基于深度学习的人脸识别研究

基于深度学习的人脸识别技术是目前人工智能和图像领域研究的热点之一,尤其随着近年来深度神经网络的发展,人脸识别的准确性和有效性得到了极大的提高。文章首先简要阐述了人脸识别技术的研究和发展历史,接着叙述了人脸识别的技术流程,随后详细介绍了在人脸识别中常用到的卷积神经网络。由于各大企业在人脸识别领域取得丰硕的研究成果,因此,也对人脸识别的产品和公司进行了简单介绍。最后,对人脸识别技术存在的不足和发展前景进行了总结和展望。     

基于深度学习的人脸识别系统

本文设计描述了三种人脸识别技术:(1)通过肤色模型训练的图像变化技术对图像的人脸区域进行识别并分割出来。(2)Eigenface人脸识别算法的图像表示技术通过输入已知人脸图片,可视化特征脸,与系统相似脸匹配并计算识别准确率。(3)全连接神经网络技术和卷积神经网络技术实现对对输入人脸的识别分析和匹配测试,从系统库里找到与之最相近的的脸,并可视化展示。     

基于卷积神经网络的混凝土裂缝识别

针对基于图像处理和边缘检测的混凝土裂缝识别方法易受外部环境干扰,且在图像处理过程中会产生大量噪声,从而导致识别效果不佳的问题,提出一种基于卷积神经网络的裂缝识别方法。通过与当前主流卷积神经网络模型进行对比研究以及对真实的混凝土裂缝图像的识别验证,结果表明,文中所建立的CrackNet模型能够有效识别混凝土图像中的裂缝目标,具有高效性和强鲁棒性。     

基于目标检测卷积神经网络的图像型火灾探测算法

摘 要：针对传统图像型火灾探测算法误差率高、延迟探测、计算量大等问题,提出了基于目标检测卷积神经网络（Faster-RCNN、R-FCN、SSD和YOLO v3）的图像型火灾探测算法。通过对比实验表明,基于目标检测卷积神经网络的探测算法准确性较高。其中,YOLO v3探测算法的平均精度为84.5%,探测速度为28帧/s,具有更高的稳定性,更适用于图像型火灾探测系统的开发。     

基于卷积神经网络的梵高作品风格转换

本文运用深度学习算法将图像内容和风格进行分离,选择原有图像内容与艺术作品的图像风格,采用VGG19模型和计算机数据第三方库,计算得到初始内容与风格总损失;通过不断优化迭代,尽可能降低总损失数值,进而实现图像风格转换。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

深度学习在解决光线影响人脸识别活体检测算法中的应用

机器学习领域,深度学习是一个新的范畴,它的动机原理建立在模拟人的大脑后进行主观学习,是一种神经网络。在计算机的研究领域中,视觉领域起到了举足轻重的作用,而人脸识别又是视觉领域中的热点,它在应用领域也相当广泛。本文主要是探讨深度学习在解决光线影响人脸识别活体检测算法中的应用。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于深度卷积神经网络的科研项目不端行为识别研究

随着科研项目数量大幅增长,随之而来的问题是科研项目不端行为(SRPM)层出不穷.本文研究大数据环境下科研项目不端行为的特征提取方法,探索提出基于深度卷积神经网络(DCNN)的语句表示模型和匹配架构,并对其进行有效训练,以学习得到语句匹配在不同层次上的表示,提高模型的表示能力,从而提高文本相似度计算的准确度和精度.     

基于残差网络的食物图像识别研究

深度卷积神经网络在图像识别领域有着优异的表现。应用卷积神经网络的一种模型残差网络模型,并进行对其改进,实现一种50层的压缩残差网络模型,进行食物图像识别。使用压缩残差网络模型进行食物图像识别,不仅能够减少训练时间,而且在不降低准确率的前提下可以缩小模型大小。实验数据表明,相对于普通神经网络以及普通的残差网络,使用压缩后的50层残差网络模型能够很好满足食物图像识别的要求。