基于角度距离损失与小尺度核网络的表情识别

针对人脸表情类内差异大、类间相似度高导致识别率低的问题，提出了一种基于角度距离损失与小尺度核网络的表情识别方法。网络基于3×3卷积核，在网络中加入融合空间金字塔注意力的点积残差块，引入Dropblock正则化，并提出了低层特征掩膜化。该模型低层特征具备高层特征的语义信息，而且参数量较少，结构简单有效。训练时，使用提出的基于角度距离损失函数监督神经网络学习，提高了网络的类间特征分离和类内特征聚类的特征判别能力。实验结果表明，该方法在CK+和FER2013数据集上识别准确率分别达到了97.88%和72.81%，具有较强竞争力。此外，消融实验表明所提出的改进方法可提高表情识别率，进一步验证了其有效性。     

采用改进全卷积网络的“高分一号”影像居民地提取

针对现有的高分辨率遥感图像居民地信息提取精度和效率不够高的问题，提出了一种基于改进全卷积网络的“高分一号”（GF-1）遥感影像居民地提取方法。首先，通过专业的目视解译制备大量居民地训练样本；然后，将预训练过的深度卷积神经网络进行全卷积网络的改造，并以具有多尺度卷积核的Inception模块代替由全连接层改造的卷积层，达到减小网络模型参数量、增加特征表达能力的目的；最后，用制作好的高分辨率遥感图像居民地数据集进行训练和验证，生成可直接进行居民地信息提取的全卷积网络。实验结果表明，基于改进全卷积网络的方法可以实现精确有效的居民地信息提取，Kappa系数超过94%。     

一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征，为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network，R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network，3D-CNN）基础上加入了残差模块，可以更好地提取时空域的特征，然后通过改变步长大小进行特征图降维，提高网络效率，并加入批量归一化层和Softplus激活函数，提高网络的收敛速度和拟合能力；之后添加Dropout层，降低过拟合风险，并且使用全局平均池化层(Global Average Pooling，GAP)代替全连接层，克服了网络参数量过大的问题；最后，使用Softmax进行分类。实验结果表明，使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

一种基于3D-CNN的微表情识别算法

微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题，提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network，3D-CNN）的微表情识别算法。使用Keras作为网络框架，在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法，提升网络深度与训练速度的同时有效地防止过拟合；针对数据集稀少的问题，采取随机设置起始帧的位置，提前设定每次读取帧序列的长度，循环操作，在将所有数据均遍历的同时，达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68.85%，在识别率上有一定优势。     

结合胶囊网络和卷积神经网络的目标识别模型

通过改进动态路由和压缩函数的方式对Hinton等的胶囊网络模型进行改进。运用了加强数据集的方法,增加了数据集的大小,在一定程度上避免了过拟合现象的发生。通过实验表明,改进后的胶囊网络模型在结构上有了简化,在效率上比未改进的模型有了明显的提高。在改进的胶囊网络模型基础上,提出了将改进后的胶囊网络与卷积神经网络相结合的网络模型。该模型训练准确率达到97.56%,模型评估准确率达88%。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题，以视觉几何组（Visual Geometry Group，VGG）网络为基础，提出卷积神经网络（Convolutionnal Neural Network，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）结合的识别算法。CNN提取数据集CASME II的空域特征，LSTM处理时域特征，实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题，加入批量归一化算法与丢弃法，提高网络训练速度，有效防止过拟合。针对数据集稀缺的问题，固定每次读取帧序列的长度，随机生成起始帧的位置，不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果，五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测，提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合，构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力，采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品，并且目标检测的平均准确率约94%，检测速度约为6 frame/s，对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题，为进一步提高识别准确率，提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure，ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network，ResNet）基础上，通过借鉴ResNet多通路选择思路，引入嵌套式恒等跳跃连接结构，利用提取的特征实现不同调制方式的分类。仿真结果表明，面向RadioML2016.10a数据集，较卷积神经网络（Convolutional Neural Network，CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network，CNN_LSTM）算法，以增加网络复杂度为代价，ResNet_NSCS算法收敛速度快，识别准确率高。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

基于累积和的改进超宽带循环平稳检测算法

针对超宽带循环平稳检测存在的门限难以设定、低信噪比下检测延迟较大的问题，提出了基于累积和的改进超宽带循环平稳检测算法。首先将信号整个三维循环谱归一化为二维灰度图，与噪声对应的灰度图比较差异，再将两类图像放入卷积神经网络（Convolutional Neural Network,CNN）自行训练提取特征，解决门限难以确定的问题。若分析三维循环谱的时间块长过短，将导致信号灰度图特征在有无噪声情况下区别不大；若块长过长会导致检测延迟较大。为此，采用累积和算法提取网络全连接层输出的信号概率作为累积和的观测统计量，自适应检测所需采样时间长度。将所提算法与传统循环平稳检测以及结合了CNN的循环平稳检测进行对比，仿真表明所提算法在低信噪比下性能最优。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题，研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力，训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置，分析了不同激活函数、不同参数、不同网络结构的识别性能，对比了CNN与其他分类器的识别结果，用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

基于分离卷积的战场目标聚集行为识别

针对大部分行为识别算法效率较低，难以应对大规模影像识别任务的问题，一方面，提出一种结合双流结构与多纤维网络的双流多纤维网络模型，分别以RGB序列、光流序列为输入提取视频的时空信息，然后将两条支路网络的识别结果进行决策相加，提高了对战场目标聚集行为的检测效率与识别准确率；另一方面，提出一种结合分离卷积思想与多纤维网络的双流分离卷积多纤维网络模型，进一步提高网络检测效率与抗过拟合能力。实验表明，在建立的情报影像仿真数据集中，上述算法能够有效识别出战场目标聚集行为，在大幅提升检测效率同时实现了识别准确率的提升。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。