为学龄前儿童情感监控基于人脸识别和情感识别算法

文摘

在本文中,我们研究了人脸识别和情感识别算法来监测学龄前儿童的情感。以前的情感识别关注的面孔,我们建议从面孔获得更全面的信息,手势,和背景。使用深度学习方法,我们设计一个更轻量级的网络结构减少参数的数量,节省计算资源。不仅有创新的应用程序,而且算法的改进。和脸注释是在数据集上执行,而分层抽样法是为了缓解不平衡现象,存在于数据集的数据。新特性描述符,称为“面向梯度直方图从三个正交平面”,提出了描述面部外观变化。提出了新的有效的几何特征来捕捉面部轮廓变化,情感识别和音频的作用方法是探索。Multifeature融合可以用来优化组合不同的特性。实验结果表明,该方法是非常有效的最近的其他方法相比在处理面部表情识别问题视频laboratory-controlled环境和室外环境。执行的方法表达实验检测在面部表情数据库中。 The experimental results are compared with data from previous studies and demonstrate the effectiveness of the proposed new method.

1。介绍

情感识别(ER)是推断的过程,另一个人在某种情绪状态通过观察,分析,确定有效的目标信息的情绪状态(1]。人类沟通的社会生活通过两个主要渠道:听觉和视觉。听觉通道进行语言和音乐和视觉通道进行面部表情和身体姿势(2]。面部表情,作为一个强大的视觉通道,发挥着不可替代的作用在传达人类情感和环境信息,和面部表情,言语和身体的姿势,一起构成社会背景的主要通信系统(3]。自动面部情感分析系统旨在解释和理解人类心理活动通过分析面部表情。相关学科的计算机技术和人工智能技术发展迅速,产生巨大的社会变化,进步在情报4]。随着计算机在很多领域发挥着越来越重要的作用,需要人机交互(HCI)变得越来越强大5]。使人机交互更加自然和智能的发展[新技术也得到了广泛的关注6]。设想,电脑可以说话,听,看,理解和表达的情感像实现自然和真实的人无障碍交流,从而使我们的生活更方便7]。人们可以表达自己的情绪通过与微妙的表情和精度,和他们也可以了解别人的内心想法。在未来,如果我们想实现真正的人工智能和计算机为我们服务和生产天然和智能人机交互,然后他们必须识别和表达情感的能力,和他们需要的情感8]。情感识别是人工智能领域相关,它可以帮助计算机智能识别人类情感(9,10]。情感识别领域的持续发展,增加研究正在进行情感识别和它有一个重要的地方不同的应用领域,例如人机通信(11]。情感识别系统的主要目标是理解不同形式的输入信号,并使用它们来传递情感信息被解释。非语言沟通是一个重要的问题被认为是在所有这些系统(12]。解剖结构的面部特征是造型艺术的重要组成部分和影视艺术培训。表达式的表达必须建立基于理解的解剖结构。人物的内心情绪往往通过眉毛和嘴来表达。正是通过这些外部表现,艺术家揭示人物的内心世界。这种系统的一个重要方面是研究人类与电脑用非语言的方式沟通的机制,这样应用程序可以解释和与用户的情感联系。

Pourshamsi等人发表FER2013数据库包含28709训练图像13]。米塔尔第一pretrained他们的模型大FER2013训练集和调整其他户外使用小样本数据集(14]。黄等人提出了一个新面孔增强网络提高了深层的信念网络(BDBN) [15]。表情识别是不停的重复使用三个训练阶段统一复发性框架。第一帧和最后三帧图像序列选择在这个实验中获得更多的样本CK +数据库。众多实验使用CK +和JAFFE数据库已经证明他们的框架是当前最先进的算法,显著提高基准测试在两个数据库16]。许尔斯曼通过等人训练的网络表情识别、提取和结合外观和几何特性,并训练视频数据系统和自动面部动作检测(17]。灵感来自于这个系统的发展,许多研究人员已经把面部表情到他们的系统作为一个非常成功的方式去理解一个人的精神状态。近年来,许多不同的方法提出了面部表情检测和识别(18]。神经classifier-based自动面部表情识别的方法取得了良好的效果。系统训练使用许多不同的图像,包括各种面部动作,提高测试的准确性。神经分类器包括情感识别的计算负荷。研究人员提出了一个基于外观的面部表情识别方法和形状特征提取,首次执行决策融合之后,情感检测(19]。为了提高性能,局部描述符用于第一次。动态面部动作不被认为是在工作。使用面部元素和肌肉运动的方法来表示动态特性消除了限制使用静态特性的方法,从而提高正确识别率(CRR) [20.]。相对而言,这种方法有效地减少了处理时间,但它不是一个实时视频处理方法涉及多个帧。

