基于迁移学习的卷积神经网络图像识别方法研究

卷积神经网络是图像分类领域效果卓越的深度学习算法,然而训练深度神经网络是一项繁琐且复杂的工作,不仅在结构设计上依赖开发人员丰富的经验,还容易产生过拟合现象。因此,该文提出一种基于模型迁移的图像识别方法,该方法能够在简化设计思路的同时极大地提升卷积神经网络的性能。此外还在三个小型图片集上进行了多次模型训练和对比分析。研究结果表明,经过迁移学习优化的卷积神经网络的测试集准确率均得到显著提升。     

基于残差网络和迁移学习的野生植物图像识别方法

针对目前传统野生植物识别算法存在的耗时长、 精度低等问题,提出一种基于ResNet101网络和迁移学习的方法.将在ImageNet数据集上训练好的参数应用于数据扩充后的野生植物数据集,同时考虑微调第5组卷积块、 添加Dropout正则化和批量正则化技术、 优化网络结构参数的方式对原有网络进行改进.测试结果表明,该方法对...     

基于多尺度重叠滑动池化的SSD果冻杂质检测方法

提出一种基于SSD的杂质检测方法,用于检测生产线中果冻内部的杂质,并标注出杂质的类型和位置。在预处理阶段,提出滑动图像块分割方法,将整张果冻图像分割成若干图像块,避免杂质占比过小,造成准确率低的现象。使用迁移学习的方法,将神经网络在ImageNet数据库上学习到的特征迁移到果冻数据库中,加快网络收敛速度,同时,在一定程度上避免了过拟合现象。提出多尺度重叠滑动池化(SOSP)方法,取代第五层池化以取得更加鲁棒的特征池化。最后,将一幅图下的所有分割块上的检测结果进行整合,得到整张图像的检测结果。实验结果表明,本文提出的方法有效可行,对多种缺陷平均准确率达到0.7271。相比其他方法,本文的算法更具鲁棒性,可应用到果冻生产线中。      

基于Fisher变换的多尺度图像识别方法及其车形识别应用

该文提出了一种图像识别方法。该方法首先对识别图像进行多尺度小波分解,把不同尺度的分解结果组织为分解向量,再对分解向量作Fisher变换。在Fisher变换域内依据最小绝对距离(或相对距离)识别图像。该方法主要依据小波分解低频分量进行识别运算,对噪声不敏感：同时识别结果已经融合多尺度的识别运算,故目标图像大小对识别结果影响较弱。实践证明,该方法正确识别率高,鲁棒性强。     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

基于深度神经网络的花朵图像识别及分类

针对深度学习中图像识别模型的训练需要大量的数据集,同时由于受花朵的花期影响,短时间内难以收集到足够用于训练的样本问题,提出一种基于深度神经网络迁移学习的花朵识别分类的方法,达到在少量数据情况下完成模型训练的效果.首先将收集的花朵数据集图像进行随机剪裁和归一化处理;其次在ResNet34(residual neural ...     

多尺度特征融合注意力新冠肺炎病灶分割网络

新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络——多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。     

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％.     

基于深度学习的多模态融合图像识别研究

基于深度学习的方法,利用多模态信息融合技术,将汽车等目标的声音、图像信息融合,用于对测试目标的判断.利用改进Inception网络对图像识别技术展开研究,分别比较了单纯图像信息情况的辨识、单纯声音信息情况的辨识,以及多模态融合情况下的辨识.通过试验分析和比较,证明该方法可以有效提高用户的图像识别能力,将特种车辆的平均识...     

一种基于产生式分数空间的图像识别方法

针对传统图像识别方法没有利用数据分布信息的特点,提出了一种基于产生式分数空间的图像识别方法,使用概率产生式模型对数据分布建模,并从模型中学习出分数函数(特征映射),该分数函数编码了隐变量、样本和模型参数等用于分类的高层语义信息.最后,在两个标准图像数据库上对本文模型进行仿真和验证,实验结果验证了方法的有效性和稳定性.     

基于深度学习的CT图像识别方法的研究

随着我国社会不断向前进步,人工智能技术越来越先进,图片识别技术发展也快越来越快,其能够有效改变传统图片处理方式,而且采用智能大数据技术,可以提高图片识别准确度。文章主要分析基于深度学习的CT图像识别方法研究,首先简述深度学习与CT技术图像分析特点;其次,分析深度学习的几种方法,并总结分析深度信念网络模型的整体构建步骤;然后总体讨论深度学习在医学方面的应用,主要包括图像分类、检测及分割等;最后,总结CT图像分在未来的研究与应用及其挑战等。因此,文章结合深度学习系统对CT图像识别方法进行分析论述,具有一定的重要意义。     

