基于多尺度卷积神经网络的交通标志识别方法

为解决交通标志目标易受复杂环境影响且呈现多尺度分布,造成识别精度低的问题,构建一种多尺度卷积神经网络模型。针对不同尺寸输入设计相应的网络结构,提取目标特征,实现对不同尺寸目标的识别,再加权融合各子网络结果得到最终识别结果,实现多尺度目标识别。经实验验证分析,提出算法模型在小尺寸目标、较小尺寸目标、中尺寸目标、大尺寸目标上识别率分别达到99.12%,99.24%,99.41%,99.35%,保障了多尺度输入目标识别的鲁棒性,综合识别率可以达到99.31%,验证了算法在平衡实时性及准确率的基础上,具有一定的实用价值。     

基于改进网中网神经网络的交通标志识别

针对在实际交通环境中交通标志识别中提高识别准确率和降低计算成本需求,文中提出一种基于网中网(Network in Network,NIN)神经网络的交通标志识别算法。相比卷积神经网络模型,NIN模型增加了MLP结构,并使用全局均值池化层替代全连接层,同时使用ELU函数代替Re LU修正单元。在德国交通标志数据集(GTSRB)进行分类识别研究。研究结果表明,算法在GTSRB基准数据集上获得98. 31%以上的识别准确率,同时能够有效地解决过拟合和梯度弥散等问题,文中算法有一定的先进性和鲁棒性。     

基于卷积神经网络的手势识别

手势识别是人机交互,智能语义识别和远程人机 交流领域的热门研究课题。目前基于 视觉的手势识别问题仍是研究的难点,在多变背景下的手势姿态识别仍然存在较大问题。近 年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特 征得到了广泛关注。由于卷积神经网络具有较强的学习能力和个体特征的表达能力,本文针 对传统手势识别算法精度低,鲁棒性差的问题,提出了基于卷积神经网络的TensorFlow框架 下加入扁平卷积模块的FD-CNN网络手势识别算法。在预处理数据集后,基于FD-CNN网络的 手 势识别方法可以直接将预处理后的图像输入网络进行训练,最终输出测试结果的识别精度为 99.0％。与传统方法和经典卷积神经网络方法相比,本文方法提高了 网 络系统对样本数据的多样性和复杂性的有效识别,具有较高的识别率和较好的鲁棒性效果。     

基于深度卷积神经网络的红细胞识别算法研究

针对深度研究的项目特点,文章对卷积神经网络结构的研究现状进行分析,总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析,针对红细胞图像提取特征,设计群优化算法的卷积神经网络结构,以提高图像检测的科学性、准确性,展现深度卷积神经网络的识别算法技术的使用价值。     

基于卷积神经网络的人脸性别识别

人脸性别识别是人脸识别的重要组成部分,但是人脸识别容易受到光照、旋转、平移、遮挡等因素的影响。将卷积神经网络引入到人脸性别识别中,该网络的结构具有稀疏连接和权值共享的优点,卷积层和采样层交替进行,简化了模型的复杂度。实验表明,该方法的网络结构有效地克服了旋转、遮挡等因素的影响,具有较好的鲁棒性。     

基于形变卷积神经网络的行为识别

人类行为识别作为视频分类中的重要问题,成为计算机视觉中的热门话题.由于卷积神经网络(CNN)的几何结构固定统一,这将会使得其几何变形建模受限,使得行为识别网络难以鲁棒性的识别行为类别.本文提出了一种融入可形变卷积的行为识别网络模型.首先,引入可形变卷积,构建了一种可协同学习空间外观和时间运动线索的模块,该模块分别学习视...     

基于卷积神经网络的人脸表情技术研究

在日常的沟通与交流过程中,运用面部表情可以促使沟通交流变得更加顺畅,因此对于人类而言,进行面部表情的解读也是获取相关沟通交流内容的重要程序。随着科学技术的不断发展,人工智能在日常人类交流沟通中运用的越发广泛,因此面部表情人工智能识别这一项技术的发展与创新也更加受到关注。文章将对卷积神经网络的人脸表情识别技术进行深入的研究与探析。     

基于深度卷积神经网络的图像语义分割

近年来,以深度卷积神经网络(DEEP Convolutional Neural Network,DCNN)为代表结合条件随机场(Conditional Random Field,CRF)的深度学习算法在图像分割领域中有非常出色的表现。文中首先介绍传统的深度卷积神经网络在图像分割中面临的三个问题以及所借鉴的相关理论;其次介绍对传统深度卷积神经网络三个方面的改进;最后是本次实验的结果和分析。     

基于卷积神经网络的藏文手写数字识别

藏文字处理和藏文数字自动识别等对藏文信息处理技术的潜在需求越来越高,目前已经成为藏区重要的研究课题之一。文中首先采集并构建藏文手写数字数据共15 000个样本,其中13 000个样本为训练数据,2 000个样本为测试数据,并对其进行预处理,后采用卷积神经网络(CNN)模型对藏文手写数字样本进行训练。经实验验证在测试集上的识别正确率达97.85%。     