论述了一个面部表情识别方法与multifeature融合视频。视觉模式的潜力(面部图像)和音频模式探讨(演讲)。在解决视觉形态的问题,提出了一种新功能描述符叫做HOG-3D描述面部外观变化。和一个有效的几何变形特性,这是来自面部特征点的变形的变化,提出了描述面部结构的变化。情感识别音频模式的角色也在探索。multifeature融合与多核学习方法进一步用来处理面部表情识别laboratory-controlled环境和户外,分别。通过整合LSTM网络,提出了一个单独的深度学习模型:一个户外视频脸LSTM模型验证,结合深CNN模型和LSTM模型改善自发的面部表情识别。这项工作旨在改善面部的分类性能分析在户外通过减少参数的数量和训练样本的数量以及深度模型的训练时间。面部表情识别的方法基于图像序列使用两个LSTM模型的融合算法。

2。人脸识别和情感识别算法设计分析

2.1。人脸识别和情感识别算法的设计

两个非常相似的研究领域、表情识别和人脸识别有许多共性,令许多人对人脸识别领域的理论和技术直接应用于面部表情分析的领域(21]。两者的区别主要是面部识别标识的人是谁,认识到更多的类别,而表情识别识别人类的情感和认识到更少的类别,以及当前表达式分析类别主要是六种表情,分类器的选择两个有一个很大的差异和特征提取也不同。图1显示面部表情分析的一般过程。

大多数当前的公开可用的脸上表情识别效果验证数据库。首先,人脸检测和预处理的原始数据集上执行图像,即。,the face regions in the images are detected and localized using computers, and then the face images are cropped to the required size, which mainly contains face localization, face alignment, grayscale, scale normalization, etc. Then, the expression features of the preprocessed face image are extracted. To avoid the large dimensionality of the extracted features, the dimensionality reduction of the expression features is also involved. Finally, appropriate classification methods are selected to classify the extracted features based on the differences between facial expression features. Face alignment is used to better eliminate the effect of different poses or views before extracting face features. These new technologies have infiltrated and merged with each other while developing themselves, and they have also infiltrated with traditional technologies, forming a variety of composite technologies, which further promoted a new climax in the development of science and technology [22),其次是逆原始图像的变形。选中的点可以是在脸部轮廓或眼睛或鼻子的中心,维护转换的鲁棒性而不改变面部表情。除了几何规范化使用仿射变换(相似变换),标准化也可以执行使用分段仿射变换(PWA)。

普罗克汝斯忒斯仿射变换后使用中间一列所示,三角网格区域内的像素分别变形来填补参考形状。当使用人工特性,PWA证明是必要的估算低强度来自。虽然深cnn旋转和平移不变,面对正常化适用于快速收敛,避免过度拟合问题层层肥肉数据库培训。等面对极端的姿势表达分析旋转90°,不可能通过仿射变换或PWA获得近前的脸。在这种情况下,面对对齐就恢复一个面临的主要问题从任意姿势变成积极的脸。正面面对近年来合成的一个方法是双通道生成对抗网络(TP-GAN) [23),训练保持全局结构和局部外观细节通过两个编解码器结构,实现更好的结果。

输入门是用来从候选人中提取信息的状态。

在本文中,我们提出一个端到端窝点异常网络模型同时预测26离散类别和3连续维度。如图2,牙齿异常包括两个部分:特征提取网络和功能融合网络。特征提取网络包括三个子网,提取特征脸,行动,分别和上下文。特征融合网络使用完全连接融合三方特性来预测26离散类别和3连续维度。

每个子网由5窝点异常块,如图2。在中间的每一块,放置1×1卷积转换层来减少一半的渠道特征映射。每个洞穴异常块是特征提取的基本模块。原始图像信息输入的卷积变形层3×3卷积核,这样相同的对象可能显示不同大小、姿势、角的变化,甚至非刚性变形的形象。前三个洞穴异常块1×1转换层和一个2×2平均池。洞穴异常块密集使用密集的网络连接的方法。

