基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

Capsule网络的心脏磁共振图像病患识别

深度学习中胶囊(Capsule)神经元结构旨在克服传统卷积神经网络难以挖掘同级特征之间关系的缺点.胶囊网络(Capsule Net, CapsNet)是以胶囊神经元作为网络单元的一种新型的分类网络结构.该网络使用了压缩(Squash)算法作为激活函数,使用动态路由算法(Dynamic Routing)作为网络优化方法,欲获得更好的分类性能.心脏磁共振图像识别算法面临的主要问题:患病图像与正常图像之间的差异不显著,因此使用多层CNN网络难以达到十分优秀的效果.而胶囊网络CapsNet可以在较浅层网络的情况下,可以容纳更多的特征信息,有利于识别心脏磁共振图像.设计使用浅层胶囊网络对心脏磁共振图像进行二分类病患识别,并与VGG16、SVM(Support Vector Machine,支持向量机)等方法进行比较,实验结果表明CapsNet在应用上优于CNN网络其正确率、敏感度、特异性、AUC指标分别为91.04%、97.60%、87.04%、96.43%.实验结果表明胶囊网络相比较传统方法和浅层网络,在心脏磁共振图像识别方面表现了优异的性能.     

基于深度学习的搜索广告排序应用

本文在研究卷积(Convolutional Neural Networks)与LSTM(Long Short Term Memory)的基础上,结合两者优势,提出了一种混合模型。首先用卷积神经网络提取关键特征,然后依据LSTM神经网络时序特点进行预测和分类。结果表明:对比浅层或单层网络,本文提出的组合模型较好地提高了点击率预估准确度,从而增强了搜索广告排序应用效果。     

多通道卷积神经网络图像识别方法

为了更好地利用图像数据中隐含的特征信息,将多方向梯度信息作为边缘信息的基本表达,提出了一种基于图像梯度的多通道卷积神经网络图像识别方法。先将图像进行Sobel算子处理,得到水平方向、垂直方向及两个对角方向的4个梯度图像。然后,建立4个多层卷积神经网络,学习4个不同方向梯度图像的特征。再将4个不同方向的特征进行随机化特征融合,得到样本的特征后经过批标准化处理。最后,通过分类器得到分类结果。在数据库Cifar-10和MNIST上进行了验证,验证结果表明:本文提出的模型具有较好的泛化能力,相比单通道卷积神经网络,在两个数据库中识别错误率分别降低了9.85%和0.38%。     

基于深度全卷积神经网络的图像识别研究

将要建立多层卷积网络模型，并使用AlexNet预训练模型，在此基础上进行迁移学习，使用kaggle的猫狗数据集进一步训练，模型最终能高灵活度、高准确率的识别猫狗图像，并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数，一共包含8个卷积层，其中某些卷积层带有归一化层和池化层，最后一层是具有两个通道的图像输出，每个通道的值分别代表图像为猫和狗的概率。整个网络模型，弃用全连接层，选用全卷积网络来代替全连接层，大大提高网络的灵活性，解决了输入图像分辨率的限制问题，并且全卷积网络的前向传播更加高效，加快了训练的速度。为了方便分析以及进一步的研究，将可视化一层卷积和二层卷积所得到的卷积核和特征图。     

基于卷积神经网络的图像识别

本文针对猫狗图像二分类问题,以深度学习框架Keras为基础,提出一种333卷积神经网络架构,以softmax函数作为输出层激活函数,对每一层均使用Dropout方法来缓解过拟合现象。通过对模型的训练,其实验结果表明,该模型能够达到90%的精度。     

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

考虑残差学习的深层卷积神经网络在结构损伤识别中的应用研究

提出了一种考虑残差学习的深层卷积神经网络损伤识别方法,并将其应用到框架结构节点损伤识别中。采用试验研究方式对所提方法进行了深入探讨,结果表明该方法可以很好地解决网络深化带来的网络退化或梯度爆炸、弥散导致的收敛困难和识别准确率差等问题,能对结构损伤诊断中的损伤定位这一复杂问题进行有效识别。在对试验框架节点损伤位置识别的对比研究中,考虑残差学习的深层卷积神经网络收敛速度和准确率均高于常规浅层神经网络和深层神经网络,有极高的准确率和稳定性,从而使得对于工程中复杂结构损伤诊断所需要的更深层、更复杂网络的搭建成为可能。此外,为提升网络用训练样本的质量和数量,依据样本划分规律提出了一种新的数据样本扩增方法,该方法在相同条件下可以显著增加用以训练的样本量并能弱化数据截断带来的信息缺失,识别准确率和收敛速度也大幅提高,研究显示了该处理方式的有效性和适用性。     

基于深度卷积网络的糖尿病并发症分类

本文针对现有糖尿病并发症分类研究以统计为主,缺乏有效数学模型的问题,提出了基于深度卷积神经网络的糖尿病并发症分类模型。首先进行数据预处理,将糖尿病数据进行降维和向量化;其次采用深度卷积神经网络对并发症进行分类,并与SVM、决策树、BP神经网络等经典方法进行了对比。实验结果表明,本文提出的基于深度卷积网络的糖尿病并发症分类模型准确性高于其它模型,能够为糖尿病并发症提供有效地辅助诊断。     

基于深度学习的盾构隧道渗漏水病害图像识别

随着城市地铁隧道急剧增加的养护需求,地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势,但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。在分析盾构隧道衬砌表面图像特点的基础上,将渗漏水图像分为6种类别,采用深度学习的方法,提出一种新颖的基于全卷积网络的盾构隧道渗漏水病害图像识别算法,并从图像识别结果、错检率和运行时间三个方面与大律法、区域生长法、分水岭法等传统图像识别方法进行对比分析。研究表明:基于全卷积网络的盾构隧道渗漏水病害的图像识别能够有效地避免管片拼缝、螺栓孔、管线、支架等干扰物的影响,特别是在克服管线遮挡方面具有优越的鲁棒性;与传统图像识别算法相比,提出方法在错检率和运行时间上具有较大优势,能够更好地满足工程需要。