共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
《现代电子技术》2019,(22)
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。 相似文献
4.
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... 相似文献
5.
6.
7.
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. 相似文献
8.
9.
10.
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。 相似文献
11.
12.
13.
14.
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. 相似文献
15.
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。 相似文献
16.
17.
18.
19.
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。 相似文献
20.
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。 相似文献