Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 1777

会议信息 64

会议视频 63

会议专题 1

年份

2024 6

2023 170

2022 181

2021 198

2020 157

2019 155

2018 99

2017 111

2016 81

2015 37

2014 30

2013 53

2012 46

2011 53

2010 39

2009 35

2008 58

2007 68

2006 44

2005 58

展开︾

关键词

三峡工程 42

机器学习 27

神经网络 27

2020 25

人工智能 20

深度学习 15

第三届 15

数学模型 13

升船机 10

智能制造 10

模型 10

三峡升船机 9

数值模拟 9

模型试验 9

2019 8

混凝土 8

遗传算法 7

优化 6

工程管理 6

展开︾

检索范围：

排序：展示方式：

深度三维重建：方法、数据和挑战 Review Article

刘彩霞1,孔德慧1,王少帆1,王志勇2,李敬华1,尹宝才1

《信息与电子工程前沿（英文）》 2021年第22卷第5期页码 615-766 doi: 10.1631/FITEE.2000068

摘要：三维形状重建是计算机视觉、计算机图形学、模式识别和虚拟现实等领域的重要研究课题。现有三维重建方法通常存在两个瓶颈：（1）它们涉及多个人工设计阶段，导致累积误差，且难以自动学习三维形状的语义特征；（2）它们严重依赖图像内容和质量，以及精确校准的摄像机。因此，这些方法的重建精度难以提高。基于深度学习的三维重建方法通过利用深度网络自动学习低质量图像中的三维形状语义特征，克服了这两个瓶颈。本文对基于深度学习的三维重建方法进行全面综述。首先，基于不同深度学习模型框架，将基于深度学习的三维重建方法分为4类：递归神经网络、深自编码器、生成对抗网络和卷积神经网络，并对相应方法作详细分析。再次，对基于深度学习的三维重建方法进行综合比较，包括不同方法在同一数据库、同一方法在不同数据库以及同一方法对于不同视角个数输入的结果比较。最后，讨论了基于深度学习的三维重建方法的发展趋势。

关键词：深度学习模型；三维重建；循环神经网络；深度自编码器；生成对抗网络；卷积神经网络

HTML PDF 收藏

深度学习中的对抗性攻击和防御 Feature Article

任奎, Tianhang Zheng, 秦湛, Xue Liu

《工程（英文）》 2020年第6卷第3期页码 346-360 doi: 10.1016/j.eng.2019.12.012

摘要：

在深度学习（deep learning, DL）算法驱动的数据计算时代，确保算法的安全性和鲁棒性至关重要。最近，研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响，但会使深度学习模型输出意想不到的结果。最近，在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后，讨论了防御方法中的一些代表性研究成果。

关键词：机器学习深度神经网络对抗实例对抗攻击对抗防御

HTML PDF 收藏

可见光波段的深度衍射神经网络 Article

陈航, 冯佳楠, 江闽伟, 王逸群, 林杰, 谭久彬, 金鹏

《工程（英文）》 2021年第7卷第10期页码 1485-1493 doi: 10.1016/j.eng.2020.07.032

摘要： justify;">基于衍射光学元件的光学深度学习在并行处理深度衍射神经网络（D²NN）是其中一项具有里程碑意义的研究工作。D²NN在太赫兹波段通过3D打印进行神经网络的物理固化。鉴于太赫兹波段下存在的粒子间耦合限制和材料损耗，本文将D2NN的应用波段延展至可见光波段，并提出了包括修订公式在内的一般理论，解决了工作波长、人工神经元特征尺寸和加工制备之间的矛盾。在632.8 nm的工作波长下，本文提出了一种新颖的可见光D²NN分类器，可用于原始目标（手写数字0~9）和已更改目标（被遮盖和涂改目标）的目标识别。本文所提出的一般理论模型可将D²NN应用于各种实际问题或设计全新的应用场景。

