产生目标概率值,可以实现多目标的分类,解决了SVM 分类器通用性偏低问题㊂图4㊀7层特征提取网络㊃87㊃ 电讯技术㊀㊀㊀㊀2021年图5㊀T -YOLO 网络示意图1.2㊀T -YOLO 检测算法针对目标检测,T -YOLO 算法将待检测图像划分成56ˑ56个网格,每个网格会检测是否包含目标图像区域,对于区域性包含目标图像的网格通过算术求得网格中心值,进而确定目标中心点落在的网格㊂对于检测到目标中心点网格将会截取并产生系列事先设定大小的预选框图像,截取图像送入神经网络进行判断与识别㊂本文将网格中输出预选框图像个数设置为5个,并采用k 均值聚类算法(k -means)求解事先设定预选框大小,随机选取k 个对象作为初始聚类中心,然后计算目标中的点与聚类中心距离,并将每次产生的对象分配给距离它最近中心点,每分配一个样本,聚类中心点将会重新计算,然后继续聚类,直到所有样本都被计算完成,最终产生所有的聚类点,选取其中聚类最多的5个矩形框的点作为预选框㊂因此,含有交通标志目标中心点的网格将会产生(5+3)ˑ5个预选框图像,该网格产生的40个预选框图像均要送入T -YOLO 神经网络进行判断识别㊂图6为T -YOLO 网络检测流程图㊂图6㊀算法检测流程图同时,为了使模型更具通用性提高模型鲁棒性,T -YOLO 网络采用多尺度训练方式,每隔10轮调整一次输入图像分辨率,进而使得模型对于不同分辨率图像均能做到有效的识别与定位㊂2㊀实验效果与算法对比2.1㊀数据集预处理及训练本文选取数据集是Zhang [19-20]等人公开的中国交通标志检测数据集(CSUST Chinese Traffic SignDetection Benchmark,CCTSDB),丰富的数据集有助于提高模型平均准确率,同时可以加速模型训练时收敛,降低损失率㊂为了使得训练集更加丰富,包含不同场景情况下图像,采用旋转㊁调整饱和度㊁调整亮度三种混合方式增强数据集㊂按照5ʒ1的比例划分训练集与测试集,分别为15000张与3000张图片,并将数据集划分为警告㊁强制㊁禁止三类㊂本文实验硬件配置如表1所示,并在上面搭配所需的软件环境Ubuntu16.04㊁CUDA10.1㊁Cudnn7.5㊁Opencv3.4.3,同时根据数据集的特点,一并参考YOLOv2的参数配置㊂T -YOLO 算法的参数配置见表2,在1~30000次迭代设置学习率大小0.001,然后随着迭代次数的累计,依次调整学习率,直到损失率保持稳定㊂表1㊀硬件配置设备名称型号数量/个CPUW -21331GPU RTX 2080Ti2固态硬盘三星256GB 1内存金士顿16GB 2机械硬盘西部1TB1主板 C.Z370AK PLUS1㊃97㊃第61卷陈昌川,王海宁,赵悦,等:一种基于深度学习的交通标志识别新算法第1期表2㊀T-YOLO参数配置名称参数值备注Learning Rate0.001学习率Epoch60000迭代次数Batch Size64批次处理大小Subdivisions16子批次处理大小NMS0.45非极大值阈值Threshold0.5置信度阈值2.2㊀算法对比为了验证T-YOLO算法准确性与可靠性,在基于硬件平台GPU RXT2080Ti与CPU Intel(R) Xeon(R)W-2133和软件平台Ubuntu16.04㊁opencv3.4.3的基础上,将测试集3000张图片送入不同网络,图片大小为1024pixelˑ768pixel,并选取平均准确率(mAP)㊁平均召回率(Average Recall, AR)㊁GPU检测速度(ms/frame)作为验证指标㊂AR 计算公式如公式(3)所示:AR=1iði i TP TP+FN㊂(3)式中:TP代表真正正样本,FP代表假正样本,FN代表假负样本,i代表类别㊂算法对比见表3㊂从表3可以看出,T-YOLO算法无论是在平均准确率还是在检测速度上都达到最优效果,相比于YOLOv2算法, T-YOLO算法在平均准确度上提高7.1%,检测速度每帧缩短了4.9ms;相比于Faster R-CNN算法,T-YOLO算法在速度上提高124倍,精度提高3.8%;相比于传统算法HOG+SVM,检测精度提高13%㊂表3㊀算法对比算法mAP/%AR/%GPU检测速度/(ms㊃frame-1) T-YOLO97.391.319.31YOLOv290.289.223.23YOLOv392.090.434.21SSD91.288.133.41 HOG+SVM84.374.8Faster