基于并行卷积核交叉模块的卷积神经网络设计

针对卷积神经网络结构单一,模块中卷积核使用单一,网络特征提取不充分导致图片分类准确度不够,以及模型大的问题,提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组,每一组采用不同数量、不同大小的卷积核进行特征提取,然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比,在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明,该文设计的网络结构性能优越,且网络模型较小。     

基于特征膨胀卷积模块的轻量化技术研究

本文从卷积神经网络模型的网络结构入手，利用特征复用的思想，设计了高效的特征膨胀卷积模块.该模块减少了标准卷积模块的输出通道数，引入了多分支结构.通过各个分支上的廉价操作对标准卷积操作的输出特征图进行变换和融合，产生新的特征图.模块的最终输出由各个分支上生成的特征图进行合并连接得到.特征膨胀卷积模块利用特征复用思想复用模型中的特征，在降低模型计算量的同时，丰富了特征图隐含的信息，提高了模型的性能.最后，将特征膨胀卷积模块代替标准卷积模块，设计了轻量化的VGG16(Visual Geometry Group 16-Layer)模型和残差结构，并且在CIFAR数据集和ILSVRC2012(ImageNet Large Scale Visual Recognition Challenge 2012)数据集上取得了较好的分类效果.     

基于双网络级联卷积神经网络的设计

传统的卷积神经网络通常采用单一的网络结构进行特征提取,但是单一网络结构提取的特征不够充分,导致图片分类的精度不高。针对这个问题提出了采用两种网络同时进行特征提取,再将两种网络级联在一起,得到两种网络的融合特征,使提取的特征更具有辨别性。双网络级联是采用两条支路进行特征提取,一条支路为传统的CNN,另一条支路为在传统的CNN基础上加上残差操作,在下一次特征图降维前通过级联操作将两条不同的网络支路结合在一起。本网络实验采用101_food和caltech256数据集进行测试,将级联后的网络和两条支路网络进行对比,实验最后表现出较好的结果。     

基于极化分解和膨胀卷积的极化SAR地物分类

针对基于深度学习的极化SAR地物分类中存在的标注数据少且未能利用SAR极化分解特征的问题,提出了一种基于极化分解和膨胀卷积的极化SAR地物分类方法.在低采样率下训练基于像素分类的卷积神经网络(CNN),将其卷积层参数迁移到同结构的膨胀卷积网络(DCNN),解决了膨胀卷积网络训练数据不足的问题;然后将反应地物散射特性的极化分解特征与包含高维空间语义信息的膨胀卷积特征图进行联合,使用联合特征构建随机森林(RF)进行分类.实验表明,特征图和极化分解的联合特征能够实现更为精确的分类,且由于引入膨胀卷积和随机森林,算法具有很高的实时性.     

基于深度学习的驾驶员分心行为识别模型

针对VGG16网络识别驾驶员分心时参数量多、分类准确率低的问题,提出了一种基于多尺度通道的分类模块MCAM.分类模块MCAM包括MCM模块和MSE模块.MCM模块将卷积特征图分离为4个子特征图,使用不同的卷积核对4个子特征图进行空间信息提取,以期提高分类准确率;MSE模块为改进的通道注意力,其使用一维卷积来改进原始通道...     

基于无人机遥感影像的农业种植数量测量

为了发展精细农业并降低农业种植的人工成本,利用无人机遥感影像实现了农作物产量的智能化测量系统.该系统利用低空无人机拍摄农作物的遥感图像,将图像传入卷积神经网络进行特征提取.将卷积神经网络特征图传入特征金字塔网络提取不同尺度的特征图,再将每个尺度的特征图送入不同形状的滑动窗口处理,将特征图拼接起来.实验结果表明,该测量系...     

基于压缩感知的放大转发双向中继信道估计

为了更有效地对放大转发双向中继信道进行估计,对级联卷积信道的稀疏特性进行了分析,并基于其稀疏性,采用压缩感知技术,通过合理地设计导频将合成级联卷积信道分解成2个独立的级联卷积信道分别进行信道估计。研究分析和仿真结果表明,级联卷积信道具有稀疏性且其稀疏度在一定范围内变化。所提的方案只需在端节点对级联卷积信道进行估计就可以完成双向信息的交换,提高了频谱效率,降低了信道估计误差,并且无需信道稀疏度的先验信息。     

基于DenseNet和卷积注意力模块的高精度手势识别

非接触的手势识别是一种新型人机交互方式,在增强现实(AR)/虚拟现实(VR)、智能家居、智能医疗等方面有着广阔的应用前景,近年来成为一个研究热点。由于需要利用毫米波雷达进行更精确的微动手势识别,该文提出一种新型的基于MIMO毫米波雷达的微动手势识别方法。采用4片AWR1243雷达板级联而成的毫米波级联(MMWCAS)雷达采集手势回波,对手势回波进行时频分析,基于距离-多普勒(RD)图和3D点云检测出人手目标。通过数据预处理,提取手势目标的距离-时间谱图(RTM)、多普勒-时间谱图(DTM)、方位角-时间谱图(ATM)和俯仰角-时间谱图(ETM),更加全面地表征手势的运动特征,并形成混合特征谱图(FTM),对12种微动手势进行识别。设计了基于DenseNet和卷积注意力模块的手势识别网络,将混合特征谱图作为网络的输入,创新性地融合了卷积注意力模块(CBAM),实验表明,识别准确率达到99.03%,且该网络将注意力放在手势动作的前半段,实现了高精度的手势识别。     

基于上下文信息的监控场景行人检测方法

为了提高监控场景中行人检测的准确度,提出了一种基于上下文信息的行人检测方法.该方法将监控场景的上下文信息融入到卷积神经网络中,选择性地学习对行人检测有帮助的上下文信息.首先,利用一个截断的卷积神经网络提取输入图像的多张特征图.然后,将多张特征图通过两个包含上下文信息的卷积层,形成一张掩码图.最后,通过在掩码图上估计行人的边界框,获得行人检测的结果.实验表明,该方法能实现监控场景中准确且快速的行人检测.     

基于轻量型卷积神经网络的图像识别

针对卷积神经网络参数数量多并且分类精度不高的问题,提出了基于轻量型的卷积神经网络模型.该模型是把上层输出先通过数量较少的卷积核,再通过并行操作得到与原模型相同维度的输出.并行处理时,通过不同的卷积核大小增加特征的多样性,最后采用级联或融合的方式把并行输出整合在一起.和同规模的模型相比,该模型在减少参数的同时增加了网络的深度.在实验阶段用该网络在caltech256和I01 food数据集上进行测试,实验结果表明该模型性能更优.