A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning
Apple（苹果公司）
A.R.I.S.通过深度学习实现电子废弃物的高效自动分拣，提升材料回收效率并降低先进回收技术的门槛。
2026-02-19 cs.LG
DeePCCI: Deep Learning-based Passive Congestion Control Identification
RWTH Aachen University（亚琛工业大学）；Brandenburg University of Technology（勃兰登堡工业大学）
传输协议使用拥塞控制来避免网络过载。如今，存在影响性能的不同拥塞控制变体。因此，研究它们的使用是相关的，但很难确定使用的是哪种变体。虽然存在被动识别方法，但这些方法需要详细的领域知识，并且通常还依赖于关于拥塞控制如何操作以及哪些数据可访问的过时假设。我们提出了DeePCCI，一种被动的，基于深度学习的拥塞控制识别方法，除了训练拥塞控制变体的流量之外，不需要任何领域知识。通过仅使用分组到达数据，它也可直接应用于加密（传输报头）业务。因此，DeePCCI更容易扩展，也可以与QUIC一起使用。
2019-07-04 cs.LG cs.NI
Deep Residual Shrinkage Networks for EMG-based Gesture Identification
School of Physical Science and Technology, Lanzhou University（兰州大学物理科学与技术学院）；School of Advanced Technology, Xi'an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；Chongqing Jiangbei Bachuan Quantum Middle School（重庆江北巴川量子中学）；School of Chengdu Shishi Cambridge A-Level Centre（成都石室剑桥高级课程中心）
介绍了一种基于肌电信号的高精度手势识别方法。一种新开发的深度学习方法，即深度残差收缩网络被应用于执行手势识别。根据手势产生的肌电信号的特点，对识别算法进行了优化，提高了识别精度。最后，采用三种不同的算法比较了肌电信号识别与DRSN识别的准确性。结果表明，DRSN在肌电信号识别准确率方面优于传统神经网络。本文为肌电信号的分类提供了一种可靠的方法，并探讨了DRSN的可能应用。
2022-09-02 cs.LG eess.SP
Deep Neural Network Aided Scenario Identification in Wireless Multi-path Fading Channels
School of Electronic Science（电子科学学院）；National University of Defense Technology（国防科技大学）
这封信阐述了我们在无线多径衰落信道中用于无线通信场景识别的深度神经网络（DNN）方面的初步工作。在这封信中，六种渠道情景参考COST 207渠道模型已经完成。在信噪比大于20 dB的情况下，识别准确率为100%，而在信噪比为0 ~ 40 dB的情况下，平均识别准确率为88.4%。该方法在快时变条件下进行了测试，这与现实世界中的无线多径衰落信道相似，使其能够在实际场景识别的可行性。
2018-11-23 cs.LG eess.SP
MIIDL: a Python package for microbial biomarkers identification powered by interpretable deep learning
检测用于预测疾病表型和临床结果的微生物生物标志物对于疾病早期筛查和诊断至关重要。大多数生物标志物鉴定方法是基于线性的，这是非常有限的，因为生物过程很少是完全线性的。将机器学习引入这一领域往往会带来一个有前途的解决方案。然而，以可解释的、数据驱动的和稳健的方式鉴定微生物生物标志物仍然具有挑战性。我们介绍了MIIDL，这是一个Python包，用于基于可解释的深度学习识别微生物生物标志物。MIIDL创新性地应用了卷积神经网络、多种可解释性算法和大量的预处理方法，为从高维稀疏数据集中识别微生物生物标志物提供了一站式和强大的管道。
2021-09-24 cs.LG q-bio.QM
Deep State Space Models for Nonlinear System Identification
Uppsala University（乌普萨拉大学）；Linköping University（林雪平大学）
深度状态空间模型（SSM）是深度学习社区中开发的时态模型的一个积极研究的模型类，与经典SSM有着密切的联系。由于深度神经网络的灵活性，使用深度SSM作为黑盒识别模型可以描述广泛的动态。此外，模型类的概率性质允许对系统的不确定性进行建模。在这项工作中，解释了一个深度SSM类及其参数学习算法，以扩展基于深度学习的非线性识别方法的工具箱。六个最近的深SSM进行评估，在第一个统一的实施非线性系统识别基准。
2021-06-18 cs.LG cs.SY eess.SY
dynoGP: Deep Gaussian Processes for dynamic system identification
School of Computer Science and Statistic, Trinity College Dublin（都柏林三一学院计算机科学与统计学院）；SUPSI（瑞士南部应用科学大学）；IDSIA - Dalle Molle Institute for Artificial Intelligence（IDSIA - 达勒·莫勒人工智能研究所）