基于稀疏卷积神经网络的考生识别算法

针对传统的图像识别方法很难快速、准确地对考生进行识别从而验证其身份,文中详细地分析了卷积神经网络的原理及特性,提出一种基于多通道输入的稀疏卷积神经网络的考生识别算法,并与支持向量机及传统卷积神经网络进行比较,实验结果表明,该算法提高了考生识别的准确率,而且识别的速度大幅提高。     

基于卷积神经网络的调制样式识别研究

自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。     

基于多尺度深度卷积神经网络的骨髓白细胞识别研究

针对骨髓白细胞人工提取特征复杂,识别困难等问题,提出一种多尺度滤波深度卷积神经网络(MS-DCNN)模型。首先,该模型将传统的卷积神经网络模型的滤波器尺寸缩小,以减少模型的总体参数以提升网络模型训练的效率;其次,通过增加滤波器的个数和网络深度来提取骨髓血细胞更丰富的特征;最后通过在Sysmex(希森美康)公开数据集上对6类骨髓白细胞进行实验,并与其他主流分类方法进行对比。结果表明,该文提出的MS-DCNN模型准确率达到了98.9%,高于其他主流方法,其有效性得到了验证。     

基于卷积神经网络VGG的猫狗识别

随着大数据时代的到来,数据挖掘、图像处理等已经成为了一个热门研究方向.本文的研究目的是自动识别猫狗类型,采用的是基于数据挖掘的猫狗自动识别技术.本文将位于全方位下拍摄的具有外貌复杂的猫狗图像运用卷积神经网络训练.本实验挑选前沿的深度学习框架pytorch以及计算能力强大的GPU,使用深度神经网络VGG16,分别对猫狗图像进行网络训练与测试.实验显示使用VGG16网络模型进行识别的准确率非常高,在猫狗类型识别问题上具有突出优势.     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于卷积神经网络SLeNet_5的车牌识别方法

针对卷积神经网络Le Net_5用于车牌识别中存在输出层类别过少、层数过多及训练难度大等问题,构建了一种简化卷积神经网络模型(SLe Net_5),给出了其网络拓扑结构,并通过随机对角LM算法进行训练,使用其对分割后的字符进行识别。与模板匹配和BP神经网络等方法相比,所提方法具有较高的识别率。与其他CNN网络识别率相当,但具有结构简单,以及更快的识别速度等优点。     

基于双线性卷积神经网络的杂草细粒度识别

针对复杂田间环境下杂草形态相似对深度学习模型识别效果的影响,本文以玉米及其主要伴生杂草作为研究对象,提出一种基于双线性卷积神经网络的细粒度杂草识别方法,用于提升作物与杂草识别的准确率.首先,研究对比了常见通用图像分类模型在杂草识别上的表现,选用识别效果较好的VGGNet-19和ResNet-50作为双线性网络的主干结构,以获取更有效的杂草特征,并采用迁移学习的方式训练网络.实验结果表明,该方法在数据集上的识别准确率高达98.5％,高于单一网络模型的识别效果且能够准确地区分具有高相似度的田间杂草,为智能田间除草作业提供高精度的信息支持.     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

Face verification based on deep Bayesian convolutional neural network in unconstrained environment

Unconstrained face verification aims to verify whether two specify images contain the same person. In this paper, we propose a deep Bayesian convolutional neural network (DBCNN) framework to extract facial features and measure their similarity for face verification in unconstrained conditions. Specifically, we design a deep convolutional neural network and construct a Bayesian probabilistic model by transferring the Bayesian likelihood ratio function into linear decision function. By training a decision line rather than finding a suitable threshold, we further enlarge the distances between inter-class and intra-class in unconstrained environment. Finally, we comprehensively evaluate our method on LFW, CACD-VS and MegaFace datasets. The test results on LFW and CACD-VS datasets show that our method can shrink intra-class variations significantly. The performance of our DBCNN model on MegaFace dataset proves that our model can achieve comparable performance to state-of-the-art methods on face verification with relative small training data and only one single network.     

基于卷积神经网络的CT图自动检测深度学习

针对肺结节良恶性诊断的难度,采用自定义卷积神经网络对其进行建模分析。通过多次实验分析,构建得到了可以实现7层肺结节检测的卷积神经网络模型,在每层中都含有训练参数,得到13×13的卷积核。测试肺结节的算法通过4个指标进行评价,分别为准确性和特异性、敏感性和假阳率。PndCnn-7参数优化结果得到,学习率lr介于[0. 4,1. 05]范围内,需要处理的批次达到最少0. 75。13×13卷积核能够实现网络的快速收敛,并且不会引起震荡的现象。当epoch增大至50,则会引起误差的明显减小,使网络达到良好的收敛状态。     

基于卷积神经网络与循环谱图的调制识别方法

为提高调制分类识别精确度,降低计算复杂度,提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理,为了降低计算复杂度,将三维的循环谱转换为二维平面的RGB循环谱图,并将其用于构建数据集;将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明,所提出的智能调制识别方法能够以较低的计算复杂度,获得更高的分类精确度。