Deep-TSR方法中的控制器使用收集的数据初始化Q学习模型。图6-6Deep-TSR的主要流程Deep-TSR中的DQN通过深度强化学习算法在自学习中进行训练。DQN的初始输入包括3个特征平面的二维矩阵。获得学习结果后，我们可以部署时间同步方案。然后，控制器通过交换节点将同步业务请求发送给Deep-TSR学习模块。同时，学习模块通过1588协议为即将到来的服务创建时间戳，并且转发同步模块将其计算到下一个节点。最后，学习模块根据前一时段的数据更新路由信息。......
2023-06-19
基于深度学习的人脸识别技术优化方案
【摘要】：由于任务中待识别ID是半封闭集合，可以融合图像分类和度量学习的思路进行模型训练。第二阶段采用Softmax Loss+0.01×Center Loss，并在业务数据上进行网络参数的微调。目前把人脸分割为9个区域，加上人脸整体区域，共需训练10个模型。图10-12基于集成学习的人脸识别在测试阶段，对于待验证的人脸区域和候选人脸区域，分别基于图10-12所示的10个区域提取特征。最终，通过相似度加权的方法判断两张人脸是否属于同一个人。表10-1公开数据集评测结果
美团每天有百万级的图片产生量，运营人员负责相关图片的内容审核，对涉及法律风险及不符合平台规定的图片进行删除操作。由于图片数量巨大，人工审核耗时耗力且审核能力有限。对于不同审核人员来讲，审核标准难以统一且实时变化。因此，有必要借助机器实现智能审核。
为了避免侵权明星肖像权，审核场景需要鉴别用户/商家上传的图像中是否包含明星的头像。这是一类典型的人脸识别应用，具体来说是一种1：（N+1）的人脸比对。整个人脸识别流程包含人脸检测、人脸关键点检测、人脸矫正及归一化、人脸特征提取和特征比对，如图10-11所示。其中深度卷积模型是待训练的识别模型，用于特征提取。
图10-11 明星脸识别流程
人脸识别主要有两种思路：一种是直接转换为图像分类任务，每一类对应一个人的多张照片，比较有代表性的方法有DeepFace、DeepID等；另一种则将识别转换为度量学习问题，通过特征学习使得来自同一个人的不同照片距离比较近、不同的人的照片距离比较远，比较有代表性的方法有DeepID2、FaceNet等。
由于任务中待识别ID是半封闭集合，可以融合图像分类和度量学习的思路进行模型训练。考虑到三元组损失（Triplet Loss）对负例挖掘算法的要求很高，在实际训练中收敛很慢，因此本案例采用了Center Loss来最小化类内方差，同时联合Softmax Loss来最大化类间方差。为了平衡这两个损失函数，需要通过试验来选择超参数。采用的网络结构是Inception-v3，在实际训练中分为两个阶段。
第一阶段采用Softmax Loss+C×CenterLoss，并利用公开数据集CASIA-WebFace（共包含10575个ID和49万张人脸图片）进行网络参数的初始化和超参数C的优选，根据试验得到的C=0.01。
第二阶段采用Softmax Loss+0.01×Center Loss，并在业务数据（5200个明星脸ID和100万张人脸图片）上进行网络参数的微调。
为了进一步提升性能，借鉴了百度采用的多模型集成策略，如图10-12所示。具体来说，根据人脸关键点的位置把人脸区域分割为多个区域，针对每一个区域分别训练特征模型。目前把人脸分割为9个区域，加上人脸整体区域，共需训练10个模型。
图10-12 基于集成学习的人脸识别
在测试阶段，对于待验证的人脸区域和候选人脸区域，分别基于图10-12所示的10个区域提取特征。然后，对于每个区域，计算两个特征向量间的相似度（余弦距离）。最终，通过相似度加权的方法判断两张人脸是否属于同一个人。表10-1给出了主流方法在LFW数据集上的评测结果。可以看出，美团模型在相对有限数据下获得了较高的准确率。
表10-1 公开数据集评测结果
有关工业智能技术与应用的文章
- 详细阅读
-
智能深度技术应用于三类模式优化方案详细阅读
智能化的深度是指智能制造中基于智能化进行决策的程度，主要有辅助决策、简单决策和复杂决策三类。而青山公司则基于拉式生产方式开展厂内生产物料精准管理。智能信息还可以在机床、网络、个人或集体之间共享，方便进行智能协同并作出更好的决策。大量的智能设备就会组合成整套的智能系统。智能系统包括网络优化、维修优化、系统恢复、系统学习等多种形式。......
2023-06-23
-
基于原型匹配的反馈技术方案详细阅读
而基于内容的图像检索需要对一类物体进行匹配，比如检索有汽车、飞机、坦克、人群、楼房的图像，这种情况下就需要对具体的局部特征进行组合优化，从而得到对某类物体的理想化表征——原型。原型匹配理论是这样描述知觉加工的：当一种视觉系统收到一个新刺激，该系统就会将它与原先存储的原型进行比较，但并不要求完全相匹配，事实上大致的匹配就可以了［13］。为了实现从模板匹配到原型匹配的转变，我们引入了相关反馈技术。......
2023-06-28
-
新学习系统：基于网络技术的在线学习详细阅读
而运用现代信息技术是有效转变学生学习方式的途径。例如在英语学科的教学中，可以让学生在家里通过APP进行有效的学习。基于APP的英语口语自主学习策略能够让学生学会利用新技术自主学习和训练。（三）观看网络视频学习现代信息技术一方面为学生的自主学习提供了演示和浏览的工具，另一方面为学生的自主学习提供了丰富的学习资源，更主要的是为学生自主探索研究提供了具有潜力的空间。......
2023-08-08
-
深度学习的优势解析详细阅读
深度学习是机器学习的第二次浪潮。图7-3多层神经网络表达复杂函数深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。深度学习与传统的神经网络之间有相同的地方也有很多不同。深度学习整体上是一个由许多智能的隐含层构成的训练机制，这样做可以更大限度地刻画和模拟现实中各种非线性目标函数。......
2023-06-28
-
基于内容的新闻推荐技术优化详细阅读
目前比较主流的推荐算法有基于协同过滤的推荐和基于内容的推荐等。由于协同过滤是根据用户对新闻的访问记录来进行推荐的，只有被阅读过的新闻才能被推荐，然而新闻的生命周期十分短暂，用户的访问矩阵会相当稀疏，这对于时效性要求比较高的新闻推荐系统是相当严重的缺陷，所以更多采用基于内容的推荐。大多数的基于内容的推荐系统在处理文字类item特征时，都会尝试将一篇文章映射到量空间模型。......
2023-06-28
-
基于推荐算法的智能餐饮系统优化方案详细阅读
图8-13推荐系统的基本架构①用户反馈行为采集模块。本案例针对餐饮行业中存在的问题，提出了基于推荐算法的智慧餐饮系统的设计思想，并对其进行了实现。系统中采用的推荐算法是基于协同过滤的思想，针对其处理稀疏数据能力差、可扩展性差这两个影响推荐质量的关键问题，提出了一种基于SVD与GSOM的协同过滤推荐算法。......
2023-06-28
-
宝钢智能制造：基于协同的生产优化方案详细阅读
宝钢在推进智能制造的技术策略以及在实践中推进智能制造时，秉承一个宗旨：致力于“一切皆协同”。在宝钢智能制造中，存在着三个重要的协同领域：单一基地中工序协同；跨地域、多制造基地之间的协同；跨企业供应链协同。......
2023-06-28
相关推荐