基于深度学习的舌鳞癌拉曼光谱分割方法

拉曼光谱能够反映生物组织的分子结构变化,可用于舌鳞癌组织检测。然而,现有方法仅能够鉴别舌鳞癌组织属性,判断组织是否发生癌变,无法定位舌鳞癌组织拉曼光谱的重要谱带区域。因此,提出一种基于深度学习的舌鳞癌组织拉曼光谱重要谱带区域分割方法。首先,利用光纤拉曼光谱采集设备采集22位病人44块肿瘤组织的拉曼光谱数据,对数据进行预处理、标注,并分为训练集和测试集;然后,建立谱带区域深度卷积神经网络模型,该模型包括三个基本模块,即拉曼光谱特征提取网络、重要谱带推荐网络以及重要谱带回归网络。其中拉曼光谱特征提取网络用于提取舌鳞癌组织光谱特征,重要谱带推荐网络和重要谱带回归网络用于分割舌鳞癌组织光谱的重要谱带区域。实验结果显示,在交并比为0.7的判断标准下,所提方法对舌鳞癌组织重要谱带分割的平均精度为99%。     

基于迁移学习的人脸种群识别技术研究

自动提取人脸特征来验证人的身份目前已经被广泛的应用在各种领域,但是通过人脸特征来辨别种群大多还是停留在人工提取特征的阶段,耗费大量人力资源,或者使用深度学习,但是需要经过大量的计算消耗大量的时间。文中提出了一种利用迁移学习的方法,通过微调网络以及冻结参数相结合的训练方式提高了原预训练网络对于人脸种群识别的泛化性与稳定性;同时对模型进行了改进以提高识别的时效性,提高了网络识别速度的同时大大减少了网络的参数。经自建的人脸数据集训练测试,取得了良好的检测性能。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。     

基于全光衍射深度神经网络的矿物拉曼光谱识别方法

提出了一种基于全光衍射神经网络的矿物拉曼光谱识别方法。首先,分析矿物拉曼光谱的数据结构特征,对比分析了传统神经网络与光学衍射神经网络的异同,根据预处理后的数据构建光学衍射神经网络;然后,采用交叉熵损失函数和Adam算法对光学衍射神经网络进行训练,得到优化的网络参数;最后,在仿真条件下,验证和分析不同栅格高度精度对矿物识别正确率的影响,给出了不同栅格高度精度对应的网络正确率及正确率损失。该方法在RRUFF矿物拉曼光谱数据库上的测试结果显示:五类矿物识别正确率为94.2%,证明利用光学衍射神经网络进行拉曼光谱分类具有可行性,为光学衍射神经网络的应用提供参考;栅格高度在6 bit精度条件下,五类矿物正确率为93.6%,证明栅格高度离散化能够在保证网络正确率的同时极大降低光栅制作难度,为光栅制备提供理论支撑。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

基于深度学习的车辆振动信息识别研究

车辆振动信息识别对于维护交通安全和道路状况具有重要作用,可以节省大量人力物力。机器视觉、红外线成像等基于图像的方法虽然可以达到较高的准确率,但是容易受到环境比如照明条件、天气等因素干扰,相比之下,车辆的振动信号可以提供相对较稳定的车辆信息,传感器装配成本更低、维护更容易。近年来,从振动信号识别车辆信息的方法集中在传感器改进、信号处理及识别等方面。在使用神经网络的方法中,一类方法将计算出的特征输入全连接网络或一维卷积神经网络进行特征识别,这类方法需要专家知识对特征进行设计且计算方法复杂,另一类使用原始数据作为输入,这类方法则面临计算资源消耗大、训练慢等问题。针对上述问题,提出了基于深度学习的车辆振动信息识别方法,分别构建了1dCNN和2dCNN轴型信息识别网络模型,并对模型进行了鲁棒性测试、模型大小评估及推理速度测试。结果表明,1dCNN和2dCNN两个模型在测试集上分别达到了0.986和0.973的识别准确率,1dCNN比2dCNN有更好的鲁棒性、更快的推理速度。对于采样率500 Hz、长度为632的输入信号,1dCNN在CPU上的平均推理速度可达0.006 9 s/样本,2dCNN为...     

基于深度学习的动漫风格迁移研究综述

图像动漫化技术的发展对我国动漫产业影响巨大.目前基于深度学习的动漫风格迁移研究是一项热门的研究方向,相关算法层出不穷.文章对动漫风格迁移领域现有的主流方法和代表性工作进行了归纳和讨论,分析了该领域所使用的主要深度神经网络模型,并按照动漫风格迁移方法所解决的不同实际问题,将其归纳为风景动漫迁移、人像动漫迁移和视频帧动漫迁...     

面向人脸表情识别的迁移卷积神经网络研究

人脸表情识别是模式识别研究的一个重要领域,现实环境中人脸表情识别容易受到光照、姿态、个体表情差异等因素的影响,识别效果仍有待提高。为了取得更好的人脸表情识别效果,本文提出一种基于迁移卷积神经网络的人脸表情识别方法,本文在训练得到人脸识别网络模型的基础上,采用迁移学习方法将所得人脸识别模型迁移到人脸表情识别任务上,并提出Softmax-MSE损失函数和双激活层(Double Activate Layer, DAL)结构,以提高模型的识别能力。在FER2013数据库和SFEW2.0数据库上的实验表明,本文所提方法分别取得了61.59%和47.23%的主流识别效果。      

基于深度学习的石油污染物三维荧光光谱识别技术研究

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱,是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大,不宜直接用数学模型描述,也不宜简单依靠人工观察分析。因此,根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法,利用其强大的非线性运算能力、自适应表示学习能力,自动隐性地从训练数据中进行特征学习,实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集,基于Python深度学习框架Keras建立了CNN模型,并对CNN模型在光谱数据集上进行了训练、验证与测试实验,实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%,综合测试分类准确率达到82.65%,对单物质分类准确率为100%,验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类,也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持,为环境检测提供了一种新思路与新方法。     

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。     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。     

基于GoogLeNet Inception V3的迁移学习研究

随着人工智能的再度崛起,使用深度学习模型进行图像分类的方法得到了广泛关注。针对典型深度卷积神经网络模型是在大型数据库和大算力的基础上进行训练得到的,但普通机器学习工作者很难拿到如此规模的数据集和算力现象,本文在GoogLeNet Inception V3深度学习模型的基础上,对GoogLeNet的特征提取模块进行迁移学习来训练特定的模型进行图像分类。实验结果表明,在硬件和数据集相对不足的条件下,采用迁移学习的策略可以高效地实现目标检测。     

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...     

基于迁移学习的SAR图像目标检测

针对深度卷积神经网络训练需要大数量样本,采用迁移学习的方法辅助网络训练,解决了SAR图像样本不足的问题。通过控制对比实验,对每个卷积块权重进行迁移与分析,使用微调与冻结相结合的训练方式有效提高网络的泛化性与稳定性;然后根据目标检测任务的时效性对网络模型进行改进,提高了网络检测速度的同时减少了网络参数;最后结合复杂场景杂波切片对网络进行训练,降低了背景杂波的虚警目标数量,复杂多目标场景的检测结果表明所提出方法具有较好的检测性能。     

基于卷积神经网络的手势识别算法研究

基于实现小样本数据集下手势识别的目的,采用了深度卷积神经网络GoogLeNet模型以及PNN神经网络进行分类,同时结合了迁移学习的方法将深度学习模型进行迁移而构建所用模型.用公共数据集Keck Gesture进行实验,通过对数据集图像进行简单的图像预处理,使得图像特征更为明显,将预处理后的图像作为网络输入进行手势识别实...