本研究提出dynoGP方法，通过互连线性动态GP与静态GP构建深度高斯过程模型，结合数据驱动方法优势与概率分布输出能力，实现含不确定性量化的动态系统辨识，经模拟与真实数据验证有效。
2025-02-08 cs.LG stat.ML
Audio Recording Device Identification Based on Deep Learning
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种从背景噪声中识别录音设备的方法，从而为取证提供了一种方法。音频信号是语音信号和噪声信号之和。语音信号承载着信息的传递，因此受到人们的广泛关注。因此，为了获得更高的信噪比，人们进行了大量的研究。有很多语音增强算法都是为了提高语音的质量，可以看作是降低噪声。然而，噪声可以被视为音频记录设备的固有指纹痕迹。这些数字痕迹可以通过新的机器学习技术来表征和识别。因此，在我们的研究中，我们使用噪声作为本征特征。对于识别，使用并比较了深度学习方法的多个分类器。识别结果表明，从各设备噪声中提取特征向量，并利用深度学习技术进行识别的方法是可行的，且效果良好。
2016-04-27 cs.LG cs.SD
Comparison of Data Representations and Machine Learning Architectures for User Identification on Arbitrary Motion Sequences
University of Würzburg（维尔茨堡大学）
本文比较三种运动数据编码与五种机器学习架构在XR用户识别中的表现，发现LSTM结合身体相对数据可在150秒内以100%准确率识别34名用户。
2022-11-07 cs.HC cs.LG
Adaptive Re-ranking of Deep Feature for Person Re-identification
Nanjing University（南京大学）；RMIT University（皇家墨尔本理工大学）
典型的人员重新识别（re-ID）方法训练深度CNN以提取深度特征并将它们与距离度量组合以用于最终评估。在这项工作中，我们专注于利用深层特征中编码的完整信息来提高re-ID性能。首先，我们提出了一种深度特征融合（DFF）方法来利用嵌入在深度特征中的不同信息。DFF将每个子特征作为信息载体，并采用扩散过程来交换它们的信息。其次，我们提出了一个自适应重新排名（ARR）的方法来利用编码在邻居的功能的上下文信息。ARR利用上下文信息以迭代的方式对检索结果进行重新排序。特别是，它在每次迭代后自动添加更多的上下文信息，以考虑更多的匹配。第三，我们提出了一个策略，结合DFF和ARR，以提高性能。广泛的比较评估表明，所提出的方法在三个大的基准的优越性。
2018-11-21 cs.CV cs.LG
Dynamical System Parameter Identification using Deep Recurrent Cell Networks
在本文中，我们通过深度学习方法研究动力系统中的参数识别问题。主要针对二阶线性定常动力系统，研究了阻尼因子辨识问题。通过利用具有不同递归单元（即GRU、LSTM或BiLSTM）的六层深度神经网络;并通过馈送从动力系统模拟器捕获的输入输出序列对，我们搜索有效的深度递归结构以解决阻尼因子识别问题。我们的研究结果表明，虽然以前没有在文献中用于此任务，但与单向门控递归存储单元（如GRU和LSTM）相比，双向门控递归单元（BiLSTM）提供了更好的参数识别结果。因此，指示从动态系统收集的并且当被错误地观察时的有限长度的输入-输出序列对可以在两个时间方向上携带用于预测动态系统参数的信息。
2021-07-06 cs.AI cs.LG cs.SY
Towards Individual Grevy's Zebra Identification via Deep 3D Fitting and Metric Learning
University of Bristol（布里斯托大学）；Princeton University（普林斯顿大学）
本文将用于物种检测、3D模型拟合和度量学习的深度学习技术结合在一个管道中，通过利用独特的皮毛图案从照片中识别个体动物。这是尝试这一点的第一项工作，与传统的2D限界框或基于分割的CNN识别管道相比，该方法提供了有效和明确的视点归一化，并允许直接可视化学习的生物特征群体空间。注意，由于使用度量学习，流水线也容易应用于开集和zero shot重新识别场景。我们将所提出的方法应用于个体Grevy斑马（Equus grevyi）识别，并在SMALST数据集上的一项小型研究中显示，使用3D模型拟合确实可以提高性能。特别是，从3D拟合模型的反向投影纹理提高识别精度从48.0%到56.8%相比，2D限界框方法的数据集。虽然这项研究太小，无法准确估计在大规模现实世界应用环境中可实现的全部性能潜力，并与抛光工具进行比较，但我们的工作为动物生物识别技术的下一步奠定了概念和实践基础，以实现深度度量学习驱动，在开放的种群环境中完全3D感知动物识别。我们发布了网络权重和相关的促进源代码与本文的完全再现性和进一步研究的灵感。
2022-08-09 cs.CV cs.LG
Deep learning with transfer functions: new applications in system identification
IDSIA Dalle Molle Institute for Artificial Intelligence（IDSIA达勒莫勒人工智能研究所）；USI-SUPSI（瑞士意大利语区大学-瑞士南部应用科学与艺术大学）