关键词：光计算光学神经网络深度学习光学机器学习深度衍射神经网络

HTML PDF 收藏

基于双向深度生成模型和功能磁共振成像数据的大脑编码和解码 Review

杜长德, 李劲鹏, 黄利皆, 何晖光

《工程（英文）》 2019年第5卷第5期页码 948-953 doi: 10.1016/j.eng.2019.03.010

摘要：

通过功能磁共振成像（fMRI）进行大脑编码和解码是视觉神经科学的两个重要方面。尽管以前的研究人员在大脑编码和解码模型方面取得了显著进步，但是现有方法仍需要使用先进的机器学习技术进行改进。例如，传统方法通常会分别构建编码和解码模型，并且容易对小型数据集过度拟合。实际上，有效地统一编码和解码过程可以进行更准确的预测。在本文中，我们首先回顾了现有的编码和解码方法，并讨论了“双向”建模策略的潜在优势。接下来，在体系结构和计算规则方面，我们证明了深度神经网络和人类视觉通路之间存在的对应关系。此外，深度生成模型[如变分自编码器（VAE）和生成对抗网络（GAN）]在大脑编码和解码研究中产生了可喜的成果。最后，我们提出了最初为机器翻译任务设计的对偶学习方法，该方法通过利用大规模未配对数据提高了编码和解码模型的效果。

关键词：大脑编码和解码功能磁共振成像深度神经网络深度生成模型双重学习

HTML PDF 收藏

深度卷积神经网络高效计算研究进展 Review

Jian CHENG, Pei-song WANG, Gang LI, Qing-hao HU, Han-qing LU

《信息与电子工程前沿（英文）》 2018年第19卷第1期页码 64-77 doi: 10.1631/FITEE.1700789

摘要：近年来迅速发展的深度神经网络已成为许多智能系统的基础工具。同时，深度网络的计算复杂度和资源消耗也在持续增加，这给深度网络的部署带来了严峻挑战，尤其在实时应用中或应用设备资源有限时。因此，网络加速是深度学习领域的热门话题。为提升深度神经网络的硬件性能，最近几年涌现出一大批基于现场可编程门阵列（field-programmable gate array, FPGA）或专用集成电路（application-specificintegrated circuit, ASIC）的加速器。本文针对网络加速、压缩、软硬件结合的加速器设计等方面的进展进行了详细而全面的总结。特别地，本文对网络剪枝、低秩估计、网络量化、拟合网络、紧凑网络设计以及硬件加速器进行了深入分析。

关键词：深度神经网络；加速；压缩；硬件加速器

HTML PDF 收藏

深度神经网络加速器体系结构概述 Review

陈怡然, 谢源, 宋凌皓, 陈凡, 唐天琪

《工程（英文）》 2020年第6卷第3期页码 264-274 doi: 10.1016/j.eng.2020.01.007

摘要：机器学习（ML）方法已成功应用于解决学术界和工业界的许多问题。尽管大数据应用的高速增长为ML的发展提供动力，但它也给传统计算机系统带来了数据处理速度和可扩展性方面的严峻挑战。在本文中，我们特别总结了用于深度神经网络（DNN）的加速器设计（即DNN加速器）的最新进展。我们从计算单元、数据流优化、网络模型、基于新兴技术的体系结构以及针对新兴应用的加速器等方面讨论支持DNN执行的各种体系结构。我们还提供了有关AI芯片设计未来趋势的展望。

关键词：深度神经网络特定领域体系结构加速器

HTML PDF 收藏

基于图像的深度学习降雨强度估计方法 Article

尹航, 郑飞飞, 段焕丰, Dragan Savic, Zoran Kapelan

《工程（英文）》 2023年第21卷第2期页码 162-174 doi: 10.1016/j.eng.2021.11.021

摘要：本文提出了一种基于图像的深度学习模型来估计具有高时空分辨率的城市降雨强度。进一步来说，一种称为基于图像的降雨卷积神经网络（image-based rainfall convolutional neural network, irCNN）模型是使用从现有密集传感器（即智能手机或交通摄像头随后使用经过训练的irCNN 模型根据传感器的降雨图像有效地估计降雨强度。分别利用合成降雨数据和真实降雨图像来探索irCNN 在理论和实际模拟降雨强度方面的准确性。结果表明，irCNN 模型提供的降雨量估计值的平均绝对百分比误差在13.5%~21.9%之间，超过了文献中其他最先进的建模技术的性能。irCNN 模型为估算城市降雨强度提供了一种有前景的替代方案，可以极大地促进城市实时洪水风险管理的发展。

