基于改进CNN的增强现实变压器图像识别技术

研究了增强现实变压器图像识别技术,为解决增强现实中变压器图像识别问题,首先在介绍深度学习的经典模型之一,即卷积神经网络CNN的基础上,提出基于两个并行结构的改进卷积神经网络模型(改进CNN),利用改进CNN模型对增强现实摄像头扫描得到的图像进行分类,实现变压器图形化识别。与普通卷积神经网络、SIFT图像识别算法等对比,改进CNN具有更低的错误率,并对变压器图像识别的准确率更高,通过仿真实验验证了此方法的准确性。     

利用CNN的海上目标探测背景分类方法

该文主要研究基于卷积神经网络（Convolutional Neural Networks,CNN）的海上目标探测背景分类方法.以CNN中的经典网络LeNet为例,基于IPIX雷达实测数据集,进行控制变量的模型训练,对分类准确率、训练速度、一维信号的二维特征图变化等进行分析,基于实测数据集验证了利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,并针对典型探测场景分类进行了验证.结果表明,LeNet卷积神经网络在海上探测背景区分方面,具有很高的分类准确率,并且数据预处理方式、单个样本序列长度对结果影响显著,而网络结构参数有一定的调节区间,在此区间内调整,影响不显著,所提方法在顺/逆浪向、高/低海况条件下杂波分类与杂噪分类方面具有很高的准确率.     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

基于卷积神经网络的砂石骨料分类方法研究

针对目前在检测商用砂石骨料的过程中,人工检测的效率低下且受到主观因素的影响较大以及检测的准确率不理想,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的砂石骨料图像分类模型CNN13,该分类模型参考经典卷积神经网络VGG16(Visual Geometry Group 16)模型进行网络结构的改进和参数优化,利用TensorFlow深度学习框架搭建一个13层的卷积神经网络结构.实验数据集采集于某商用混凝土生产企业日常生产中的砂石骨料,共5000幅数字图像,模型在训练过程中采用GPU进行高速计算.相比于VGG16模型,CNN13模型的卷积层和参数量较少,对GPU内存的要求更低,训练速度更快,分类的准确率更高,每个等级的砂石骨料的分类准确率都达到99％以上.     

基于CNN的舰船高分辨距离像目标识别

针对传统目标识别方法人工提取特征难以挖掘到数据深层次特征的问题,提出了将卷积神经网络(CNN)应用于高分辨距离像(HRRP)的目标识别方法,实现了对数据深层次特征的自动提取。首先构造CNN模型,设置网络参数;然后针对HRRP数据是一维的问题,将HRRP数据重新排列使一维数据变为二维数据;其次用训练数据对CNN模型进行训练得到网络参数;最后用训练好的网络模型对测试数据进行目标识别。通过对数据的减半并且添加噪声,验证了CNN的泛化性能。通过对学习率的优化,可以进一步提高CNN的识别率。实测数据的实验结果表明,CNN具有较好的识别性能。     

基于密集卷积神经网络的全卷积池化算法

目前用于图像识别的大多数卷积神经网络(CNN)都使用相同的原理构建,即:卷积层、池化层、全连接层.文中使用密集卷积神经网络重新评估了用于图像识别的所有组件,并对池化层不存在的必要性提出了质疑.经过实验,分析发现池化层可以由步幅增加的卷积层代替,却不会降低图像识别的准确率.研究中则在DenseNets上训练提出的由卷积层替代池化层的方法,组成新的卷积神经网络体系结构,并在多个图像分类的数据集(CIFAR-10,SVHN)上产生了先进的性能.本文提出了基于密集卷积神经网络(DenseNets)的全卷积池化算法,提高了图像分类的准确率.最后,在多个经典数据集上进行比较,实验结果验证了全卷积池化算法的高效性.     

基于深度卷积生成对抗网络的图像识别算法

针对传统深度卷积生成网络收敛速度慢、稳定性较差的问题,本文在传统深度卷积生成对抗网络的基础上,提出了深度卷积生成对抗网络的优化算法。首先在预处理部分,融合了Canny算子和Prewitt算子的多个方向的卷积核来初始化输入图片参数,同时训练模块。为了减少训练时间,将训练分为3个阶段,每个阶段都采用不同的损失函数,从而提升网络的收敛速度及识别效果。最后再将训练后的判别网络中的卷积神经网络用来提取图像特征。LFW和CIFAR-100的实验证明,本文提出的算法具有很高的可行性和有效性,比传统生成对抗网络、CNN等图像识别具有更高的识别成功率,达到89.5%,为生成对抗网络在计算机视觉领域的应用提供了有益的参考。     

基于AE-CNN的手势识别算法的探讨及实现

近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。     

基于卷积神经网络SLeNet_5的车牌识别方法

针对卷积神经网络Le Net_5用于车牌识别中存在输出层类别过少、层数过多及训练难度大等问题,构建了一种简化卷积神经网络模型(SLe Net_5),给出了其网络拓扑结构,并通过随机对角LM算法进行训练,使用其对分割后的字符进行识别。与模板匹配和BP神经网络等方法相比,所提方法具有较高的识别率。与其他CNN网络识别率相当,但具有结构简单,以及更快的识别速度等优点。     

基于深度迁移学习的饮食图像识别研究

卷积神经网络(CNN)应用于图像识别具有很大优势,但是需要足够深的网络和大量标签完善的数据集才能发挥其优越性.实际应用中,往往需要应对的是质量差和大小不一的数据集,且受硬件设备限制.为了提高图像识别效率和精度,提出一种基于深度卷积神经网络和迁移学习的识别算法.该算法首先对图像预处理和数据增强,后迁移大样本提取出的特征信息用于CNN特征提取,再接入微调网络对数据集再训练.实验结果显示,本文算法对饮食识别的精度和时间性能均有显著的提高,精确度最高可达98％以上,精度提升最高可达10％以上,时间性能提升幅度最高可达110％.     