本文提出了一个线性动力学算子描述的有理传递函数，赋予了一个定义良好的和有效的反向传播行为的自动导数计算。该算子能够利用标准深度学习软件对包含线性传递函数和其他可微单元的结构化网络进行端到端训练。给出了该算子在系统辨识中的两个相关应用。第一个是在深度学习中集成{预测误差方法}。动态算子作为神经网络的最后一层，以获得最优的一步前预测误差。第二个考虑从量化数据识别一般面向块的模型。这些面向块的模型通过将线性动态算子与描述为标准前馈神经网络的静态非线性相结合来构造。定义了与量化输出观测值的对数似然相对应的自定义损失函数。对于基于梯度的优化，通过在整个网络中应用反向传播算法来计算对数似然的导数。两个系统辨识基准被用来显示所提出的方法的有效性。
2021-04-20 cs.AI cs.LG
Protein identification with deep learning: from abc to xyz
David R. Cheriton School of Computer Science, University of Waterloo（滑铁卢大学 David R. Cheriton 计算机科学学院）；Bioinformatics Solutions Inc.（Bioinformatics Solutions 公司）
蛋白质是细胞、组织或有机体中生物功能的主要工具。在给定样品中的蛋白质的鉴定和定量，例如在正常/疾病条件下的细胞类型，是理解人类健康和疾病的基本任务。在本文中，我们介绍了DeepNovo，这是一种基于深度学习的工具，用于解决从串联质谱数据中识别蛋白质的问题。这个想法最初是在从头肽测序的背景下提出的[1]，其中卷积神经网络和递归神经网络被应用于从其光谱预测肽的氨基酸序列，这与从图像生成标题类似。我们进一步开发DeepNovo来执行序列数据库搜索，这是肽识别的主要技术，极大地受益于众多现有的蛋白质数据库。我们将从头测序和数据库搜索两个模块结合到一个用于肽识别的深度学习框架中，并整合de Bruijn图组装技术，以提供一个完整的解决方案，从串联质谱数据中重建蛋白质序列。本文描述了DeepNovo用于蛋白质鉴定的综合协议，包括训练神经网络模型、动态规划搜索、数据库查询、错误发现率估计和de Bruijn图组装。我们的GitHub存储库（https：//github.com/nh2trans/DeepNovo）中提供了IPython笔记本形式的训练和测试数据、模型实现以及全面的教程。
2017-10-08 cs.CE cs.LG q-bio.BM
Assured Neural Network Architectures for Control and Identification of Nonlinear Systems
University of California, Irvine（加州大学欧文分校）
在本文中，我们考虑了自动设计整流线性单元（ReLU）神经网络（NN）架构（层数和每层神经元数量）的问题，并确保它被充分参数化以控制非线性系统;即控制系统以满足给定的形式规范。这与当前技术不同，当前技术不提供对结果架构的保证。此外，我们的方法只需要有限的知识的基础非线性系统和规范。我们只假设一个已知Lipschitz常数界的Lipschitz连续控制器可以满足该规范，具体的控制器不需要知道。从这个假设，我们绑定的仿射函数的数量需要构建一个连续分段仿射（CPWA）函数，可以近似任何满足规范的Lipschitz连续控制器。然后，我们连接这个CPWA的NN架构，使用作者最近的两级格（TLL）NN架构的结果; TLL架构被证明是参数化的CPWA函数中存在的仿射函数的数量，它实现。
2021-09-21 cs.LG cs.SY eess.SY
EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal
University of Chinese Academy of Sciences（中国科学院大学）；Xiyuan Hospital, China Academy of Chinese Medical Sciences（中国中医科学院西苑医院）
颈椎病（CS）是一种常见的慢性疾病，影响多达三分之二的人口，并对个人和社会造成严重负担。早期识别对提高治愈率、降低成本具有重要价值。但其病理复杂，症状轻，增加了诊断的难度，尤其是在早期。此外，医院医疗服务的耗时和昂贵降低了对CS识别的关注。因此，迫切需要一种方便、低成本的CS智能识别方法。本文提出了一种基于深度学习的表面肌电信号识别CS的智能方法。针对表面肌电信号复杂、高维、可用性差的特点，提出并实现了一种基于卷积神经网络的多通道表面肌电信号提取算法，该算法由特征提取、空间关系表示和分类算法组成。据我们所知，这是第一次尝试使用深度学习和表面肌电信号数据来识别CS。与以往的最先进的算法相比，我们的算法取得了显着的改善。
2018-12-12 cs.LG stat.ML
Three-Stream Convolutional Networks for Video-based Person Re-Identification
Southwest Jiaotong University（西南交通大学）；Georgia State University（佐治亚州立大学）
本文旨在开发一种新的架构，可以充分利用卷积网络的特征图。为此，本文研究了多种基于视频的人物再识别方法，发现：1）Max-pooling只关注感受野的最大值，浪费了大量信息。2)具有不同流的网络甚至包括具有最差性能的网络比具有相同流的网络更好地工作，其中每个流单独具有最佳性能。3)卷积网络末端的完整连接层是不必要的。基于这些研究，我们提出了一种新的卷积架构，称为三流卷积网络（TSCN）。它首先使用不同的流来学习特征图的不同方面，以便对视频进行细致的时空融合，然后将它们合并在一起来学习一些联合特征。为了进一步利用特征图，通过使用多尺度和上采样策略，设计了两种结构。在iLIDS-VID、PRID-2011和MARS数据集上的对比实验表明，所提出的结构在特征提取方面明显优于现有模型.