R-CNN93.587.22351.31同样,为了验证T-YOLO算法鲁棒性,采用不同分辨率输入图像进行测试㊂采用224pixelˑ224pixel㊁320pixelˑ320pixel㊁416pixelˑ416pixel㊁512pixelˑ512pixel㊁608pixelˑ608pixel五种分辨率图像,将原始图像按照等比例方式缩放到上述分辨率固定尺度,对于空出像素区域填充黑色像素0,分别验证各个分类的准确率以及平均准确率㊁检测速度三个指标,结果如图7和图8所示㊂从图7可以看出,对于图片大小为224pixelˑ224pixel的图像识别准确率较低,这是由于交通标志图像大都为低分辨图像,如果采用更低分辨率图像,交通标志图像会变小,所以导致平均准确率偏低;从图像大小为320pixelˑ320pixel往上,平均准确率越来越高,结果如图7和图8所示㊂从图7与图8可以看出对于低分辨率的图像,检测速度比较快,但对应的平均准确率低,对于224pixelˑ224pixel图像,GPU上检测速度达到13.69ms/frame,随着分辨率不断提高,检测耗时也增加㊂图7㊀不同分辨率图像准确率图8㊀不同分辨率图像检测速度2.3㊀T-YOLO算法检测效果对比交通标志往往悬挂在高空或道路两旁,从人视觉或汽车视觉内观察到的基本为小型目标图像与中型目标图像;再者,对于交通安全,能尽早准确无误地将远方交通标志检出,可以减少不必要的损失,避免进一步的人员伤亡㊂从图9(a)可看出,YOLOv2算法针对于小型目标图像检测,对小型目标定位很不准确,进而很难检测出;同样可以看出,由于采用池化层作为下采样操作丢失边缘信息,对于遮挡目标很难检测出㊂从图9(b)可看出,T-YOLO算法可㊃08㊃电讯技术㊀㊀㊀㊀2021年以准确无误将小型目标图像定位,进而进一步检测出目标㊂由于采用卷积层填充0㊁卷积层下采样㊁上采样等方法,T-YOLO算法对于交通标志边缘信息非常敏感,对部分遮挡标志仍能将它检测出来㊂对于一些特殊天气下的小型目标图像,T-YOLO算法仍可以检测出㊂图9㊀部分算法对比检测效果图3 结束语本文提出了一种基于深度学习识别交通标志新方法,与一般算法不同,该算法从交通标志边缘信息出发,针对交通标志特定场景,精简模型缩短速度,通过提取边缘信息与上采样提升识别精度㊂实验表明该方法真实有效,相比同期交通标志识别算法精度与速度方面均有大幅提高,GPU平台上采用原始图像数据(1024pixelˑ768pixel),检测速度19.31ms/frame,mAP为97.3%;由于采用多尺度训练方式,模型的鲁棒性增强㊂但现实场景细分每类交通标志,算法针对交通标志分类范围过大㊁类别过少,且未结合标志牌特有颜色与形状特征以提升识别精度,未经实车测试㊂细分多类交通识别与实车测试将是下一步研究的方向㊂参考文献:[1]㊀MOGELMOSE A,TRIVEDEI M M,MOESLUND T B.Vision-based traffic sign detection and analysis for intel-ligent driver assistance systems:perspectives and survey[J].IEEE Transactions on Intelligent TransportationSystems,2012,13(4):1484-1497.[2]㊀GREENHALGH J,MIRMEHDI M.Real-time detectionand recognition of road traffic signs[J].IEEE Transac-tions on Intelligent Transportation Systems,2012,13(4):1498-1506.[3]㊀CREUSEN I M,HAZELHOFF L,WITH P H N.Colortransformation for improved traffic sign detection[C]//Proceedings of201219th IEEE International Conferenceon Image Processing.Orlando:IEEE,2012:461-464.[4]㊀HOUBEN S,STALLKAMP J,SALMEN J,et al.Detec-tion of traffic signs in real-world images:the Germantraffic sign detection benchmark[C]//Proceedings of2013International Joint Conference on Neural Networks.Dallas:IEEE,2013:1-7.[5]㊀WANG C Y.Research and application of traffic sign de-tection and recognition based on deep learning[C]//Proceedings of2018International Conference on Robots&Intelligent System(ICRIS).Changsha:IEEE,2018:150-152.