原始图像的大小是64。假设第一个窝点异常块的输出通道N,输出特性图的大小是6464N地图,该功能将会非常大,计算会很重。因此,我们使用前三个洞穴后平均池异常块来减少图片的大小从64×64 - 8×8。这大大减少了计算,进一步提高了网络的泛化能力。最后两个洞穴异常块只通过转换层。在这个阶段,特征图谱是足够小。保留足够的空间信息,没有池操作使用。地图叠加后三方功能,它是由两个完整降至26日和3连接,和最终的功能分为26和3类。最后,离散的类别映射到[0,1]的乙状结肠功能,为每个类别和预测。

输入的每一层密集的净来自前一层的输出,即层l,将会有l(l+ 1)/ 2连接密集的网。这5层的异常有15连接和增长率R。洞穴异常块的输出特性的数量对应于输入功能N是N+ 5×R。紧密连接方法允许每一层接受这个损失函数的梯度直接从特征映射的输入,导致一个隐式的监督学习。这种结构的优点是网络范围窄,一些参数,有效传播梯度和功能信息,和简单的网络培训。在回旋的网络中,网络越深,就越有可能发生梯度消失的问题。每一层致密连接直接连接的输入和丧失功能,减轻梯度消失的问题,使网络更深入。

2.2。为学龄前儿童设计的情感探测系统

图像预处理中扮演一个重要的角色在表情识别系统。如果交付给表达式识别系统的图像质量太低或含有大量噪声,表情识别系统的准确性将会大大减少。通常,面对图像人脸检测步骤后不直接用于表达和情感识别由于照明的问题,脸角,面构成,不同的图像大小,等等。在执行步骤如表达式识别之前,检测图像通常需要预处理[24]。图像预处理的主要目的是提高图像质量,因此算法的准确性。本文以下类型的图像预处理:由于图像中光照的影响在收购的时候,不同的亮度和黑暗中很容易出现在图像,如图3,如果灰度分布狭窄,它将影响图像对比度和导致缺乏清晰的细节图片。这将影响到后续工作,如特征提取。为了提高图像的清晰度,有必要使图像灰度值的差异更大。至少有21种人类的面部表情。除了常见的6种快乐,惊喜,悲伤,愤怒,厌恶,恐惧,有15种复合表达式可以区分,如惊讶(满意+惊喜)和悲伤(sad +愤怒)。

在原始图像中,可能会有一些倾斜的面孔。如果这些倾斜的脸直接送入表达式识别网络,预测结果往往有很大的偏离真实的。几何归一化的主要目的是调整图像来表达一个统一的大小,这促进了表情特征的提取。在几何归一化,面对第一次调整到一个统一的尺寸,然后根据一些数据点特征是一致的脸如鼻子、嘴,等等。由此,我们可以看到一张脸图像的几何变换过程大致可以分为以下两个步骤:首先,空间转换、图像和这些转换包括旋转、统一大小,翻译等。

这个系统的表情识别模块的工作流程如图3。因为颜色通道的数量等因素的图像和不同肤色的脸,预处理,人脸检测所需的脸前脸表情识别。弥补缺失的数据,在数据集上执行数据增强。前脸图像输入到表情识别网络,面对需要变成灰色,直方图均衡化,图像校正,面对图片裁剪的无用的区域必须执行。在训练阶段,随机旋转和水平翻转,以及随机水平镜像,执行输入表达式识别网络扩大数据样本的数量。

缺陷数据集被用来训练人脸识别算法模型。计算机视觉实验室编制的缺陷是一个数据库马萨诸塞州立大学阿默斯特,美国,这是专门研究人脸识别问题在不受限制的环境中(25]。数据集包含了超过13000的脸图像,人脸图像与每个不同的身份标记为一个不同的名称。都面临从网络收集的样本在nonlaboratory环境,非常适合第一个人脸识别算法模型的基本训练。特征线段可以生成交互式或自动检测。图像变形使用双线性插值的反向映射算法。脸图像的实时捕获检测在视频监控场景中更大的挑战比静态图像人脸检测。首先,很难保证样本的准确性:物体的运动,图像采集设备的延迟,以及其他因素导致在采集图像模糊;然后,有环境的复杂性:面对在图像视频监控环境中很难被探测到的脸收购图像由于环境的亮度变化的影响,阻塞的影响在人群中间,所造成的对比变化的硬件因素采集设备、颜色变化等的影响。其次,很难准确地检测在捕获的图像由于面临相对较小比例的脸在视频监控下,也难以准确识别基于准确的检测;最后,与收购合作的程度:检测到的人不会积极配合采集设备采集图像,这是不同于静态的脸比较环境,这将导致在捕获的图像的构成有多样性,如图4。

