基于2DPCA的建筑图像识别

本文讲述了基于PCA算法的建筑图像识别模拟仿真中所遇到的问题,提出利用2DPCA方法对建筑图像进行识别。介绍了2DPCA算法的数学理论以及用2DPCA法进行建筑图像识别的步骤。最后通过MATLAB实验得出用2DPCA方法进行图像识别的结果,并比较了2DPCA相对于对于PCA法的优势。     

基于深度残差收缩网络的HEp-2图像识别

人上皮细胞（HEp-2）检测抗核抗体是诊断自身免疫性疾病的常用方法,HEp-2细胞图像识别对许多自身免疫性疾病的诊疗具有重要意义。针对目前主要采用手工评估方法造成效率低效、劳动强度高等问题,提出一种基于深度残差收缩网络的HEp-2细胞图像分类模型。该模型在深度残差网络基础上进行改进,残差学习模块使用恒等映射方法可以训练更深层次的网络。在每个残差学习模块内部嵌入一个软阈值非线性变换子网络,软阈值用以消除数据中的噪声和冗余信息,这些阈值通过子网络自动学习。实验表明,该方法具有良好的性能,优于其他深度神经网络方法。     

基于半监督方法的脑梗死图像识别

在图像识别领域,针对有监督方法的模型在标签数据不足时图像的识别效果不佳问题,提出一种基于生成对抗网络(GAN)的半监督方法模型,即结合了半监督生成对抗网络(SSGAN)和深度卷积生成对抗网络(DCGAN)的优点,并在输出层用softmax代替了sigmoid激活函数,从而建立半监督深度卷积生成对抗网络(SS-DCGAN...     

用于大规模图像识别的特深卷积网络

卷积网络深度对大规模图像识别的准确性有不可忽视的影响.使用具有非常小(3×3)卷积滤波器的架构,我们对深度不断增长的网络进行了全面评估.通过将深度推到16–19重量层可以实现对现有技术配置的显着改进.通过比对其他卷积滤波器架构的卷积网络,我们验证了我们提出的网络对大规模图像识别的改进效果.同时为了避免训练数据集内在的偏...     

基于半监督深度生成对抗网络的图像识别方法

基于生成对抗网络的图像识别方法拥有很高的识别率,但训练时需要大量有标签样本,在有标签样本较少的情况时识别效果不佳。针对这个问题,结合深度卷积生成对抗网络和半监督生成对抗网络的特点建立半监督深度生成对抗网络。根据有标签样本和无标签样本分布,模型生成拟合真实分布的样本输入并训练分类器,增加了训练样本数从而提升识别率。将模型优化调整并进行图像识别实验,结果表明,该方法仅用少量有标签样本即可实现准确的图像识别。     

基于改进深度残差网络的番茄病害图像识别

针对大多数深度卷积神经网络(DCNN)模型存在内存占用较多、计算资源消耗大的问题,提出一种基于改进深度残差网络(DRN)的番茄病害图像识别方法.该网络模型在传统残差神经网络的基础上,采用多尺度卷积代替原始网络结构中的单一尺度卷积,使得提取的特征更加丰富,并拓展了网络宽度,避免因网络过深引起的退化问题.为了进一步降低模型...     

基于深度学习的图像识别技术的研究

随着科技的蓬勃发展,人工智能逐渐应用于图像处理领域。传统图像处理与识别以人为提取特征为手段,但大量特征提取给图像识别造成了一定困扰,由此引进了深度学习图像识别技术。相比于传统方法,深度学习能够提供基于学习的特征表示,在自动特征提取和分割识别准确率方面具有良好表现。基于此,针对深度学习的图像识别技术进行综述,并总结了讨论内容。     

一种基于深度学习的视网膜病变图像识别方法

为解决医学上糖尿病性视网膜病变图像人工识别困难、精度差等问题,提出一种基于多特征融合的卷积神经网络识别方法。在VGG-16模型的基础上,通过融合每层网络上的局部特征,增强模型的特征提取能力。选用Softmax分类器,使病变图像识别更加准确。使用OpenCV图像处理工具采用加噪、上下左右不同角度翻转、调节对比度等5种方式扩充训练集。实验结果表明,基于多特征融合的深度学习框架图像识别系统在数据集上的平均识别精度达到94.23%,相较于Alex-Net、Google-Net、Compact-Net、ResNet-101等模型分别提高了10.56%、7.80%、6.01%、0.02%,验证了该方法的有效性。该模型具有很好的鲁棒性。     