[6]㊀XIONG C Z,WANG C,MA W X,et al.A traffic sign de-tection algorithm based on deep convolutional neuralnetwork[C]//Proceedings of2016IEEE InternationalConference on Signal and Image Processing(ICSIP).Beijing:IEEE,2016:676-679.[7]㊀PAZH H,YAGHOOBI M.A new approach in road signrecognition based on fast fractal coding[J].Neural Com-puting and Applications.2013,22(3/4):615-625.[8]㊀GUDIGAR A,JAGADALE B N,MAHESH P K,et al.Kernel based automatic traffic sign detection and recog-nition using SVM[C]//Proceedings of2012Internation-al Conference on Engineering of Complex Computer Sys-tems.Berlin:ACM,2012:153-161.[9]㊀KUMARASWAMY R,PRABHU L V,SUCHITHRA K,et al.SVM based classification of traffic signs for real-time embedded platform[C]//Proceedings of2011In-ternational Conference on Advances in Computing andCommunications.Berlin:Springer,2011:339-348. [10]㊀LEE H S,KIM K.Simultaneous traffic sign detection andboundary estimation using convolutional neural network[J].IEEE Transactions on Intelligent TransportationSystems,2018,19(5):1652-1663.[11]㊀LIU W,ANGUELOV D,ERHAN D,et al.SSD:singleshot multibox detector[C]//Proceedings of Europe Con-ference on Computer Vision.Amsterdam:Springer,2016:21-37.[12]㊀FILATOV D M,IGNATIEV K V,SERYKH E V.Neuralnetwork system of traffic signs recognition[C]//Pro-㊃18㊃第61卷陈昌川,王海宁,赵悦,等:一种基于深度学习的交通标志识别新算法第1期ceedings of2017IEEE International Conference on SoftComputing and Measurements(SCM).Petersburg:IEEE,2017:422-423.[13]㊀GIRSHICK R,DONAHUE J,DARRELL T,et al.Richfeature hierarchies for accurate object detection and seg-mention[C]//Proceedings of IEEE Conference on Com-puter Vision and Pattern Recognition.Columbus:IEEE,2014:580-587.[14]㊀REN S Q,HE K M,GIRSHICK R,et al.Faster R-CNN:towards real-time object detection with region proposalnetworks[J].IEEE Transactions on Pattern Analysisand Machine Intelligence,2017,39(6):1137-1149.[15]㊀JOSEPH R,FARHADI A.YOLO9000:better,faster,stronger[C]//Proceedings of2017Conference on Com-puter Vision and Pattern Recognition.Nevada:IEEE,2017:7263-7271.