模糊的程度表示程度的模糊的面孔面对训练集的框架,为清晰的面孔的值为0,1为正常的面孔,和2为严重的模糊。阻塞的程度表明的阻塞程度面临着面对训练集的框架,对没有遮挡的值为0,1部分闭塞但不严重,和2大面积的严重阻塞。当面对面对帧出现更明显的前视图或视图的相机,它被认为是一个“非典型的脸,”和值是1。脸的亮度显示亮度面对框架,和正常状态下的值为0和1在明亮的条件下。

其中,情感机制部分主要研究隐含情绪状态之间的通信和人类的生理行为和生理特征,及其基础理论情感心理学、认知科学、等等情绪激发往往伴随着多个生理特质或行为的变化,反之,多种情绪可能会导致特定的人类行为和生理特点。人类行为和生理特征和情绪之间的关系是非常复杂的。准确地描述人类的情感,我们需要发现的生理特征和情感之间的对应关系。情绪是情感的基础计算和识别机制。

控制器处理用户输入的信息。负责读取数据的视图、控制用户输入,并发送数据到模型中,应用程序的一部分来处理用户交互。它负责管理控制的与用户交互26]。它接收来自用户的请求和将数据转化为参数,然后调用相应的函数模型中获取返回的数据执行操作,然后分析并将其传递到视图呈现(渲染),最后输出给用户;视图和控制器共同构成用户界面,如表所示1。

上面提到的图像经过图像预处理模块可以存储小角度倾斜。增加数量的适用性和丰富性,随机旋转操作和随机水平翻转,以及随机水平镜像操作,执行图像输入表达式识别网络。在分类领域,许多指标可用于评估模型的性能。这些评价指标并不是固定的,我们需要选择一个合适的,简单,有效的评价方法的基础上,我们面临的实际问题。最好的方法是结合LSTM和CNN模型算法。两个简单而有效的评估指标,现在常用的是出错率和准确率。我们的模型的性能进行评估米,我们需要比较模型的预测结果与真实的标签。

3所示。结果和分析

3.1。学龄前儿童分析人脸识别结果

如图5150年之后,该模型提出了收敛时间的CK +数据。模型的运行时间是2分钟。十交叉验证导致整个面部表情识别率为97.8%。图5显示了CK +数据库的混合矩阵。如图5预测精度,恐惧,愤怒,和微笑表情在100%左右,而厌恶表情的预测精度是在较低的范围内(少于90%)。提高接头的性能外观和几何特性,顺序表达式识别性能得到外观(LSTM1输出)和几何(LSTM2输出)特性,分别。LSTM1模型的准确性(外观模型)和LSTM2模型(几何模型)是低于联合模型提出了。

模型的性能与最先进的方法相比,如图5。本文中的方法显示了非凡的结果使用两个LSTMs合并层,它获得新的基准测试结果相对于现有的基于视频的方法。它可以得出的结论是,这样一个LSTM模型提高了准确性,包括外观和几何特性输入顺序模式。调整AlexNet特征提取,因为它能证明一个特定的面部图像中的每一个重大变化的代表。经过LSTM模型,它也演示了如何外观和几何表现出良好的识别性能。本文提出的方法实现了97.8%的平均平均面部表情准确性CK +数据库,这是当前视频的最佳性能的方法,并展示了新BP4D显著的性能数据库。这些倾斜的脸直接发送到面部表情识别网络,但预测结果往往与实际结果不同,因为面部表情非常复杂和训练数据不多,导致不同的结果。的方法也达到76.16%的准确率MMI数据库,和该方法获得最好的准确性基于此数据库的基准性能和证明本文提出的方法是非常有效的监测面部表情变化,如图6。