关键词：城市洪水降雨图像深度学习模型卷积神经网络（CNN）降雨强度

HTML PDF 收藏

王旭娜,谭清美

《信息与电子工程前沿（英文）》 2020年第21卷第7期页码 963-980 doi: 10.1631/FITEE.1900236

摘要：传统推荐系统采用的协同过滤技术存在数据稀疏问题，同时传统的矩阵分解算法简单地将用户和项目分解为潜在因素的线性模型，这些局限性导致传统推荐算法推荐效果有限。在此情况下，出现了基于深度学习的推荐系统。当前深度学习推荐大多利用深度神经网络针对一些辅助信息建模，且在建模过程中根据输入数据类别，分别采用多条映射通路，将原始输入数据映射到潜在向量空间。然而，这些深度神经网络推荐算法忽略了不同类别数据间的联合作用可能对推荐效果产生的潜在影响。针对这一问题，本文提出一种基于多类别信息联合作用的前馈深度神经网络推荐方法——深度联合网络，以解决隐性反馈的推荐问题。具体来说，一方面，本文研究在模型的底层输入中不仅包含用户和项目信息，而且包含更多辅助信息。另一方面，充分考虑不同类别信息的联合作用对推荐效果的影响。

关键词：神经网络；深度学习；DAN；推荐

HTML PDF 收藏

SmartPaint：一种基于生成式对抗神经网络的人机协同绘画系统 Special Feature on Intelligent Design

Lingyun SUN, Pei CHEN, Wei XIANG, Peng CHEN, Wei-yue GAO, Ke-jun ZHANG

《信息与电子工程前沿（英文）》 2019年第20卷第12期页码 1644-1656 doi: 10.1631/FITEE.1900386

摘要：本文开发了一种基于生成式对抗神经网络的人机协作绘画系统——SmartPaint，支持人机合作创作动漫风景画作。该系统使用动漫图像数据及其相应语义标注图、边缘检测图训练生成式对抗神经网络。在使用中，用户输入草图作为语义标注图，系统自动为其合成边缘图；根据合成的边缘图生成具有恰当风格纹理的画作，从而稳定地处理多样化草图。实验证明该系统可有效满足用户创作需求，生成高质量动漫风格画作。

关键词：协同绘画；深度学习；图像生成

HTML PDF 收藏

半监督堆叠距离自动编码器的表征学习在图像分类上的应用 Research Articles

侯亮,罗潇逸,汪子扬,梁军

《信息与电子工程前沿（英文）》 2020年第21卷第7期页码 963-1118 doi: 10.1631/FITEE.1900116

摘要：图像分类是深度学习的重要应用。在典型分类任务中，分类精度与通过深度学习方法提取的特征密切相关。自动编码器是一种特殊神经网络，常用于降维和特征提取。本文所提方法基于传统的自动编码器，将不同类别样本之间的“距离”信息纳入其中。该模型被称为半监督距离自动编码器。首先以无监督方式对每一层进行预训练。在随后的监督训练中，将优化的参数设置为初始值。为获得更好性能，使用堆叠式模型代替具有单一隐含层的传统自动编码器结构。开展一系列实验测试不同模型在几个数据集上的性能，包括MNIST数据集、街景门牌号码（SVHN）数据集、德国交通标志识别基准（GTSRB）和CIFAR-10数据集。将所提半监督距离自动编码器方法分别与传统自动编码器、稀疏自动编码器和监督自动编码器比较，实验结果证明该模型有效。

关键词：自动编码器；图像分类；半监督学习；神经网络

HTML PDF 收藏

人工神经网络在弹体侵彻混凝土深度中的应用

李建光,李永池,王玉岚

《中国工程科学》 2007年第9卷第8期页码 77-81

摘要：

针对弹体对混凝土材料侵彻深度问题，通过量纲分析和神经网络理论，建立了弹体侵彻深度h网络输出量与弹体长度lp、弹的长径比 lp/d、弹体形状系数ψ、弹体与混凝土的比强度σyt/σyp、弹体与混凝土的密度比ρp/ρt等13个网络输入量之间的非线性映射关系。并采用 RBF网络模型，通过Forrestal等文献的试验样本对网络模型训练，获得了弹体对混凝土材料侵彻深度的网络模型，输出结果满意。