[16]㊀REDOM J,FARHADI A.Yolov3:an incremental im-provement[C]//Proceedings of2018IEEE/CVF Con-ference on Computer Vision and Pattern Recognition.Salt Lake City:IEEE,2018:1-9.[17]㊀REN P M,FANG W,DJAHEL S.A novel YOLO-basedreal-time people counting approach[C]//Proceedingsof2017International Smart Cities Conference(ISC2).Wuxi:IEEE,2017:978-979.[18]㊀ZHANG R M,YANG Y F,WANG W Y,et al.An algo-rithm for obstacle detection based on YOLO and lightfiled camera[C]//Proceedings of201812th Interna-tional Conference on Sensing Technology(ICST).Limer-ick:IEEE,2018:223-226.[19]㊀ZHANG J M,HUANG M T,JIN X K,et al.A real-timechinese traffic sign detection algorithm based on modi-fied YOLOv2[J].Algorithms,2017,10(4):127-140.[20]㊀ZHANG J M,JIN X K,JUAN X,et al.Spatial and se-mantic convolutional features for robust visual objecttracking[J].Multimedia Tools and Applications,2020,79(8):15095-15115.作者简介:陈昌川㊀男,1978年生于四川广安,2009年获硕士学位,现为副教授,主要研究方向为智能信息处理㊁图像处理㊁移动通信㊂王海宁㊀男,1994年生于山东枣庄,硕士研究生,主要研究方向为图像与信号处理㊁目标检测与识别㊂赵㊀悦㊀女,1987年生于福建福州,讲师,主要研究方向为语义识别㊁图像切割㊂王延平㊀男,1998年生于河北张家口,本科生,主要研究方向为目标检测㊁行为分析㊂李连杰㊀男,1994年生于山东济南,硕士研究生,主要研究方向为认知无线电张量理论㊁模式识别㊂李㊀奎㊀男,1990年生于安徽安庆,硕士研究生,主要研究方向为图像与信号处理㊁目标检测与识别㊂张天骐㊀男,1971年生于重庆,教授,主要研究方向为语言信号处理㊁图像处理㊁通信信号的调制解调㊁盲处理㊁神经网络实现以及FPGA㊁VLSI实现㊂㊃28㊃电讯技术㊀㊀㊀㊀2021年。
基于HMM分类器和RELAX算法特征提取的高分辨雷达目标自动识别问题研究
参数化方法基于目标的电磁散射数学模型，如ＧＴＤ（Ｇｅｏｍｅｔｒｉｃ Ｔｈｅｏｒｙ ｏｆ Ｄｉｆｆｒａｃｔｉｏｎ）模型、简单散射点模型等。该方法提取的特征通常具有低维数的 特点，参数具有明确的物理意义。基于ＧＴＤ模型的方法有匹配追踪方法［１６，１７］、子
孔径滤波法［１８，１卅等：基于简单散射点模型的有Ｒｅｌａｘ算澍２０，２１０２１、Ｇａｂｏｒ原子分
』弋
一择一
茔罢羊善画壬枣｜工满王 画毛≤壬 掣ｉ登 ～，１√、一 磊三一［融Ｆ一
一择一
磊毛王星 ～择一一 Ｈ＝、一～
兰丁胁ｊ ，竺：肺～叫Ｉ、
一
黧１．１雷遮秘标识捌系统源理囤
由图１。ｌ可见，雷达目标识别的关键技术主簧包括雷达回波的特征提取、选 择霸分类方法静选择秘个部分，强檬特征提取昶逸择是关键斡环节，它酶好坏直 接影响到了目标识别系统的性能，并影响到分类方法的选择；而分类方法的选取 也对系统的性能有直接的影喻。
攀视角识别方法怒雷达目标识别的基本方法它利用雷达魄一次回波或者利用在未发擞散射点距离游动情况下多次儒达回波的统计性质按照蒹静判决准则在鬈这是标识别中豢震欧氏距离臻爱秘骂氏距离壤剃邀短判决分类模式分类是指无导师的自组织或自监督分类而模式识别怒指有导师的离像或者其统计平均特征进行判决分类在该方法中一个基本的要求是它所奔j的踅离像不相干丽一般情况下雷达裰邻匿波的籀关髓很强溺此要对雷达回波数据进行适当抽取去相干之后再送入分类器进行判决
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Method of complicated pattern recognition based on hierarchical classification strategy