当前帧的目标跟踪,如果最大漂移预测目标的位置和实际位置之间的长度和宽度不超过15%,那么跟踪被认为是成功的。信心得分的阈值设置为0.75,和目标被认为是搬出去的图片搜索范围,如果不超过0.75,和目标仍在搜索范围是否超过0.75。在实际环境中测试,人脸检测模块的结合大大提高了实时检测、基于唯一性原则,环境的干扰对人脸识别的准确性在一定程度上消除,并取得了良好的效果。粗略地说,模糊图像会降低图像清晰度。这可以通过平滑的颜色像素之间的转换。

在这项研究中,数据收集使用连续从学龄前儿童摄影,和总样本量是42。每周有一天被选作研究,和连续镜头的数量为一个人在同一时间是1500年。因为有许多孩子,研究分为三个星期。收集的样本处理结束时消除图像干扰,和样本大小是一个人1000张照片。使用训练数据构建模型,反向传播算法不断更新权重确定模型的参数,训练数据在这项研究中使用人均500的图片,和验证数据是用来评估模型更好的深度学习通过使用训练模型,在这一步中选择最好的一个是;然后,测试数据是用来测试它,因为如果模型并不适用于测试,需要选择另一个模型或者下次再培训。在这项研究中,250个图像被用于验证数据和测试数据,如图7。

训练集的最后,从LMDB文件,生成的文件是内置计算咖啡。的角色意味着文件规范化数据减去它减少样品的波动,可有效提高准确率在训练时减去均值通常使图像的亮度降低,但是人脸识别的亮度并不重要,所以在这项研究中,意味着文件是用来改善样品的稳定性,和图7显示了训练面临的平均值。

3.2。系统性能分析

从开始的方向不是很明确的训练,一个大学习速率可以快速正确的方向移动;然而,随着迭代次数的增加,返回的梯度将变得越来越小,因为它是相对低点,和学习速率过大时将有太多的动能的损失值,不能有效地减少到一个局部最小值,也就需要找到一个局部最小值的动态学习速率降低。这就是必须找到局部最小值的动态学习速率降低。在这项研究中,学习速率是减少训练每2500次10000次,减少,和每一个的大小减少图所示8。

然后,计划调节的权重通过训练数据和生成损失值通过训练数据和验证数据,和准确性得到验证模型通过验证数据每隔100培训重叠。图8每次训练后显示的准确性和损失值,当最初的学习速率是0.01。由于学习速率较高,随机梯度下降法的步骤太多保持准确的局部最小值,导致不收敛的情况。图中验证损失是87.3392,因为它太靠近损失由培训。许多模型需要一个星期的基本模型,和网络不能训练一次,我们还需要微调模型作进一步的改进,这只是一个训练模型,各种hyperparameters也需要调整,所以整个模型的训练时间很长,和使用GPU培训的成本也是非常高的。所以,深度学习的一个主要问题是,训练时间太长了。解决方案包括两个方面;一方面,在设计网络时,重要的是要合理减少参数的数量和节省计算资源在不损失精度。这也是有关设计网络结构是否可以应用在地面上,如图9。

通过比较两个模型的训练结果,可以发现,模型提出了改进VGG-19以及典型Resnet18网络执行令人满意,但改善的准确性VGG-19网络是更好的。数据集的公共测试集脸上FER2013,改进的quasi-curvature VGG-19模型提出了达到71.486%,FER2013的私人测试集,其精度达到73.057%,超过了模型精度最高的FER2013人脸识别竞争2013年(71.161%)。自从CK +数据库中面临被收集在实验室条件下,图像质量比这更好的地方FER2013,样品都相对容易识别。因此,改进的准确性VGG-19网络CK +数据集也比FER2013更高。CK +数据集,提高VGG-19模型提出了达到93.535%的精度,其性能相比并不落后,其他的模型。这也反映了深刻的优越性卷积网络比传统的计算机视觉算法领域的面部表情识别,如图10。

通过观察混淆两个模型训练的结果,可以发现改进VGG-19网络提出了与传统Resnet18网络有一个相对较高的误分类率时区分表达式如悲伤和愤怒,这是因为在某些表达式的区别,事实上,也是模棱两可,难以区分。对于一些表达式(例如,高兴和惊讶),两个模型更高的精度;对于其他表达式(例如,恐惧和悲伤),两个模型的准确性较低。这主要是因为两个原因。第一个原因是,面部特征更加明显的表情恐惧,悲伤,幸福,和惊喜。第二个原因是,各种表情的图片的数量数据集分布是不均匀的,和表达更多的样本往往有较高的识别精度,例如,在CK +,快乐和惊喜的图片标签的数量明显高于其他标签。例如,在CK +,快乐和惊喜的图片标签数量明显高于其他标签,这解释了较高的识别精度的快乐和惊喜比其他标签标记。总的来说,改善VGG-19网络提出了满足设计系统设计的要求。