2017-11-22 cs.CV cs.LG
Attention Deep Model with Multi-Scale Deep Supervision for Person Re-Identification
Tongji University（同济大学）；Xiamen University（厦门大学）
针对行人重识别中注意力机制易丢失特征、多尺度模型推理效率低的问题，提出仅训练阶段使用的反向注意力模块和带深度监督的多尺度层，在多个数据集上性能显著优于现有最优方法。
2020-10-22 cs.CV cs.LG
WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding
Department of Computer Science, La Sapienza University of Rome（计算机科学系，罗马拉·索菲亚大学）
针对视觉行人重识别受光照遮挡限制的问题，提出WhoFi利用Wi-Fi CSI信号经Transformer编码器提取生物特征，以批内负损失训练，在NTU-Fi数据集上取得与先进方法相当的效果。
2025-08-04 cs.CV cs.LG
N-ACT: An Interpretable Deep Learning Model for Automatic Cell Type and Salient Gene Identification
University of California（加利福尼亚大学）；Health Sciences Research Institute（健康科学研究院）
单细胞RNA测序（scRNAseq）正在迅速推进我们对复杂组织和生物体中细胞组成的理解。大多数scRNAseq分析管道中的主要限制是依赖于手动注释来确定细胞身份，这是耗时的，主观的，并且需要专业知识。鉴于细胞测序的激增，已经开发了用于自动细胞类型识别（ACTI）的监督方法，特别是深度学习模型，这些方法实现了高准确性和可扩展性。然而，所有现有的ACTI深度学习框架都缺乏可解释性，并被用作“黑盒”模型。我们提出了N-ACT（细胞类型识别的神经注意力）：第一个可解释的ACTI深度神经网络，利用神经注意力来检测用于细胞类型识别的显著基因。我们在两个先前手动注释的数据集上将N-ACT与传统注释方法进行了比较，证明N-ACT以无监督的方式准确地识别标记基因和细胞类型，同时在多个数据集上对传统监督ACTI中当前最先进的模型进行了验证。
2022-05-08 cs.AI cs.LG q-bio.GN
Multiclass Language Identification using Deep Learning on Spectral Images of Audio Signals
Novetta（诺维塔）
任何话音识别软件的第一步都是确定说话者使用的是什么语言，理想情况下，这一过程将是自动化的。本文描述的技术，音频频谱图的语言识别（LIFAS），使用从音频信号生成的频谱图作为卷积神经网络（CNN）的输入，用于语言识别。LIFAS需要对音频信号进行最少的预处理，因为在训练期间将频谱图输入到网络时，会在每个批次期间生成频谱图。LIFAS利用了在图像处理任务中表现出成功的深度学习工具，并将其应用于音频信号分类。LIFAS在3.75秒的音频片段上以97%的准确率执行二进制语言分类，并且以89%的准确率执行六种语言的多类分类。
2019-05-10 cs.LG cs.SD eess.AS
Leveraging Native Language Speech for Accent Identification using Deep Siamese Networks
Carnegie Mellon University（卡内基梅隆大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Indian Institute of Science（印度科学学院）
自动口音识别的问题对于诸如说话人分析和识别以及对于改进语音识别系统的若干应用是重要的。语音的重音性质可以主要归因于说话者的母语对给定语音记录的影响。在本文中，我们提出了一种新的口音识别系统，其训练利用语音在母语随着口音。具体来说，我们开发了一个基于深度暹罗网络的模型，该模型学习口音语音记录和母语语音记录之间的关联。使用无监督高斯混合模型（GMM）或有监督深度神经网络（DNN）模型，利用从语音记录中提取的i向量特征来训练Siamese网络。我们使用CSLU外国口音英语（FAE）语料库进行了几个口音识别实验。在这些实验中，我们提出的使用深度暹罗网络的方法在10类口音识别任务中产生了15.4%的显着相对性能改进，超过了使用GMM i向量的基于DNN的基线分类系统。此外，我们提出了一个详细的错误分析建议口音识别系统。
2018-06-18 cs.CL cs.LG cs.SD
Deep Convolutional Networks in System Identification
Uppsala University（乌普萨拉大学）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
深度学习的最新发展与非线性系统辨识问题有关。在本文中，我们建立了深度学习和系统辨识社区之间的联系。最近已经表明，在序列建模任务方面，卷积架构至少与递归架构一样有能力。受这些结果的启发，我们探讨了最近提出的时间卷积网络（TCN）和两个经典的系统辨识模型结构; Volterra级数和面向块的模型之间的显式关系。最后，我们的实验研究，我们提供了两个现实世界的问题，著名的Silverbox数据集和一个较新的数据集来自地面振动实验的F-16战斗机的结果。
2019-11-19 cs.LG cs.NE cs.SY
Deep Learning Overloaded Vehicle Identification for Long Span Bridges Based on Structural Health Monitoring Data
South China University of Technology（华南理工大学）
针对超载车辆危害桥梁且传统BWIM依赖专业知识、易受多车干扰的问题，提出基于时间卷积的DOVI模型，利用结构健康监测数据实现端到端识别，在简支梁和斜拉桥实验中验证了其优越的有效性和鲁棒性。
2023-09-04 cs.AI cs.CE cs.LG
dynoNet: a neural network architecture for learning dynamical systems
IDSIA Dalle Molle Institute for Artificial Intelligence（IDSIA达勒莫尔人工智能研究所）；USI-SUPSI, Lugano, Switzerland（瑞士卢加诺的提契诺大学与瑞士南部应用科学与艺术大学）