Zhao Mandan, Hao Xiangyang, Zhang Zhenjie
(Institute of Navigation & Aerospace, PLA Information Engineering University, Zhengzhou 450001, China) Abstract: For the large number of complex and urgent need for recognizing pattern types. a method of complicated pattern recognition based on hierarchical classification strategy has be proposed. The method must be determine the hierarchical sign. Reacting the attribute of the object from the multi sides. From this. the complexity of the classification is reduced. and the classification efficiency is improved. The hierarchical classification strategy model and the key steps are established. Then. the experiment about recognizing hand movements by use of surface electromyography signal. we can compare the recognition effect whether to use of this strategy. Thus. it can be verify the effectiveness of this strategy. and also become a template to promote this method. Key Words: hierarchical classification; pattern recognition; electromyography signal 信息时代的发展，使得人类每天都会处理面对大量海量而 复杂的信息。模式识别将人类理解与原始底层数据进行连接， 而如何处理这些原始底层数据，并且简洁、快速地进行辨识， 成为近年来模式识别技术在各学科中的热点问题。传统方法无 法满足大规模数据处理，大量先进方法在被研究人员使用，但 存在计算量庞大、效率较低的缺点。例如工程应用中的模式识 别，往往难以得出结果置信度的判断，或者需要通过复杂的计 算方法进行实现[1]。本文试图解决利用人体前臂肌电信号识别 手部动作时所面临的关键问题，并以此为背景，提出一种新型 的复杂模式分类策略。 分类判别分析是多元统计应用中较广的一个分支[2, 3]。 在现 实问题中，常会根据事物的特性判断其类别的归属。分类判别 分析中，研究人员需要事先确定现成类别，按照一定原则总结 各类中的规律，从而建立分类数学模型。当待分类对象输入时， 即可按照分类数学模型进行判断。 分类方法经过半个多世纪的迅速发展，已经有了相当多成 熟的方法。传统的方法有贝叶斯（Bayes）判别法[4]、距离判别
法[5]、Fisher 判别法[6]、协近邻分类[7]以及分段线性分类[8]等。 现代的方法如模糊分类，粗糙分类，以及神经网络分类等，还 有刚刚兴起较为热门的支持向量机分类方法以及分类器的集成 学习等。 许多研究人员已经在这方面进行了深入而广泛的研究， 如改进的算法，融合算法，甚至新的分类方法。例如，有些单 一分类器的识别率不高，而通过多分类器融合的方法可以提高 识别率，也已成为模式识别领域的前沿研究课题[9]。 在上述的分类方法在本质上都是“一级”分类识别方法， 即对于待分类对象 x 建立“一次性”判别模型，通过此模型开 展待分类对象的识别。虽然这种方法执行的计算步骤较少，分 类模式方便快捷，但其不足也同样存在，在一定情况下还会极 大制约识别效果，特别是对于复杂模式的识别问题。首先，上 述等传统判别方法对一些待分类对象的判别效果很“不稳定” ， 即存在针对不同待分类对象，某种方法的分类效果差异化较大 的缺点。其次，大多判别方法中，是否有筛选因子，在 k 个总 体的样本数据，都应用的是相同因子，虽然在实际应用中较为 方便，但会影响判别效果（因为对某些因子，它只能很好的区
完整系统模型
S 包含真类的概率， P e ( i 1) 为当真类在 i 时，但第 (i 1) 层把
PcT Pc1 Pc 2
Pcn
(1)
同理可得系统的误差率有如下式子计算：
