基于可变形卷积的图像边缘智能提取方法

针对传统卷积神经网络边缘提取局限性的问题,提出一种基于可变形卷积的图像边缘智能提取方法。根据图像边缘呈现的数据分布特点,采用多尺度可变形卷积,改进图像边缘提取网络。通过跨层融合特征图的方式引入可变形卷积网络模块,增强卷积网络对图像形状的适应能力和边缘特征提取效果。测试结果表明,该方法相比于其他多尺度融合算法具有更高的精度指标和效果。     

基于改进胶囊神经网络的示功图诊断模型

针对传统胶囊神经网络特征提取结构单一,模型参数量大以及动态路由算法中相似度衡量粗糙等问题,该文提出一种改进的胶囊神经网络.应用Fire Module模块,将网络中特征图通道数先进行压缩,再通过多尺度的卷积核提取特征信息,进而提升网络的特征提取能力和减少网络模型的参数.将Dropout思想引入胶囊神经网络来增加模型的多样...     

基于改进SSD的水下目标检测算法研究

随着人类对海洋的不断深入探索,准确、快速地检测水下环境中的鱼类、仿生体及其他智能体对完善水下防御体系显得越来越重要。针对水下复杂环境下目标检测准确率低、实时性差的问题,提出一种基于改进SSD的目标检测算法。该算法用ResNet卷积神经网络代替SSD的VGG卷积神经网络作为目标检测的基础网络,并在基础网络中利用所提出的深度分离可变形卷积模块进行特征提取,提高对水下复杂环境下目标检测的精度及速度。所提出的深度分离可变形卷积主要是在可变形卷积获取卷积核偏移量的过程中融合深度可分离卷积,以减少参数量来达到提升网络运行速度的目的,同时通过稀疏表示来提升网络的鲁棒性。实验结果显示,相比ResNet作为基础网络的SSD检测模型,利用深度分离可变形卷积改进的SSD检测模型检测水下目标的准确率提升了11个百分点,检测时间减少了3 ms,证明新算法的有效性。     

基于多尺度卷积神经网络的交通标志识别方法

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR -MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值.     

基于多尺度卷积神经网络的变压器故障诊断方法

为了提高变压器故障识别的诊断精度,提出一种基于多尺度卷积神经网络模型的变压器故障诊断方法。首先,在1DCNN结构基础上设计2个多尺度卷积模块,构造变压器故障识别模型的总体结构。其次,针对样本特征较少问题,采用基于比值法的特征扩充方法,将样本特征由5维增强至25维;针对故障样本量少以及故障间样本数分布不平衡问题,采用基于对抗生成网络的样本数增强方法,生成大量模拟样本。最后,利用改造后的数据集对所设计的模型进行训练与测试。结果表明,模型平均准确率为93.24%,与相关主流方法在不同数据集下实验对比,本模型表现效果良好。     

基于RAPNet的脑肿瘤MRI图像三维分割

传统深度卷积神经网络方法在全自动脑肿瘤磁共振成像(MRI)图像分割中存在多尺度病变处理能力较弱的问题。对此，使用改进的三维递归残差卷积单元构建特征学习的主干网络，提高了特征学习的空间相关性并缓解因网络模型过于复杂造成的网络退化和梯度弥散。同时，采用具有不同膨胀率的三维空洞卷积和跨模型注意力机制构建分层特征金字塔，结合上下文特征，提高了整体模型对不同大小肿瘤的识别能力。结合多层特征图对肿瘤图像进行辅助预测，获得了最终图像的分割结果。在BraTS 2019数据集上进行实验的结果表明，用残差-空洞金字塔网络(RAPNet)的方法在分割浮肿区域、坏疽区域、增强肿瘤区域的平均Dice相似性系数分别为0.897,0.852和0.823。与现有高效脑肿瘤图像分割方法相比，新方法在学习病变的多尺度特征方面具有更好的效果。     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

轮廓检测深度学习模型的多尺度特征解码网络

轮廓检测旨在提取自然场景中目标形状以及区域与区域之间显著的分界线,是计算机视觉中的研究热点之一.近几年,基于卷积神经网络的轮廓检测模型取得了显著突破,这些模型由编码网络和解码网络两部分构成.编码网络一般采用现有的VGG16网络,研究者主要致力于解码网络设计.考虑到自然图像中包含许多不同尺度的轮廓,充分利用丰富的层级特征对于轮廓检测非常重要.因此,从充分利用多尺度特征的角度出发,提出一种能够有效整合不同尺度卷积特征信息的解码网络结构.将输入信息分成浅层、中层和深层3种特征,利用解码网络分别对不同尺度的特征进行整合,最后平均融合3种特征,进行图像到图像的轮廓预测,在BSDS500数据集上对模型进行评估.对比实验结果表明,模型预测的轮廓清晰,最佳数据集尺度指标达到了0.818,具有较好的性能评估指标.     

一种多尺度嵌套卷积神经网络模型

卷积神经网络模型要求训练图像与测试图像在空间尺度上一致.为弱化这一限制,对卷积层特征提取器进行多尺度改进,提出了一种尺度不变卷积神经网络模型,以自动适应输入图像在平面空间上的尺度变化.同时,将多层Maxout网络嵌入新模型中,以进一步提高特征提取能力,提高图像识别与分类的准确性.实验测试结果表明,该模型提高了传统卷积神经网络模型的尺度不变性和分类精度.     