本文介绍了一种网络架构，称为dynoNet，利用线性动力学算子作为基本的积木。由于这些模块的动态特性，dynoNet网络可用于序列建模和系统辨识。定义了线性动力学算子关于其参数和输入序列的反向传播行为。这使得能够利用现有的深度学习软件对包含线性动力学算子和其他可微单元的结构化网络进行端到端训练。在著名的系统辨识基准上的实例表明了该方法的有效性。算例表明，该方法对著名的系统辨识基准的有效性。
2021-04-20 cs.LG cs.SY eess.SY
RCsearcher: Reaction Center Identification in Retrosynthesis via Deep Q-Learning
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Hours Technology Co., Ltd.（小时科技有限公司）
反应中心由产物中的原子组成，其局部性质与反应物中相应的原子不同。以往的反应中心识别方法主要是半模板逆合成方法。此外，它们仅限于单反应中心鉴定。然而，许多反应中心实际上由多个键或原子组成。我们称之为多重反应中心。本文介绍了RCSTOM，一个统一的框架，用于单个和多个反应中心的识别，结合了图神经网络和深度强化学习的优势。在这个框架中的关键见解是，单一或多个反应中心必须是一个节点诱导的子图的分子产物图。在每一步，它考虑选择一个节点的分子产品图，并将其添加到探索节点诱导子图作为一个动作。全面的实验表明，RCCENTRAL始终优于其他基线，并可以外推尚未出现在训练集中的反应中心模式。烧蚀实验验证了各个组件的有效性，包括束搜索和动作空间的单跳约束。
2023-01-28 cs.LG q-bio.MN
Deep User Identification Model with Multiple Biometrics
NOTA Incorporated（NOTA公司）；Khalifa University（哈利法大学）；Korea Advanced Institute of Science and Technology（韩国高等科学技术院）
利用生物特征进行身份识别是一项重要而又具有挑战性的任务。关于使用给定信号识别个人身份或性别已经进行了大量的研究。各种类型的生物测定，如心电图（ECG），脑电图（EEG），面部，指纹和语音已被用于这些任务。大多数的研究只集中在单一的通道或单一的任务，而输入通道或任务的组合还有待研究。在本文中，我们提出了使用多模态生物识别技术进行深度识别和性别分类。我们的模型使用ECG，指纹和面部数据。然后，它执行两项任务：性别识别和分类。通过使用多模态，单个模型可以处理各种输入域，而无需独立地训练每个模态，并且域之间的相关性可以提高其在任务上的泛化性能。
2019-09-03 cs.CV cs.LG eess.SP
Deep Learning for Apple Diseases: Classification and Identification
Jamia Millia Islamia（贾米亚·米利亚·伊斯兰亚大学）；Sher-i-Kashmir University of Agricultural Sciences（谢里·克什米尔农业科学大学）
病虫害每年给苹果产业造成巨大的经济损失。对于农民来说，识别各种苹果疾病是一项挑战，因为不同疾病产生的症状可能非常相似，并且可能同时存在。为苹果病害的及时、准确检测和鉴定提供了一种尝试。在这项研究中，我们提出了一种基于深度学习的方法来识别和分类苹果病害。研究的第一部分是数据集创建，包括数据汇集和数据标签。接下来，我们训练一个卷积神经网络（CNN）模型的准备数据集上的苹果疾病的自动分类。CNN是端到端的学习算法，可以执行自动特征提取并直接从原始图像中学习复杂特征，使其适用于各种任务，如图像分类，目标检测，分割等。我们应用迁移学习来初始化所提出的深度模型的参数。还应用了旋转、平移、反射和缩放等数据增强技术来防止过拟合。所提出的CNN模型获得了令人鼓舞的结果，在我们准备的数据集上达到了约97.18%的准确率。结果表明，该方法可以有效地对苹果病害进行分类，为苹果生产者提供了一种实用的工具。
2020-07-06 cs.CV cs.LG
Deep learning-based fault identification in condition monitoring
Western Norway University of Applied Sciences（西挪威应用科技大学）；Nepal Telecommunications Authority（尼泊尔电信管理局）；Institute for Geoinformatics, University of Münster（明斯特大学地理信息学研究所）
针对现有轴承故障识别方法重准确率、轻推理速度的问题，提出基于CNN的滚动轴承实时故障识别方法，将振动信号编码为二维图像输入分类，并用CWRU数据集分析准确率与处理时间的关联。
2024-10-08 cs.AI cs.LG
Deep transfer learning for system identification using long short-term memory neural networks
Georgia Institute of Technology（佐治亚理工学院）；United Arab Emirates University（阿联酋大学）
与传统的系统辨识技术相比，递归神经网络（RNN）具有许多优点。它们可以应用于线性和非线性系统，并且它们需要较少的建模假设。然而，这些神经网络模型也可能需要更大量的数据来学习和推广。此外，神经网络训练是一个耗时的过程。因此，基于长短期记忆神经网络（LSTM），本文提出使用两种类型的深度迁移学习，即参数微调和冻结，以减少系统辨识的数据和计算需求。我们应用这些技术来识别两个动力系统，即二阶线性系统和Wiener-Hammerstein非线性系统。结果表明，与直接学习相比，我们的方法加快了10%到50%的学习速度，同时节省了数据和计算资源。
2022-04-06 cs.LG cs.SY eess.SY
Deep Learning Object Detection Approaches to Signal Identification
University of California, San Diego（加州大学圣地亚哥分校）；Google（谷歌）