关键词：神经网络量纲分析侵彻混凝土深度非线性映射关系 RBF网络

HTML PDF 收藏

面向多目标跟踪的关联相似度神经网络学习 Research Articles

马良,钟巧勇,张营营,谢迪,浦世亮

《信息与电子工程前沿（英文）》 2021年第22卷第9期页码 1194-1206 doi: 10.1631/FITEE.2000272

摘要：为解决视频多目标跟踪问题，提出一种特征和度量联合学习的深度神经网络架构，称为关联相似度网络。关联相似度网络以端到端的方式学习跟踪轨迹和检测结果之间的关联相似度。针对有缺陷的检测结果，关联相似度网络同时学习矩形框回归、目标分类和相似度回归3个任务。不同于现有基于对比排序思想的方法，我们直接训练一个二分类器来学习跟踪轨迹与检测结果的关联相似度，同时设计了损失函数来约束匹配集合元素的个数。得益于上述设计，关联相似度网络不仅能够解决多目标跟踪问题中的匹配问题，还可以进行单目标跟踪。基于提出的关联相似度网络，设计了一个简单的多目标跟踪算法，在MOT16和MOT17测试集上的实验结果表明其有效性。

关键词：多目标跟踪；深度神经网络；相似度学习

HTML PDF 收藏

基于海面更快区域卷积神经网络的导航雷达平面位置指示器图像海面目标检测方法 Research Article

陈小龙,牟效乾,关键,刘宁波,周伟

《信息与电子工程前沿（英文）》 2022年第23卷第4期页码 630-643 doi: 10.1631/FITEE.2000611

摘要：更快的区域卷积神经网络（Faster R-CNN）作为一种经典深度学习目标检测算法，已广泛应用于高分辨率合成孔径雷达和逆合成孔径雷达的图像检测。然而，对于大多数常见的低分辨率雷达平面位置指示器（PPI）图像，很难取得良好性能。本文以导航雷达PPI图像为例，针对复杂背景（如海杂波）和目标特性情况，提出一种基于海面的更快的区域卷积神经网络（Marine-Faster R-CNN）算法的海面目标检测方法。该方法利用卷积神经网络（CNN）对雷达回波生成的PPI图像进行特征提取和目标识别。，并基于此建立Marine-Faster R-CNN海面目标检测模型。

关键词：海面目标检测；导航雷达；平面位置指示器（PPI）图像；卷积神经网络；更快的区域卷积神经网络

HTML PDF 收藏

基于深度学习技术的集群电动汽车及家庭热水系统灵活性预测 Article

胡俊杰, 周华嫣然, 周羿宏, 张海婧, Lars Nordströmd, 杨光亚

《工程（英文）》 2021年第7卷第8期页码 1101-1114 doi: 10.1016/j.eng.2021.06.008

摘要：本研究应用一种深度学习技术，即结合时间卷积神经网络的Transformer模型（temporal convolution network-combined transformer）来预测电动汽车与家庭热水系统两种

关键词：负荷灵活性电动汽车家庭热水系统结合时间卷积神经网络的Transformer模型深度学习

HTML PDF 收藏

基于两级层次特征学习的图像分类方法 Article

Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE

《信息与电子工程前沿（英文）》 2016年第17卷第9期页码 897-906 doi: 10.1631/FITEE.1500346

摘要：为了区分高度相似类别中的样本，需要更加具体的图像特征，以便于分类器能够提高分类性能。本文提出了一种新颖、有效的基于深度卷积神经网络的两级层次特征学习框架。首先，不同层次的深度特征抽取器使用迁移学习方法进行训练。然后，从全部类别中抽取的通用特征和从高度相似类别中抽取的具体特征被融合成一个特征向量，并将其输入线性分类器进行分类。最后，基于Caltech-256、Oxford Flower-102和Tasmania Coral Point Count三个图像数据集的实验证明，通过两级层次特征学习的深度特征的表达能力十分强大，与传统的扁平多分类方法相比

关键词：迁移学习；特征学习；深度卷积神经网络；层次分类；谱聚类