基于多尺度卷积神经网络的道路交通标志识别方法研究

为了准确识别不同路况下的交通标志信息,提出一种在Faster RCNN模型基础上改进的深度学习方法。针对交通标志的显著特征,设计了多路并联全卷积神经网络,对原始图像中的交通标志颜色、形状以及纹理进行多路特征提取,将多路特征层进行融合得到最终特征图,通过图像预处理加强了模型在多种环境和天气状况下的适应能力。同时在特征提取网络中加入深浅层特征层的融合特征,保留浅层特征层的细节纹理信息和深层特征层的语义信息,得到最终特征层能够适应多尺度变化的交通标志的识别。在原有RPN候选区域生成网络前,利用交通标志先验知识作为辅助进行目标检测定位,提出了针对交通标志识别更加合理的候选锚框生成办法。从先验知识统计交通标志尺寸和比例结果出发,设计适用于交通标志识别的目标候选框,减少了大量冗余的和负相关的候选框,提高检测准确度减少检测时间;加入针对深浅特征层的多尺度候选框生成方法,在强化多尺度目标识别能力的同时,进一步加强了小目标检测和识别效果;采用国际通用交通标志规范数据集GTSRB/GTSDB以及国内交通标志数据集TT100K对模型识别能力进行识别验证。     

基于神经网络的汉语孤立词语音识别

研究了基于神经网络的中文孤立词语音识别技术;将时间规整算法与神经网络相结合,组成一个混合级联神经网络语音识别系统. 在这个模型中,第一级是时间规整神经网络. 其作用是完成时间规整功能,从输入不等长的语音信号特征矢量序列中提取固定长度的特征矢量;然后将这组特征矢量馈入后一级BP网络完成语音识别. 利用该方法对小词表汉语孤立词进行语音识别实验,获得了98.25%的正确识别率. 实验结果表明,该系统不仅利用神经网络解决了语音识别中的时间规整难题,而且识别性能明显得到改善,识别率和训练速度均优于采用线性时间规整的神经网络语音识别方法.     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域（ROI）,然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。     

混合PSO优化卷积神经网络结构和参数

为了使卷积神经网络在非经验指导下自动寻得最优连接,并提高其参数优化效率,提出用粒子群优化卷积网络参数,并用离散粒子群优化卷积网络特征图之间连接结构的新方法。先使用粒子群优化所有权值,再采用离散粒子群优化降采样层和卷积层之间特征图连接结构。将该方法用于MNIST数据集和CIFAR-10数据集,实验结果表明,相比其他连接结构的卷积神经网络和其他识别方法,该方法可以有效实现网络结构及参数的优化,加速网络收敛并提高识别准确比。     

一种改进的卷积神经网络SAR目标识别算法

针对卷积神经网络在标签数据不足条件下易发生的过拟合现象及噪声条件下的合成孔径雷达目标识别问题,提出了一种改进的卷积神经网络目标识别算法．首先利用数据增强技术扩增训练集,以提高网络泛化能力;其次利用零相位成分分析对目标进行特征提取,得到一组特征集对卷积神经网络进行预训练．为优化网络结构,防止过拟合现象,在网络中采用了修正线性单元、Dropout、正则化、单位卷积核等稀疏性技术．实验表明,算法对各类目标及其变形目标子类具有较好的识别性能,并对噪声有较强的鲁棒性,是一种有效的目标识别算法．     

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于蚁群算法的行为识别特征优选方法

为了降低特征冗余,提高移动用户行为识别的准确率,提出一种基于蚁群算法的移动用户行为识别加速度信号特征优选方法。首先对样本数据进行预处理,根据特征对不同行为的分类敏感度进行初次优选,降低特征搜索空间的维度;然后利用蚁群算法结合神经网络分类器,以特征的分类准确度为评价准则对特征集合进行了二次优选。实验结果表明,该方法优选出的特征集具有较好的识别性能。     

基于Gabor及深度神经网络的葡萄种子分类

种子成熟度需要受过长期训练的专家通过肉眼进行观察和判断。为了改变传统人工经验判断的方式,该文提出了一种基于Gabor小波特征提取及深度神经网络的葡萄种子图像分类识别算法,以便实现高效、准确的分类识别效果。首先,利用背景差分法在背景图像中分割出兴趣目标,从而完成图像的预处理。然后,通过改进的Gabor小波特征提取,使得Gabor滤波后的图像具有更多的细节纹理信息。最后,将深度卷积神经网络和提取到的纹理特征信息相结合进行分类。实验结果表明,基于机器学习的葡萄种子成熟度识别是切实可行的。且相比于其他类似分类算法,本文算法的图像分类精度有了一定的改善。     

基于平稳小波与BP神经网络的换相失败检测算法

针对高压直流输电系统中换相失败检测问题,提出了一种采用平稳小波分析和BP神经网络的换相失败检测算法.通过平稳小波提取换相失败信号不同尺度的小波能量,作为特征向量输入神经网络中进行训练,并得到能够进行自动化识别的分类模型.在实际采集得到的200组数据集上进行了算法验证,结果表明,文中算法可以有效地区分直流输电系统中的换相失败和正常信号,其平均检测精确度达到95%以上,为进一步系统准确无功补偿提供保障.     

卷积神经网络的优化在车牌号识别上的运用

通过与传统神经网络对比,分析了利用卷积神经网络(CNN)进行车牌号图像识别中的特征提取过程,提出了优化卷积和池化的过程来提高算法的收敛速度和准确率。运用Py Charm环境建立了改进后的车牌号识别模型,并通过实验验证了其正确性与识别速度。通过BP神经网络、传统Le Net-5 CNN和改进后的CNN对相同的字符集进行对比分析实验,得出了改进后的CNN模型的优势。