基于深度学习的路面交通标志识别

高级驾驶辅助系统中,路面交通标志检测和识别是获取安全和预警信息最基本和最具挑战性的任务之一。文章构建一种基于深度学习的路面交通标志识别模型。该模型引入AlexNet网络作为基础网络提取图像全局特征,对全图各个位置的多个尺度特征进行回归分析标志边框和类别,利用非极大值抑制算法消除多余检测框。实验证明该模型可以7类常见的路面交通标志,且具有较高的准确性和鲁棒性。     

基于深度学习的交通标志识别算法研究

智能交通和自动驾驶成为当下研究的热点问题,而交通标志识别是其中必不可少的一项关键性技术,当下急需一种准确、高效的交通标志识别方法。针对以上问题,文中构建了一种基于深度学习的交通标志识别模型TSR_Lenet;同时由于基于深度学习的模型在训练过程中存在收敛速度慢、容易收敛到局部最优的问题,将Momentum加速学习的优点与RMSProp抑制训练过早结束的优势相融合,使得构建模型的过程更加快速、高效。实验结果表明,所提出的基于深度学习的交通标志识模型TSR_Lenet,具有自动学习的能力和训练模型周期短的优点,并且准确性高,鲁棒性好,具有良好的泛化能力。     

基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分.交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题.文章使用结合Darknet53的YOLOv3网络,增加对于小...     

基于深度学习的手写体数字图像识别

如今,越来越多的人使用图像来表示和传递信息,从图像中学习大量信息对人们而言十分便捷,在这个更加强调人机交互效率的信息技术时代,如何快速、准确地识别这些手写数字,成为学术界和科技界关注的问题。对于手写数字的图像识别问题,重点在于如何用数据代表图像,从而表示数据,这里的数据不是像素,而是具有高级表示的图像特征,其提取的结果对识别的准确性非常重要。     

基于深度学习的笔迹性别识别

笔迹性别识别在取证分析中具有重要意义.近年来,虽然笔迹性别识别获得了越来越多的关注,但是目前提出的算法都基于人工设计的特征,难以准确地表达笔迹包含的信息,因而准确率较低.针对这个问题,本文提出了一种基于深度学习的笔迹性别识别方法,使用深度学习caffe工具,将预处理后的笔迹图像输入本文设计的卷积神经网络进行分类.本文首先提取笔迹图像的每个单词,然后取单词的不同全排列拼接成基础图,接着按照固定的大小从基础图截取材料图,最后以材料图为输入数据,以包含7个卷积层的网络为模型进行分类.本文的方法在IAM On-Line公开数据库上进行了测试,取得了较高的识别率.     

一种基于深度学习的交通标志识别新算法

针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T-YOLO算法.该算法基于YOLOv2算法检测思想,融合残差网络、卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax函数...     

基于深度学习的供应商资质证书智能识别技术研究

随着大数据人工智能的快速发展,机器学习、深度学习和强化学习等技术逐渐广泛应用于企业的业务环境中。供应商证书查验是一项繁重的业务工作,同时也是供应商管理流程中的重要环节。文章旨在研究一种基于深度学习的供应商证书智能识别技术,将证书识别分成可通过OCR机器视觉检测的文本区域和检测后的文字识别部分,实现了非结构化的证书图像转换为结构化文本,以此来提高企业办公效率,降低人力成本。     

基于深度学习的汉字识别

随着深度学习的持续发展,近年来用于手写汉字的识别也有了极大的突破,但现有的许多方法参数众多、运算量较大、模型架构庞大且相对复杂,所需存储容量大,对实验的环境要求较高。针对以上问题,提出了基于MobilenetV2的汉字识别,采用深度可分离卷积,相对于其他的网络模型,在运算量、模型架构等问题上化繁为简,且MobilenetV2网络模型是在MobilenetV1的基础上进行改进的,增加了线性瓶颈和倒残差。一是扩充了通道数用来提取更多的特征信息,二是使用线性函数替换ReLU用来降低变换过程中信息的损失率。适合于移动设备设计,通过大型中间张量来显著减少内存占用,其综合识别的准确率可以达到92%以上。     

基于深度学习的GIS设备故障识别技术

传统GIS设备故障识别方法无法处理负载突变问题,且负载调节不及时,导致故障识别精度偏低.提出基于深度学习的GIS设备故障识别技术,构建动态响应特征检测模型、GIS设备故障特征融合模型以及故障统计特征分析模型.计算故障状态下的电压外环和负载突变参数,提取GIS设备故障属性特征;采用深度学习判断故障识别过程中的参数寻优控制...     

