基于半监督学习的SAR目标检测网络

现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力。相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易。该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法。该方法的目标检测网络由候选区域提取网络和检测网络组成。半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络。更新候选区域集和训练检测网络交替迭代直至收敛。基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大。     

基于迁移学习和SVM的糖网图像分类

为解决基于卷积神经网络(CNN)的糖尿病视网膜病变(DR)图像分类算法上普遍存在模型参数难以训练、易过拟合的问题,本文提出一种基于迁移学习和支持向量机(SVM)分类器的DR图像分类算法。首先,对DR图像进行预处理和数据扩增;其次,采用迁移学习方法预初始化深度学习分类算法中的经典框架VGGNet-16网络的模型参数,固定浅层网络参数不变,微调深层网络参数;最后,提取VGGNet-16最后一个隐藏层的特征向量训练支持向量机(SVM)分类器判定DR图像是否病变。实验结果表明,在Kaggle-DR公共数据集共35126张DR图像进行实验,在随机抽取的3500张作为测试集,分类准确率为0.931、敏感性为0.933、特异性为0.928,并能加快网络收敛和提高模型的泛化性。     

基于群卷积神经网络的恶意域名检验方法

针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法。首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力。实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4%、1%,达到98.9%。     

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VGGNet卷积神经网络的蓝印花布纹样分类

为了数字化传承与创新传统的蓝印花布纹样,需 要将蓝印花布纹样进行分类。为此,提出一种改进的VGGNet卷 积神经网络模型的纹样分类方法。首先,采集原始的蓝印花布图案,通过图像增强技术扩充 样本,形成训练数据集。其次, 改进经典的VGGNet 16卷积神经网络结构,增加卷积组及调整网络参 数,增加丢弃层。同时,分析、验证训练优化策略对 蓝印花布纹样分类的影响。最后,利用训练集及验证集中的图像样本,通过自动学习获取网 络模型参数,得到纹样分类的最 佳网络模型并获得较为理想的分类结果。实验结果显示,改进的卷积神经网络模型针对5类 蓝印花布纹样进行分类训练,其 平均分类准确率达89.73%,为蓝印花布纹样的继承和创新研究提供了 新思路。     

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肺炎检测系统

提出一种利用卷积神经网络对胸部X光影像数据进行分析,实现对肺炎这一常见症状进行检测的系统。该方案首先进行图像预处理,然后采用VGG卷积神经网络和改进VGG卷积神经网络分别实现对胸部X光影像的特征提取,得到两种网络对肺炎的检测准确率,最终测试结果显示,改进VGG卷积神经网络在对肺炎检测上具备比VGG网络更好的识别效果,同时,改进VGG网络在标定好的数据集进行训练时能够更快的收敛。通过在公开数据集上进行测试表明,改进VGG卷积神经网络得到了98.5%的准确率,相比于VGG网络提升了2%以上的识别准确率,证明该方案在肺炎识别上具有可行性。     

基于Xception与迁移学习的中药饮片图像识别研究

为实现对常用60种中药饮片图像的精准快速识别,构建13 088张常见中药饮片图像数据集,采用迁移学习的方式,以深度学习算法中Xception卷积神经网络模型为基准,对饮片图像进行训练与识别。模型训练的初始学习率设置为0.01,优化器中设置Nesterov动量超参数为0.9,训练次数为100轮,得到在训练集上的分类准确率达到100%,验证集准确率为97.42%,测试集准确率为97.26%,最后结合混淆矩阵这一指标对模型的识别能力进行评估分析。该模型与传统依靠提取中药饮片图像特征的机器学习算法相比,分类效果更好,泛化能力更强。     

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积 神 经网络(convolutional neural network,CNN) 的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16) 网络作为 模型的骨干架构,在瓶颈层后增添选择性核(selective kernel,SK) 卷积;然后,增添全局平均池化(global average pooling,GAP) 层, 增加Dropout层及添加 L2 正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进 行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种 网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、 95.61%,Q-VGGNet网 络模型 对合格图像和 漏装负极、极耳断裂、漏装集流片3种缺陷图像 识别准确率 分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷, 拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。     

融合快照集成与知识迁移的人体行为识别算法

用卷积网络进行人体行为识别是毫米波雷达的一个热门研究方向。由于卷积网络结构的缺陷性,而且目前用于人体行为识别公开的雷达领域数据样本量过少,传统深度学习算法对雷达微多普勒图像的识别率不高,且在训练过程中容易出现过拟合的现象。针对上述问题,本文提出一种融合快照集成与迁移学习的雷达人体行为识别算法。首先,针对深度卷积网络无法提取图像全局特征的问题,该算法通过搭建Vision Transformer(VIT)模型引入注意力机制。其次,通过VIT模型在公开自然数据集上进行任务迁移和特征空间的迁移,解决微多普勒图像的识别过拟合的问题。最后,利用基于快照集成的投票机制算法,提升模型对复杂雷达微多普勒图像的识别能力。试验结果表明,在目标任务数据集样本量少、背景复杂的情况下,该算法能在不增加训练成本的前提下提升微多普勒图像的识别准确率,在VIT模型下该算法识别准确率达到了89.25%,优于经典卷积神经网络。     