传统的源识别是使用基于阈值的能量检测算法来解决的。这些算法经常总结区域中的活动，并将高于特定活动阈值的区域视为源。虽然这些算法适用于大多数情况，但它们通常无法检测占用小频带的信号，无法区分具有重叠频带的源，并且无法检测指定信噪比下的任何信号。通过将原始信号数据转换为频谱图，源识别可以被框定为目标检测问题。通过利用基于深度学习的目标检测的现代进步，我们提出了一种系统，该系统能够减轻使用传统源识别算法时遇到的失败情况。我们的贡献包括将源识别作为一个目标检测问题，发布光谱图目标检测数据集，以及评估在数据集上训练的RetinaNet和YOLOv5目标检测模型。我们的最终模型实现了高达0.906的平均精度。凭借如此高的平均精度，这些模型在现实世界的应用中足够强大。
2022-11-01 cs.LG cs.SD eess.AS
Physics-Informed DeepONets for drift-diffusion on metric graphs: simulation and parameter identification
本文提出基于物理信息DeepONet的度量图漂移-扩散方程求解方法，通过分别学习流入边、内部边和流出边模型并进行边级耦合，实现精确模拟与参数识别。
2025-05-07 cs.LG cs.NA math.NA
Sparse Bayesian Deep Learning for Dynamic System Identification
Delft University of Technology（代尔夫特理工大学）；Western Sydney University（西悉尼大学）；The University of Manchester（曼彻斯特大学）
本文提出了一种用于系统辨识的深度神经网络（DNN）的稀疏贝叶斯处理。虽然DNN在各个领域都表现出令人印象深刻的逼近能力，但系统辨识问题仍然存在一些挑战。首先，DNN太复杂，很容易过拟合训练数据。其次，系统辨识的输入回归量的选择是非平凡的。第三，模型参数和预测的不确定性量化是必要的。所提出的贝叶斯方法提供了一个原则性的方法，以减轻上述挑战的边际似然/模型证据近似和结构化组稀疏诱导先验构造。识别算法是作为一个迭代正则化优化过程推导出来的，可以像训练典型的DNN一样有效地解决。值得注意的是，为DNN的每一层开发了一种高效的递归Hessian计算方法，将棘手的训练/优化过程变成了一个易于处理的过程。此外，一个实用的计算方法的基础上的Monte-Carlo积分方法来量化的参数和预测的不确定性。所提出的贝叶斯方法的有效性证明了几个线性和非线性系统辨识基准，实现良好的和有竞争力的仿真精度。重现实验结果的代码是开源的，可以在线获得。
2022-06-01 cs.LG cs.SY eess.SY
Deep Metric Learning for Practical Person Re-Identification
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
各种手工制作的特征和度量学习方法在人员重新识别领域中盛行。与这些方法相比，本文提出了一种更通用的方法，可以直接从图像像素中学习相似性度量。通过使用“连体”深度神经网络，所提出的方法可以在统一的框架中联合学习颜色特征、纹理特征和度量。该网络具有对称结构，由余弦函数连接的两个子网络组成。针对人物图像的大变异性，采用二项离差法对相似度和标签之间的代价进行评估，证明了该方法对离群点的鲁棒性。与已有的研究相比，本文研究了一种更实用的实验环境，即在不同数据集上进行训练和测试（跨数据集的人再识别）。在VIPeR和PRID两种数据集上，分别在“内部数据集”和“交叉数据集”两种情况下，说明了该方法的优越性。
2014-07-18 cs.CV cs.LG cs.NE
Power System Event Identification based on Deep Neural Network with Information Loading
University of California, Riverside（加州大学河滨分校）
电力系统在线事件识别和分类是提高输电系统可靠性的关键。在本文中，我们开发了一种基于深度神经网络（DNN）的方法，通过利用来自数百个相量测量单元（PMU）的真实测量值和来自数千个事件的标签来识别和分类电力系统事件。在基于卷积神经网络（CNN）的基线模型中嵌入了两种创新设计，以提高事件分类精度。首先，我们提出了一种基于图信号处理的PMU排序算法，以提高CNN的学习效率。其次，我们部署了基于信息加载的正则化，以在DNN的记忆和泛化之间取得适当的平衡。基于美国输电网东部互联的真实数据集的数值研究结果表明，基于PMU的排序和基于信息加载的正则化技术的组合有助于所提出的DNN方法实现高度准确的事件识别和分类结果。
2021-04-28 cs.LG cs.SY eess.SY
Efficient Deep Learning Methods for Identification of Defective Casting Products
Salesforce（赛富时）；Upgrad Education Pvt. Ltd.（Upgrad教育私人有限公司）；Command Hospital（指挥医院）；Hexagon Capability Center India Pvt. Ltd.（Hexagon印度能力中心私人有限公司）
近年来，质量检测在任何大型制造业中都变得至关重要。为了减少人为错误，使用高效且计算量低的AI算法来识别此类缺陷产品已成为当务之急。在本文中，我们使用模型大小，性能和CPU延迟来比较和对比各种预训练和定制的架构，以检测有缺陷的铸造产品。我们的研究结果表明，自定义架构比预先训练的移动架构更有效。此外，自定义模型的执行速度比MobileNetV 2和NasNet等轻量级模型快6到9倍。自定义架构的训练参数数量和模型大小明显低于表现最好的模型，如MobileNetV 2和NasNet（分别为~386倍和~119倍）。增强实验也进行了自定义架构，使模型更加强大和通用。我们的工作揭示了这些定制架构在边缘和物联网设备上部署的效率，以及迁移学习模型可能并不总是理想的。相反，它们应该特定于数据集的类型和手头的分类问题。
2022-05-14 cs.AI cs.CV cs.LG
Deep Eyedentification: Biometric Identification using Micro-Movements of the Eye
University of Potsdam（波茨坦大学）
我们研究眼睛的无意识微运动用于生物识别。虽然先前的研究从基于视频的眼动跟踪系统的输出中提取低频宏观运动，并设计这些宏观运动的显式特征，但我们开发了一种处理原始眼动跟踪信号的深度卷积架构。与以前的工作相比，该网络的出错率降低了一个数量级，速度提高了两个数量级：它在几秒钟内准确地识别用户。
2020-05-05 cs.CL cs.CV cs.HC