PeT ( Pe 2 Pe1 Pc1 ) ( Pe3 Pc1Pe1Pc 3 ) ( Pen Pc1 Pc1 Pc 3 Pe ( n 1) Pcn )
优先出版
计 算 机 应 用 研 究
第 33 卷
分 k 个总体中的某几个总体， 而不能很好的区分所有 k 个总体， 这时若用这些因子来同时判别 k 个总体， 显然效果不太好） 。 最 后， “一级” 分类识别方法判别所有待分类对象时使用一种方法， 但是可能某几个总体用这种判别方法好，而另外几个总体用另 外一种方法判别效果更佳，显然用同一种判别方法判断所有的 总体效果也就不太好了。 为此，本文提出了一种基于层级分类策略的复杂模式识别 方法。该方法另辟蹊径，从另外一个角度对模式分类问题进行 讨论，特别适合于待分类对象特别复杂的情况，该方法本质上 是对“一级”分类识别方法的多维层次上的改进。文章后续的 实验结果表明，其分类识别效果要优于“一级”分类识别方法。 基于层级分类策略的复杂模式识别方法通过建立一套层次架 构，位于每层架构中的变量相互制约，每一个层次都将被划分 为多个子系统进行研究。每个子系统研究结果的叠加即得到该 层次中结果，继而使整个系统得以确认。每一层次的结果，都 会对模型最后的结论造成影响。一方面，层级分类策略可以极 大降低系统复杂度；另一方面，运用层级分类策略，又会给系 统带来不确定性。这种矛盾的两个方面始终存在，为了解决这 个问题，本文探索一种评判方法，该方法可以指导在何种复杂 模式的情况下，使用层级分类策略，避免过分类与欠分类的矛 盾，从而显著提高分类的识别效率。
同时指导下一级分类器的进程，层级分类策略的流程图如图 2 所示。
S0
第一层
S0
模式X
第二层 · · ·
S0
第 n层
S0
图 2 层级分类策略流程
在层级分类策略中，有两个关键性步骤需要进行说明，这 两个关键性步骤也应用于后面的实验验证的方法当中，为提高 识别精度提供了可靠的保证。 关键性步骤一：类集合减少方法。当前一级分类器采用比 较简单的特征而形成一个预选集，而在最后一级中，采用精确 地分类器输出结果。在此步骤中，期望每经过一级分类器后的 子集合尽可能的小，且子集合中包含真类的概率又要尽可能的 高。设 Pei 为第 i 层产生的子集合 S i 不包含真类的概率， Pci 为 它划为错误类的概率， P c ( i 1) 为划分为真类的概率。则整个网 络的正确识别率如下式：
子模型
子模型
子型
的需要选择其中的一种方法。 1.1 分层标志的选择
单元模型
单元模型
按照定性层级分类辅助信息进行分层，是最简单、也是最 普遍的情形[12]。比如，对于一项全国性的抽样调查，如果需要
图 1 层级结构模型示意图
进行分层调查判断，最简单直接的分层标志会选择行政区划。 例如， 作为定性层级分类辅助信息的的典型代表就是行政区划。 在使用定性层级分类辅助信息进行分层时，最大的优势就是分 层界限十分明确，便于进行确认[13]。在选择利用定性的层级分
[17]
yk ( xk ) k
1 层级分类策略
层级分类策略是将复杂系统划分为多个子系统，根据需求 对每个子系统再进行划分，直到子系统的粒度以方便进行准确 快速判别为限[10]。在分类过程中，当判断条件难以满足分类需 求时，特征标记类型较粗，这种情况称之为欠分类；而当分类 的层级过多，每一层级特征序列的和将会变得异常复杂，搜索 空间大、无效层级多，使得被分类对象陷入死循环，这种情况 被称为过分类[11]。不论是欠分类，还是过分类，都会给分类效 果和精度带来影响。 各个层级之间的结果选用线性判断的方式，如图 1 所示， 最上端为完整系统模型，下面两层为子模型与单元模型，依据 系统的复杂程度，对于不同问题，层次级别与分类数量会有所 不同，但结构类型相似。
网络出版时间：2015-10-19 15:39:42 网络出版地址：/kcms/detail/51.1196.TP.20151019.1539.096.html 优先出版 计 算 机 应 用 研 究 第 33 卷
一种基于层级分类策略的复杂模式识别方法
赵漫丹，郝向阳，张振杰
(解放军信息工程大学 导航与空天目标工程学院，郑州 450001) ) 摘 要：针对大量复杂而亟待分类的模式类型，提出了一种基于层级分类策略的复杂模式识别方法。该方法通过选择合
适的分层标志，从多侧面反应被分类对象的属性，降低了分类的复杂度，提高了分类效率。建立了层级分类策略模型以 及关键性步骤，并将其应用于利用表面肌电信号识别手部动作的实验验证，通过对比是否采用此策略，进而说明了基于 层级分类策略在面对复杂模式识别的有效性，为该方法的推广使用奠定基础。 关键词：层级分类；模式识别；肌电信号 中图分类号：TP391
2 2 2 2 量 x 的最优界限。 而 S2h / 2 Sxh ， 其中 h (1 h ) h
为第 h 层变量与辅助变量的相关系数。当相关程度越 高，最优界限就越明确。