训练的深度学习的微调参数在线教学管理系统建立结合面监控、人脸识别,和情感分析模型,本研究改变了不公平引起的学生缺席或旷工记录时间和人脸识别的不稳定可能会掩盖,不能正确识别。除了决定学生是否出现在课堂上,它也可以确认学生的类通过持续的监控状态和学习态度。

4所示。结论

情感识别的方法有很多,比如面部表情识别、手势情感识别、语音情感识别,生理模式识别,和多通道情感识别。本文提出了多通道情感识别使用深度学习方法,侧重于情感识别研究结合面,行动,和上下文。以往的传统研究方法进行特征提取,然后用一个合适的分类方法;我们使用一个基于深度学习方法能够进行特征提取和分类任务。基于当前深入学习研究方法渗透到各个领域,应用图像的各种任务,如图像分割、人脸识别、实时多人姿势估计,对象跟踪,等等。有关情感识别为主,我们目前的数据集,各种图像和视频数据库用于面部表情分析,和人类的手势分析和验证。和数据集的分类解释,以及数据处理工作的一部分,引入催吐剂数据集用于本文的问题和提出的处理方法。尽管面对跟踪算法可以提高整个系统的免疫力面对动态模糊,姿势,角,和其他因素,这仍然是不够的。基于这个问题,本文提出了一种面对模糊检测算法模型来表示在视频图像的鲁棒性,将面对匹配分数人脸检测算法的输出模型表示的脸模糊和图像模糊的特点特征所代表的拉普拉斯算子过滤一起代表面对视频图像模糊。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. o . l . Liu德韦尔Q.-L。汉族,j·张,y,“检测和防止网络内部威胁:一项调查,“IEEE通信调查和教程,20卷,不。2、1397 - 1417年,2018页。视图:出版商的网站|谷歌学术搜索
2. m . Azad-Manjiri a Amiri, a·萨利赫Sedghpour”ML-SLSTSVM:一个新的结构最小平方双子支持向量机的多标记学习”模式分析与应用,23卷,不。1,第308 - 295页,2020。视图:出版商的网站|谷歌学术搜索
3. l .江l .严y夏,郭,m .傅和k,“异步多重速率的多传感器数据融合在不可靠的测量数据与相关噪音,”IEEE航空航天和电子系统,53卷,不。5,2427 - 2437年,2017页。视图:出版商的网站|谷歌学术搜索
4. z h . Wu张娇,c·李和t . s Quek),“学习意义:meta-learning-based传感和无线传感器网络的融合框架,“IEEE物联网》第六卷,没有。5,8215 - 8227年,2019页。视图:出版商的网站|谷歌学术搜索
5. p . Ghamisi r . Gloaguen p . m .阿特金森et al .,“多源遥感和多瞬时数据融合:一个全面的复习状态的艺术,“IEEE地球科学和遥感杂志,7卷,不。1,6-39,2019页。视图:出版商的网站|谷歌学术搜索
6. h .张x, z王et al .,“自适应一致同意的分布式目标跟踪与动态集群在传感器网络中,“IEEE控制论卷,49号5,1580 - 1591年,2018页。视图:谷歌学术搜索
7. x y元,Pu,“平行无透镜的压缩成像通过卷积神经网络,”光学表达,26卷,不。2、1962 - 1977年,2018页。视图:出版商的网站|谷歌学术搜索
8. d·索尔坦、m . Bousbia-Salah和m . Bettayeb“轮椅位置多传感器数据融合与无味卡尔曼滤波器估计,“国际期刊的自动化和计算,15卷,不。2、207 - 217年,2018页。视图:出版商的网站|谷歌学术搜索
9. 诉拉杜,c, s·巴塔查里亚et al .,“多通道深度学习活动和上下文识别”,诉讼ACM的互动、移动、可穿戴和无处不在的技术,1卷,不。4,1-27,2018页。视图:出版商的网站|谷歌学术搜索
10. 问:周和y郑,“长链接无线传感器路由优化改进的自适应蚁群算法的基础上,“国际期刊的无线信息网络,27卷,不。2、241 - 252年,2020页。视图:出版商的网站|谷歌学术搜索
11. z赵、王x和t . Wang”小说测量数据基于支持向量机的分类算法跟踪紧密间隔的目标,“IEEE仪表和测量,卷68,不。4、1089 - 1100年,2018页。视图:谷歌学术搜索