融入频域特征的航天复合材料缺陷智能检测北大核心CSCD

针对传统人力无损检测识别方式存在的准确度与可靠性不足,且处理缺陷种类单一的问题,本文提出了一种融入频域特征的航天复合材料缺陷检测算法。首先,为了提高缺陷图像的特征提取效果,在特征提取骨干网络中添加图像的频域输入信息;其次,为了提高缺陷的可视化效果和检测精度,提出信息专注模块,并在面具R-CNN(mask region-based convolutional neural network, Mask R-CNN)的基础上,改进分割掩模损失函数;最后,结合级联R-CNN(cascade region-based convolutional neural network, Cascade R-CNN)结构,形成了新的实例分割网络。此外,在航天复合材料缺陷X射线图像数据集中对提出的实例分割网络进行了实验验证,模型检测的平均准确度达到了95.3%,与Mask R-CNN、级联面具R-CNN(cascade mask region-based convolutional neural network, Cascade Mask R-CNN)等实例分割算法相比,取得了更为优良的效果。该研究成果已应用于实际工业生产中几种常见航天复合材料缺陷的智能检测。     

基于深度学习的电路板焊接异常检测算法研究

焊点的焊接质量决定了电路板的可靠性,而电路板焊接异常的快速检测是大批量生产的先决条件。为了快速地实现焊接异常的精确检测,提出了一种基于深度学习的焊点图像识别算法。该算法通过自适应矩估计配合加速卷积神经网络实现,可对大量焊接图片进行快速分类识别检测。实验选取5 000幅焊接图像训练集测试,并与传统的K-means聚类算法和Canny边缘检测算法对比。实验结果显示,在小球和连桥缺陷中3种方法效果相近,而在虚焊、少锡缺陷中,本算法具有明显优势。在1 000组测试集实验中,其综合检出率及召回率分别达97.92%和98.21%,明显优于传统方法,验证了本算法具有更好的应用前景。     

基于点积自注意力卷积神经网络的歌声检测

传统的歌声检测过程往往包含了复杂的特征工程,而基于深度神经网络统一框架的算法则可以利用其强大的学习能力学习到特征,从而忽略特征工程。但是,这些学习到的特征通常得不到重要性区分,在网络中所占权重相同。针对这一问题,提出在卷积神经网络中嵌入点积自注意力模块的算法,该算法通过学习得到各个特征的注意力分布,调整注意力权重,使得卷积神经元在“观察”这些特征时能区分轻重,从而提升网络的整体性能。在实验部分,通过在两个公开数据集下测试,并和基准模型进行对比,证明了该算法对提升歌声检测水平切实有效。      

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。     

改进型卷积神经网络焊点缺陷识别算法研究

为了同时对多种焊点缺陷类型进行快速识别,解决现有焊接异常图像识别算法误检率与漏检率偏高的问题,设计了基于改进型卷积神经网络的深度学习算法。利用自组织映射分类技术,提高了卷积神经网络的数据选择自适应性,结合自适应矩估计分析, 约束了焊接异常图像中特征集合的收敛条件。实验中将5种常见焊接异常图像以等比例随机分布的形式放入训练集、验证集和测试集中,再分别用传统识别算法(canny算法和k均值算法)和该算法进行测试。结果表明,对于桥连缺陷,3种方法均无误检、无漏检;对于小球缺陷,3种方法均符合要求,而canny算法的检出能力最优;对于偏球缺陷, 3种算法的误检率分别是12.4%, 7.3%和与1.4%,漏检率分别是13.3%, 6.5%和1.1%;对于虚焊和少锡缺陷,该算法相比传统算法精度高约1个数量级。该算法在对多种焊点缺陷类型识别中具有明显优势。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于新型编-解码网络斜拉桥拉索表面的缺陷检测

针对人工目测斜拉桥拉索表面缺陷劳动强度大、准确度低,常规图像处理和卷积神经网络速度慢,无法满足实时检测等问题,构建了新型编-解码网络检测拉索表面缺陷。采用优化的MobileNetV2作为编码器,减少网络参数、加快训练速度;解码器借鉴UNet思想,融合金字塔池化(pyramid pooling, PSP)模块加强特征提取;利用跳跃链接级联编码器和解码器,有效融合深浅层特征信息;通过PASCAL VOC数据集预训练得到新型编-解码网络权值,利用孔洞、缝隙、损伤等常见缺陷数据集训练网络获得最终网络参数。实验结果表明：新型编-解码网络鲁棒性强,均像素精度、均交并比和单张图片处理时间分别达到89.88%、79.25%和41.34 ms,明显优于PSPNet、UNet、DFANet等主流检测方法,满足斜拉桥拉索表面缺陷检测的精度和速度要求。     

基于卷积神经网络的手势识别

手势识别是人机交互,智能语义识别和远程人机 交流领域的热门研究课题。目前基于 视觉的手势识别问题仍是研究的难点,在多变背景下的手势姿态识别仍然存在较大问题。近 年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特 征得到了广泛关注。由于卷积神经网络具有较强的学习能力和个体特征的表达能力,本文针 对传统手势识别算法精度低,鲁棒性差的问题,提出了基于卷积神经网络的TensorFlow框架 下加入扁平卷积模块的FD-CNN网络手势识别算法。在预处理数据集后,基于FD-CNN网络的 手 势识别方法可以直接将预处理后的图像输入网络进行训练,最终输出测试结果的识别精度为 99.0％。与传统方法和经典卷积神经网络方法相比,本文方法提高了 网 络系统对样本数据的多样性和复杂性的有效识别,具有较高的识别率和较好的鲁棒性效果。