Complex-valued Adaptive System Identification via Low-Rank Tensor Decomposition
Johannes Kepler University（约翰内斯·开普勒大学）
针对原基于张量的系统辨识框架仅能处理实值问题的局限，本文提出两种新架构以支持复值信号处理，在仅需少量计算开销下即超越原始架构的平凡复值扩展性能。
2023-06-28 cs.LG math.ST stat.TH
Real-Time Pill Identification for the Visually Impaired Using Deep Learning
San Francisco Bay University（旧金山湾大学）；University of Science and Technology of China（中国科学技术大学）；University of Southampton（南安普顿大学）；Stevens Institute of Technology（史蒂文斯理工学院）；Georgia Institute of Technology（佐治亚理工学院）
本文利用YOLO框架开发了一款面向视障人士的实时药片识别移动应用，通过TTS提供听觉反馈，旨在提升药物管理安全性与用户独立性。
2024-05-08 cs.AI cs.CV cs.LG
Deep Learning for Posture Control Nonlinear Model System and Noise Identification
Technical University Berlin（柏林工业大学）；Neurological University Clinic（大学神经科诊所）；University of Freiburg（弗赖堡大学）
在这项工作中，我们提出了一个系统辨识过程的基础上卷积神经网络（CNN）的人体姿态控制模型。研究人体姿态控制的一种常用方法是识别控制系统的参数。在这种情况下，线性模型是特别受欢迎的，由于在确定所需的参数和分析结果相对简单。相反，非线性模型，需要预测的真实行为所表现出的人类主体，因此，它是可取的，使用它们在姿态控制分析。CNN的使用旨在克服非线性模型识别的繁重计算要求，以便使实验数据的分析耗时更少，并且从长远来看，使这种分析在临床测试的背景下可行。一些潜在的影响，人形机器人的方法进行了讨论。
2020-06-04 cs.LG cs.RO stat.ML
Deep Learning of Dynamic Systems using System Identification Toolbox(TM)
MathWorks（MathWorks公司）；Jordan University of Science and Technology（约旦科学技术大学）
本文介绍近三年MATLAB的System Identification Toolbox(TM)在动态建模上的进展，包括整合深度学习技术、推出可扩展自编码的神经状态空间模型，及多项机器学习集成、状态估计与训练数据格式相关增强功能。
2024-09-11 cs.LG cs.SY eess.SY
Deep Identification of Nonlinear Systems in Koopman Form
Institute for Computer Science and Control（计算机科学与控制研究所）
本文处理的非线性动力系统的识别使用Koopman为基础的深状态空间编码器。通过这种方法，通常的缺点，需要选择一个字典的提升函数的先验是规避。编码器将提升函数表示为使用Koopman算子线性传播动态的空间。一个输入仿射配方被认为是提升模型结构，我们解决全部和部分状态可用性。该方法使用Python中的deepSI工具箱实现。为了降低基于模拟误差的训练的计算需求，数据被分成子部分，其中独立计算多步预测误差。这种公式可以对网络参数进行高效的批量优化，同时使所获得的模型具有出色的长期预测能力。非线性基准的例子说明了该方法的性能。
2021-10-06 cs.LG cs.SY eess.SY
Arabic Handwritten Text for Person Biometric Identification: A Deep Learning Approach
Egypt-Japan University of Science and Technology (E-JUST)（埃及-日本科学技术大学）
这项研究彻底调查了深度学习模型如何识别阿拉伯手写文本，以进行个人生物特征识别。它比较了三种先进的架构-ResNet 50，MobileNetV 2和EfficientNetB 7-使用三个广泛认可的数据集：AHAWP，Khatt和LAMIS-MSHD。结果表明，EfficientNetB 7优于其他算法，在AHAWP、Khatt和LAMIS-MSHD数据集上的测试准确率分别为98.57%、99.15%和99.79%。EfficientNetB 7的卓越性能归功于其创新技术，包括复合缩放，深度可分离卷积和挤压和激励块。这些特征使模型能够从手写文本图像中提取出更抽象、更独特的特征。该研究的发现对增强身份验证和认证系统具有重要意义，突出了深度学习在阿拉伯语手写文本识别中用于个人生物特征识别的潜力。
2024-06-01 cs.AI cs.CV cs.LG
A semi-supervised deep learning algorithm for abnormal EEG identification
IBM Research（IBM研究院）
可以自动分析EEG信号的系统可以通过减少繁重的工作量和延迟来帮助神经科医生。然而，这样的系统需要首先使用标记的数据集进行训练。虽然存在大量的EEG数据，但其中一小部分被标记。手工标记数据增加了我们试图帮助的神经科医生的工作量。本文提出了一种半监督学习工作流程，不仅可以从大型未标记的EEG数据集中提取有意义的信息，而且可以使用小到5个样本的标记数据集进行预测。
2019-11-06 cs.LG eess.SP stat.ML
Rapid identification of pathogenic bacteria using Raman spectroscopy and deep learning
Stanford University（斯坦福大学）；Stanford University School of Medicine（斯坦福大学医学院）；Stanford Health Care（斯坦福医疗保健）；VA Palo Alto Health Care System（VA帕洛阿尔托医疗保健系统）；Cairo University（开罗大学）
