针对煤矿生产区域的监控视频较为模糊且人员行为类型复杂,常规行为识别方法的准确率较低的问题,提出了一种基于动态注意力与多层感知图卷积网络（DA-GCN）的煤矿人员行为识别方法。采用Openpose算法提取输入视频的人体关键点,得到3个维度、18个坐标的人体关键点信息,降低模糊背景信息的干扰;通过动态多层感知图卷积网络（D-GCN）提取人体关键点的空间特征,通过时间卷积网络（TCN）提取人体关键点的时间特征,提高网络对不同动作的泛化能力;使用动态注意力机制,增强网络对于动作关键帧、关键骨架的注意力程度,进一步缓解视频质量不佳带来的影响;使用Softmax分类器进行动作分类。通过场景分析,将井下行为分为站立、行走、坐、跨越和操作设备5种类型,构建适用于煤矿场景的Cumt-Action数据集。实验结果表明,DA-GCN在Cumt-Action数据集的最高准确率达到99.3%,最高召回率达到98.6%;与其他算法相比,DA-GCN在Cumt-Action数据集和公共数据集NTU-RGBD上均具有较高的识别准确率,证明了DA-GCN优秀的行为识别能力。

一种基于卷积神经网络的信号调制方式识别方法.pdf

使用 MATLAB 软件和 Open CV 开源库搭建实现 A-PCA+BP神经网络的人脸识别系统，系统能够实时检测人脸与识别。

针对电力设备巡检智能化水平较低的现状，文中将增强现实（Augmented Reality，AR）技术应用于电力设备巡检过程。文中从智能巡检终端、服务器与数据库3个层面构建了基于AR技术的电力设备智能巡检系统架构。提出基于AR技术和深度神经网络（Deep Neural Networks，DNN）算法的电力设备故障识别方法，将智能巡检终端采集的图像作为输入，在线识别电力设备可能存在的故障类型。通过仿真测试表明，所提方法故障识别时间与支持向量机（Support Vector Machine， SVM）与BP神经网络（Back Propagation-Neural network， BP-NN）算法相近。但是各类故障识别准确率均大于98%，大于SVM与BP-NN算法，所提方法能够快速准确地识别电力设备故障类型。

基于图论的乳腺肿瘤超声图像的分割和识别方法.pdf

提出一种基于肌电传感器 和加速度计的识别人体手势的智能信息系统

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。

目的通过对数据进行约简提高模式识别中数据的有效性,以提高胶合板缺陷检测的准确率和在线的实时性。方法利用粗糙集理论在数据约简上的优势,提取出对模式识别决策结果影响最大的属性,约简掉对决策结果影响较小的属性。利用模糊逻辑在不确定性问题的能力,提高边缘属性在模式识别中的权重值。利用神经网络在模式识别中的有效性,将粗糙集算法、模糊逻辑、神经网络的人工智能算法有效相结合,提出一种基于模糊粗糙集神经网络的模式识别分类方法。结果结合胶合板缺陷检测,针对胶合板的13类缺陷的17个属性,提取出最有效的数据,约简了对决策影响

基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx基于目标检测的户型图识别方法、装置、计算机设备.docx

动作识别研究 该存储库包含用于动作识别的6种代表性2D和3D方法的一般实现，包括I3D [1]，ResNet3D [2]，S3D [3]，R（2 + 1）D [4]，TSN [5]和TAM [ 6]。 这些代码用于我们对动作识别的分析。 陈春福（Richard）Chen *，Rameswar Panda *，Kandan Ramakrishnan，Rogerio Feris，John Cohn，Aude Oliva和Fanquanfu *，“对基于CNN的时空表示进行动作识别的深入分析”。 *：均摊 如果您使用此仓库中的代码和模型，请引用我们的工作。 谢谢！ @inproceedings{chen2020deep, title={Deep Analysis of CNN-based Spatio-temporal Representations for Action Recog