排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
由于图像中羽绒形态及其多样性,传统的图像识别方法难以正确识别羽绒分拣图像中的羽绒类型,其识别精度也难以达到实际生产的要求.为解决上述问题,构造了一种用于羽绒类型识别的深度卷积神经网络,并对其权值初始化方法进行了改进.首先利用视觉显著性模型提取羽绒图像的显著部分,然后将图像的显著部分输入到稀疏自动编码器中进行训练,得到一组符合数据集统计特性的卷积核集合.最后采用Inception及其变种模块实现深度卷积神经网络的构造,通过增加网络深度来提高网络的识别精度.试验结果表明,用所构造的深度卷积神经网络对羽绒图像识别的精度较传统卷积神经网络的提高了2.7%,且改进的权值初始化方法使网络的收敛速度提高了25.5%. 相似文献
3.
4.
眼底毛细血管的自动监测对眼科疾病、糖尿病、心脏病等疾病的早期筛查具有重要意义.为了解决对毛细血管特征表达不精细带来的血管分割缺失问题,提出多模块融合的残差神经网络模型(MbResU-Net).该模型利用了编码-解码网络结构.为了减少网络编码器与解码器之间的语义差距而带来的信息丢失,用非线性网络结构代替快捷连接嵌入到网络中.为了获得更多血管的细节特征,MbResU-Net提出将三块U型网络以残差方式连接,在避免丢失的前提下,最大地提取视网膜结构特征.为了保证分割质量,对图像执行预处理操作,并设计融合了代价矩阵的交叉熵损失函数来训练网络参数.对MbResU-Net与现有的眼底血管分割算法在DRIVE和CHASE DB1彩色眼底图像数据集上进行对比实验.实验表明MbResU-Net在Sen、ACC和AUC上优于现有方法.Sen为0.7987和0.7972,ACC为0.9648和0.9726,AUC为0.9791和0.9824.实验证明该模型在复杂曲率和小血管分割中具有有效性和鲁棒性. 相似文献
1