采用深度学习的多方位角SAR图像目标识别研究

合成孔径雷达（Synthetic Aperture Radar,SAR）在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络（Convolutional Neural Network,CNN）,同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。      

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题,提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构,采用单图形处理单元（Graphics Processing Unit,GPU）进行训练,减少了两层卷积层和一层全连接层,在每层卷积层后加上批标准化（Batch Normalization,BN）代替原来的局部归一化,并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比,改进的网络结构更简单、复杂度低、参数量少,可以节省大量模型训练时间进行快速预测,且更不易过拟合,同时加快了模型收敛速度,提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验,结果表明,所提方法分别得到了68.85%和97.46%的识别率,较其他人脸表情识别方法的识别率有一定提高。     

卷积神经网络（CNN）训练中卷积核初始化方法研究

本文提出了一种基于样本图像局部模式聚类的卷积核初始化方法,该方法可用于卷积神经网络（Convolutional neural network, CNN）训练中卷积核的初始化。在卷积神经网络中,卷积核的主要作用可看成是利用匹配滤波提取图像中的局部模式,并将其作为后续图像目标识别的特征。为此本文在图像训练集中选取一部分典型的样本图像,在这些图像中抽取与卷积核相同大小的子图作为图像局部模式矢量集合。首先对局部模式子图集合应用拓扑特性进行粗分类,然后对粗分类后的每一子类采用势函数聚类的方法获取样本图像中的典型局部模式子图,构成候选子图模式集,用它们作为CNN的初始卷积核进行训练。实验结果表明,本文方法可以明显加速CNN网络训练初期的收敛速度,同时对最终训练后的网络识别精度也有一定程度的提高。      

基于卷积神经网络的少数民族头饰识别

传统头饰图片识别方法的特征点由研究人员手工提取,工作量大且准确率低,识别系统存在预处理步骤繁琐、样本要求高等缺点。针对上述问题,文中通过构建卷积神经网络从大量图片数据中自动学习头饰图片的深层特征。文中的CNN模型选用稀疏性较好的ReLU激活函数调整输出,利用反向传播算法(BP算法)优化网络参数,在训练得到的CNN模型后接Softmax分类器进行识别。实验结果表明,系统对头饰图片测试集的识别率达到96.25%,具有良好的识别准确率和识别效率。     

基于CycleGAN的仿真PET/CT图像生成方法

目前,癌症仍然是人类身体健康的一个巨大威胁。癌症的诊断尤其是早期诊断,对于癌症的治愈来说至关重要。以正电子发射型计算机断层显像/计算机断层扫描显像(Positron Emission Computed Tomography/Computed Tomography,PET/CT)为代表的医疗影像学技术是癌症早期诊断的重要方法。随着计算机技术的发展,尤其是深度学习技术的出现,模型可以自动从PET/CT图像中提取有效的特征,使得对癌症进行早期诊断成为可能。然而,基于以卷积神经网络为代表的深度学习技术搭建的模型依赖大量数据的训练,同时PET/CT检查费用过于高昂且给病人带来的生理不适过强,目前PET/CT设备并未得到大范围推广,而可用的PET/CT数据数量不大。因此,可以使用生成对抗网络(Generative Adversarial Network,GAN)对已有的PET/CT数据进行数据扩充,即依据已有的真实PET/CT图像生成大量仿真PET/CT图像,再将扩充后的数据集用于癌症早期诊断模型的训练。通过搭建一个基于CycleGAN的模型证明:使用CycleGAN模型生成的PET/CT图像基本符合使用要求,可有效扩充数据集。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究

为了更好地治疗宫颈癌,准确确定患者的宫颈类型是至关重要的。因此,用于检测和划分宫颈类型的自动化方法在该领域中具有重要的医学应用。虽然深度卷积神经网络和传统的机器学习方法在宫颈病变图像分类方面已经取得了良好的效果,但它们无法充分利用图像和图像标签的某些关键特征之间的长期依赖关系。为了解决这个问题,文章引入了胶囊网络(CapsNet),将CNN和CapsNet结合起来,以提出CNN-CapsNet框架,该框架可以加深对图像内容的理解,学习图像的结构化特征,并开展医学图像分析中大数据的端到端训练。特别是,文章应用迁移学习方法将在ImageNet数据集上预先训练的权重参数传输到CNN部分,并采用自定义损失函数,以便网络能够更快地训练和收敛,并具有更准确的权重参数。实验结果表明,与ResNet和InceptionV3等其他CNN模型相比,文章提出的网络模型在宫颈病变图像分类方面更加准确、有效。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节. 由于电磁环境日益复杂,噪声对能否正确调制识别影响显著. 本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数. 将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率. 在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。