多尺度分解结合卷积神经网络的SAR图像识别

针对合成孔径雷达(SAR)图像由于相干斑的影响而导致的识别率低,耗时长等问题,提出一种基于多尺度分解和卷积神经网络的SAR图像识别方法。首先将输入的图像进行数据增强,并利用非下采样轮廓波变换(NSCT)进行尺度分解,获得图像的高低频特征分量;然后将原图像、高频分量和低频分量空间连结,输入进网络进行训练、识别。以RELU为激活函数,交叉熵函数为损失函数,SoftMax为分类器,并使用TensorFlow框架进行训练。实验结果表明,提出算法的识别率高于其他几种典型算法,在MSTAR数据库上的识别率达到了93. 3%;同时,在五级椒盐噪声的影响下,识别率仅下降0. 5%,鲁棒性远高于其他几种算法。     

基于多尺度特征编码和双重注意力融合的绝缘子缺陷检测

针对输电线路绝缘子缺陷检测准确率低和检测速度慢的问题,提出了一种基于多尺度特征编码和双重注意力融合的输电线路绝缘子缺陷检测方法。首先,为了使检测模型适应缺陷绝缘子特征尺度的多样性,编码网络采用Res2Net50提取更细粒度的特征,并在之后嵌入空洞空间金字塔池化模块实现多个尺度捕捉绝缘子及其缺陷的特征;其次,为了减少解码网络中特征信息的缺失,将主干网络的不同层特征与efficient channel attention注意力模块串联,并分别与经过squeeze and excitation注意力模块的各反卷积特征相加形成双重注意力融合。实验结果表明,所提方法的均值平均精度值约为95.35%,每秒传输帧数约为65.95,与其他方法相比,该方法对无人机绝缘子缺陷的准确检测具有一定的参考价值。     

基于不变矩特征的图像识别

针对目标二维形状发生平移、旋转和尺度变换的情况,采用不变矩作为图像识别的特征量.图像灰度变化时,对应的直方图形状基本保持不变.将直方图的统计特征与不变矩相结合,提出了不变矩理论的图像识别方法.通过实验验证,这种方法对图像的亮度、对比度变化不敏感,可以有效地降低光照的影响,能够更准确地对图像进行识别.     

基于多尺度金字塔池化的调制识别算法

针对传统基于特征提取(FB)的信号调制识别算法所存在的识别准确率低、特征提取难度大以及算法泛化性能差等问题,结合卷积神经网络(CNN)和多尺度金字塔池化(MSPP)提出一种基于MSPP-CNN的信号自动调制识别(AMR)算法。在所提出的算法中,使用多尺度金字塔池化提高模型对不同调制信号的非线性特征提取能力,使模型具有更强的特征表达和泛化性能;在CNN模型的构建过程中,使用不同的卷积、池化以及激活方法对模型进行最优化验证,从而保证模型结构以及参数的合理性。实验结果显示,所提算法在信噪比为-18 dB,0 dB,18 dB时的识别准确率分别达到56%,62.98%,92.04%;与其他传统特征提取算法以及CNN算法的大量对比试验,证明了所提算法的有效性和高识别准确率。     

融合多尺度特征的改进Deeplab v3+图像语义分割算法

针对当前Deeplab v3+模型没有充分采用高分辨率的浅层特征出现的错误分割、遗漏分割等现象,提出一种融合多尺度特征的改进Deeplab v3+特征图像语义分割算法。在主干网络中,引入多尺度金字塔卷积;将空洞空间卷积池化金字塔中的标准卷积替换为深度可分离卷积,减少整体模型的参数量;最后,在解码层采用多尺度方法来捕捉获取全局背景,将背景特征通过注意力机制,再与浅层特征和空洞空间金字塔池化层结合,丰富融合后的浅层特征语义信息。实验表明,在CityScapes验证集中,所提算法具有更好的边缘分割效果,平均交并比达到了74.76%,较原有算法提升了2.20%。通过与先进算法比较,也证明所提算法应对改善错误分割、遗漏分割的有效性。     

光学相干断层扫描视网膜图像的迁移学习分类

光学相干断层扫描是目前检测糖尿病视网膜黄斑病变较为灵敏的方法之一,但病变的人工判断易产生主观失误,且比较耗时.为此,本文在迁移学习的基础上提出了一种改进的深度学习网络,用于视网膜图像的自动分类.先基于自适应阈值联合高斯滤波算法对图像进行预处理;然后以预训练模型为基础,通过微调解决样本差异的问题,并以全局平均池化方法替代...     

结合全局与局部池化的多幅图像识别算法

基于目前我国图像识别上的问题,对图像识别算法进行改进刻不容缓。通过网络池化可以提升图像识别中的准确度与速度。所以就目前而言,结合全局与局部池化的多幅图像识别算法是改进这一问题的重要举措。采用提取池化特征值、建立多幅图像识别网络模块实现图像识别。经试验论证,这种算法可以有效地提升图像的识别率,为日常生活中需要进行图像识别的产业提供相应的技术支持。