基于深度学习的室内视觉位置识别技术

视觉位置识别技术通过将地点图像与数据库中的图像集进行匹配,根据配对图像标签中的位置信息得到定位结果。现有的视觉位置识别网络都是为了应对室外场景而构建和训练的,在室内场景中的识别性能较差。文中提出了一种基于深度学习的室内视觉位置识别卷积神经网络架构,并在室内场景识别数据集上对网络进行了训练,然后在本地室内数据集上对网络参数进行进一步的微调,较好地解决了室内环境中的位置识别问题。和现有的其它视觉位置识别网络相比,文中训练的网络在实际室内环境测试中最大有30%的识别精度提升。     

基于深度学习的环境声音识别

作为一种感知周围环境十分有效的方法,环境声音识别(Environment Sound Recognition,ESR)被广泛地应用在机器人导航、移动机器人、音频检索、音频取证以及其它基于情景感知、可穿戴的应用中.目前,较为简单的分类器已经大规模应用在ESR问题中,但却不能很好地反映和识别环境声音,而深度神经网络作为一种高性能、多层的神经网络,为更好地描述原始数据特征和解决模式识别问题提供了更有效的途径.为此,本文将深度神经网络应用在环境声音识别问题中,并对音频特征进行特征融合,通过训练深度信念网络(Deep Belief Network,DBN)进行环境场景的识别.实验结果表明,基于特征融合的方法的识别性能相较于分别采用音频特征的方法识别在性能上有明显提升,且将深度学习应用在ESR问题中具有明显的优势.     

基于深度学习的口罩佩戴识别技术研究

在公共场所佩戴口罩,是防止新型冠状病毒传染的最主要手段,在必要的场所,每个人都必须佩戴口罩以进行自我保护。在人群相对集中的公共场所,相互之间不可避免地存在遮挡干扰,从而产生了小范围内的复杂干扰识别问题。如果使用单一的卷积神经网络对口罩佩戴进行识别,有可能造成提取关键特征信息时聚焦度欠缺,出现特征提取不足等问题。因此本文提出一种两渠道卷积神经网络的佩戴口罩识别方法。在卷积神经网络的基础上,通过2个输入渠道,分别对眼睛区域和眼睛以下的区域,进行特征提取;最后通过基于决策层的信息融合方法,将2个渠道的识别结果加以融合,从而得到最终的识别结果,其平均识别准确率达到了98.8%。经过实验验证,该方法在佩戴口罩的识别上,取得了较好的识别准确率。     

基于深度置信网络的手写数字识别系统设计

手写数字识别在现实生活中的各个领域应用广泛,已经成为近年来研究的热点问题。基于多种人工智能方法的手写数字识别系统得到了研究,但传统的方法存在着精度不高、容易陷入过耦合等问题,本文采用深度学习理论中的深度置信网络方法对手写数字识别系统进行设计,得到一个新的手写数字识别系统,应用结果证明,该系统精度较高,可以有效进行数字识别。     

基于深度学习的VPN加密流量协议识别

当下网络科技的快速发展,引起了人们对于隐私安全意识的加强,对于加密流量的使用也在逐步提升。与此同时,现有的加密流量技术例如Shadowsocks、SOCKS5、VMess等,也给网络安全管理大大增加了难度。如何在信息量巨大的网络数据中精准识别VPN加密流量,成为当今科学的一大热点问题。为此,本文在研究了VPN加密特性和协议原理的基础上,运用了深度学习算法对VPN的不同加密协议进行了识别区分。     

基于深度学习的调制识别研究

调制识别是无线电通信中一个重要的研究领域,在信号检测、异常信号打击、干扰识别和电子对抗等方面有广泛的应用。目前大多数调制识别算法都是基于传统的信号分析,其特征提取算法与决策树的构建方法对效果有很大的影响。本文提出了基于深度学习的调制识别算法,基于卷积神经网络构建一个端到端的调制识别系统,这种系统不需要人为提取调制信号的特征,直接向网络中输入原始IQ数据,由网络对数据进行学习,自动提取高级特征,然后给出识别结果。实验证明该方法在低信噪比下可得到很高的识别率,其测试结果不亚于传统的调制识别算法。