快速识别细菌对于防止传染病传播、帮助对抗抗菌素耐药性和改善患者预后至关重要。拉曼光谱有望将细菌检测、鉴定和抗生素敏感性测试结合在一个步骤中。然而，由于来自细菌细胞的微弱拉曼信号以及大量的细菌物种和表型，实现临床相关的速度和准确性仍然具有挑战性。通过积累已知最大的细菌拉曼光谱数据集，我们能够应用最先进的深度学习方法从嘈杂的拉曼光谱中识别30种最常见的细菌病原体，实现99.0 $\pm$ 0.1%的抗生素治疗识别准确率。这种新的方法区分耐甲氧西林和敏感的金黄色葡萄球菌（MRSA和MSSA），以及一对同基因的MRSA和MSSA，除了删除的mecA耐药基因是遗传上相同的分离株，表明抗生素耐药性的无培养检测的潜力。初步临床验证的结果是有希望的：仅使用来自25个分离株中的每一个的10个细菌谱，我们实现了99.0 $\pm$ 1.9%的物种鉴定准确度。我们的组合拉曼深度学习系统代表了快速，无培养鉴定细菌分离株和抗生素耐药性的重要概念验证，并且可以很容易地扩展到血液，尿液和痰液的诊断。
2019-11-05 cs.LG q-bio.QM stat.ML
A Pilot Study For Fragment Identification Using 2D NMR and Deep Learning
De Montfort University（德蒙福特大学）；Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
本文提出了一种方法来识别混合物的NMR光谱，特别是二维光谱中的子结构，使用定制的基于图像的卷积神经网络应用程序。这是使用HSQC和HMBC光谱分别和组合。该应用程序可以使用简单的网络可靠地检测纯化合物中的子结构。当只训练纯化合物时，它可以用于混合物。HMBC数据以及HMBC和HSQC的组合显示出比单独的HSQC更好的结果。
2021-03-18 cs.AI cs.LG q-bio.QM
Nonlinear System Identification of Swarm of UAVs Using Deep Learning Methods
K. N Toosi University of Technology（KN 图西工业大学）
本研究设计并比较了多种深度学习辨识方法（RNN、CNN、Neural ODE）以建模无人机集群非线性动力学，发现基于瞬态数据训练的Neural ODE在预测集群稳定性方面表现最优。
2023-11-21 cs.LG cs.SY eess.SY
A review of Deep learning Techniques for COVID-19 identification on Chest CT images
当前的COVID-19大流行对人类构成严重威胁，直接影响肺部。自动识别COVID-19是卫生保健官员面临的一项挑战。诊断COVID-19的标准黄金方法是逆转录聚合酶链反应（RT-PCR），从受影响的人那里收集拭子。采集拭子时遇到的一些限制与准确性和持续时间有关。胸部CT（计算机断层扫描）是另一种测试方法，可帮助医疗保健提供者快速识别受感染的肺部区域。它被用作早期识别COVID-19的支持工具。在深度学习的帮助下，COVID-19的CT成像特征。研究人员已经证明它对COVID-19 CT图像分类非常有效。在这项研究中，我们回顾了最近可用于检测COVID-19疾病的深度学习技术。相关研究由各种数据库收集，如Web of Science，Google Scholar和PubMed。最后，我们比较了不同深度学习模型的结果，并讨论了CT图像分析。
2022-08-06 cs.CV cs.LG eess.IV
A Comprehensive Survey on Deep-Learning-based Vehicle Re-Identification: Models, Data Sets and Challenges
Hacettepe University（哈杰泰佩大学）；University of Zanjan（赞詹大学）
本文系统综述基于深度学习的车辆 ReID 方法，梳理监督与无监督研究、数据集、评价标准及未来挑战，为相关研究和应用提供参考。
2024-01-19 cs.AI cs.CV cs.LG
Deep Generative Model for Simultaneous Range Error Mitigation and Environment Identification
Tsinghua University（清华大学）；BCAM-Basque Center for Applied Mathematics（巴斯克应用数学中心）；IKERBASQUE-Basque Foundation for Science（伊克巴斯克-巴斯克科学基金会）
本文提出深度生成模型，通过贝叶斯建模接收波形中的距离特征与环境语义隐变量，以端到端学习同时实现距离误差抑制和环境识别，并在超宽带数据集上验证了其优越性能与可扩展性。
2023-05-23 cs.AI cs.LG eess.SP
Automated identification of neural cells in the multi-photon images using deep-neural networks
Yonsei University College of Medicine（延世大学医学院）；Yonsei University（延世大学）
神经科学成像技术的进步产生了前所未有的神经细胞成像数据，这需要自动化处理。特别地，从双光子图像中识别细胞需要从各种材料中分割神经细胞并根据其细胞类型对分割的细胞进行分类。为了自动分割神经细胞，我们使用U-Net模型，然后使用迁移学习技术对兴奋性和抑制性神经元以及胶质细胞进行分类。对于迁移学习，我们测试了三个公共模型resnet 18，resnet 50和inceptionv 3，在将完全连接层替换为三个类之后。最好的分类性能被发现与inceptionv 3的模型。深度学习技术的拟议应用有望为神经科学大数据时代的细胞识别提供一种关键方法。
2019-09-25 cs.LG cs.SY eess.IV
Hybrid Energy-Based Models for Physical AI: Provably Stable Identification of Port-Hamiltonian Dynamics
RIAS Lab The Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所 RIAS 实验室）；Delft Center for Systems and Control, TU Delft（代尔夫特理工大学代尔夫特系统与控制中心）
本文提出一种混合能量模型框架，用于系统识别，通过可证明稳定的耗散吸收不变动态，扩展了能量模型理论，验证了端哈密顿能量模型的稳定性与安全性。
2026-04-02 cs.AI cs.LG cs.SY