12. m ., a al - jarrah al - sabah) a . Al-Dweik m . Kalil et al .,“决策融合分布式协作无线传感器网络”IEEE车辆技术,卷68,不。1,第811 - 797页,2018。视图:谷歌学术搜索
13. m . Pourshamsi m·加西亚·m·拉瓦,h . Balzter”PolInSAR的机器学习方法和激光雷达数据融合提高热带森林的树冠高度估计使用NASA AfriSAR运动数据,”IEEE选择杂志的主题应用地球观测和遥感,11卷,不。10日,3453 - 3463年,2018页。视图:出版商的网站|谷歌学术搜索
14. n·米塔尔,辛格,r . Salgotra和b s Sohi”节能稳定使用模糊聚类方法扩展灰太狼为网络优化算法,”无线网络,25卷,不。8,5151 - 5172年,2019页。视图:出版商的网站|谷歌学术搜索
15. w·黄、凌y和w·周”一种改进LEACH路由算法对无线传感器网络来说,“国际期刊的无线信息网络,25卷,不。3、323 - 331年,2018页。视图:出版商的网站|谷歌学术搜索
16. s . Nakayama g . Blacquiere, t .西山贵子”自动混合收购与不规则空间抽样调查设计通过集成metaheuristic和深度的学习”地球物理学,卷84,不。4,P47-P60, 2019页。视图:出版商的网站|谷歌学术搜索
17. j .许尔斯曼通过j·特劳布,诉Markl“需求导向传感器数据采集与多查询优化,”美国养老,13卷,不。12日,第2804 - 2801页,2020年。视图:出版商的网站|谷歌学术搜索
18. a . Belhadi y Djenouri, j . C.-W。林,a·卡诺”轨迹异常值检测,”ACM交易管理信息系统,11卷,不。3、1至29,2020页。视图:出版商的网站|谷歌学术搜索
19. a . Zappone m·迪伦佐·m . Debbah,“无线网络设计深度学习的时代:基于模型,基于ai,或都有?”IEEE通信,卷67,不。10日,7331 - 7376年,2019页。视图:出版商的网站|谷歌学术搜索
20. a . b . Hamida a . Benoit p·兰伯特et al .,“三维深度学习的遥感图像分类方法,”IEEE地球科学和遥感卷,56号8,4420 - 4434年,2018页。视图:谷歌学术搜索
21. a . Farasat g .总值、r . Nagi和a·g·尼克拉艾“社会网络分析与数据融合,”IEEE计算社会系统,3卷,不。2、88 - 99年,2016页。视图:出版商的网站|谷歌学术搜索
22. h·a·皮尔森和m . s . Gashler“深度学习机器人:回顾最近的研究,“先进的机器人没有,卷。31日。16,821 - 835年,2017页。视图:出版商的网站|谷歌学术搜索
23. k . l . Li Ota, m .侗族“深度学习智能工业:高效生产与雾检测系统计算,”IEEE工业信息,14卷,不。10日,4665 - 4673年,2018页。视图:出版商的网站|谷歌学术搜索
24. A . Jalali和h .波斯语“一种新的隐写术算法基于视频稀疏表示,“多媒体工具和应用程序,卷79,不。3 - 4、1821 - 1846年,2020页。视图:出版商的网站|谷歌学术搜索
25. 歌,j . j . Thiagarajan p . Sattigeri和a . Spanias“优化内核使用深度学习机器,”IEEE神经网络和学习系统卷,29号11日,第5540 - 5528页,2018年。视图:出版商的网站|谷歌学术搜索
26. s . De l . Bruzzone A Bhattacharya et al .,“基于深度学习的新技术和合成目标数据库分类PolSAR城市地区的数据,”IEEE选择杂志的主题应用地球观测和遥感,11卷,不。1,第170 - 154页,2017。视图:谷歌学术搜索

版权

版权©2021 Guiping玉。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。