基于双重优化的卷积神经网络图像识别算法*

为了进一步提高卷积神经网络算法的收敛速度和识别精度,提出基于双重优化的卷积神经网络图像识别算法。在构建卷积神经网络的过程中,针对特征提取和回归分类建立双重优化模型,实现对卷积与全连接过程的集成优化,并与局部优化算法对比,分析各算法的识别率和收敛速度的差异。在手写数字集和人脸数据集上的实验表明,双重优化模型可以在较大程度上提高卷积神经网络的收敛速度和识别精度,并且这种优化策略可以进一步拓展到其它与卷积神经网络相关的深度学习算法中。     

基于条件信息卷积生成对抗网络的图像识别

传统的图像识别方法需要大量有标签样本进行训练,且模型训练难以达到稳定。针对这些问题,结合条件生成网络和信息最大化生成网络的结构优势建立了条件信息卷积生成网络(C-Info-DCGAN)。模型增加图像的类别信息和潜在信息作为输入数据,然后利用Q网络去更好地发挥类别信息和潜在信息对训练的引导作用,并且利用深度卷积网络来加强对图像特征的提取能力。实验结果表明,该方法能够加快模型训练收敛速度,并有效提高图像识别的准确率。     

2D通往3D的捷径 Amorphium

与当前的主流3D软件相比，Amorphium最大的特点是性价比高，新版本Amorphium3的价格依然维持在$149。其次，它非常体贴那些二维设计出身、具有良好的美术功底的朋友，同时支持Windows平台和Mac平台。使用它从二维设计迁移到3D领域可能会比较平顺。如果不想用D版软件的话，这个软件很值得考虑。[编者按]     

基于一种轻量级卷积神经网络的植物叶片图像识别研究

对轻量级卷积神经网络MobileNet V2的模型结构进行改进,将深度可分离卷积中的激活函数ReLU替换成Leaky ReLU,从而避免神经元死亡问题,倒置残差卷积中的跨越连接添加Dropout层,增大模型的泛化能力.实验结果表明,预测结果的总体准确率达到91.41％,最高精确率为95.12％,最高召回率为97.39％...     

基于邻域扩展的半自动2D转3D方法*

半自动2D转3D是解决当前3D影视内容匮乏的重要途径,其核心是将用户分配的稀疏深度转换成稠密深度。现有方法大多借助局部邻域进行深度插值,忽略了图像的全局约束关系,因而难以准确恢复深度图的对象边界。针对该问题,提出邻域扩展的最优化深度插值方法。首先引入邻域的邻域,建立邻域扩展的最优化深度插值能量模型;其次在相似的像素点与其邻域加权深度平均值的差异近似相等的假设条件下,将深度插值能量模型的最优化问题转换成一个稀疏线性方程组的求解问题。实验结果表明,与当前流行的半自动2D转3D方法相比,本文方法估计的深度图PSNR更高,同时增强了深度图的对象边界质量。     

基于小样本多背景下的飞机图像识别研究

飞机图像识别一直是航空领域识别各类飞机进行有效支援或侦察的重要一环,目前飞机图像识别常受到飞机姿态不同、图像模糊、拍摄角度各异的影响.传统的图像识别方法对于飞机图像具有一定的局限性,易受到背景环境影响,当图像中含有其他显著性目标时易失效,若进行目标分割运算量巨大,在现代化防控体系中,需要既快又好的方法精准识别飞机的机型...     

基于卷积神经网络中层特征学习的交通标志图像识别

为解决目前方法不能有效对交通标志进行检测定位,定位交通标志效率低下,存在误检漏检的问题,提出基于卷积神经网络中层特征学习的交通标志图像识别。计算图像的显著度并输出感兴趣区域;提取底层图像特征,构建优化目标函数并训练视觉词典,使用PCA方法提取交通标志图像特征并与视觉词典进行卷积,通过空间金字塔池化提取多层次特征;使用SoftMax分类器进行分类。结果表明：该方法的召回率为96%,准确率为97%,取得良好效果,小标志的召回率为94.5%,准确率为95.5%,有利于远距离交通标志识别,标志的平均定位时间为0.006 s,实时性强。     

基于WGAN的图像识别方法

当前用于深度学习中数据扩充的方法只是在原始图像上进行操作,没有改变图像的深层信息,因此对模型效果的提升有限.借鉴CGAN(Conditional Generative Adversarial Networks)的思想,提出一种基于WGAN(Wasserstein GAN)的图像识别方法.将送入WGAN生成器的数据加上类...     

基于深度学习的微信小程序图像识别系统

为提高用户在移动端的图像识别体验,设计基于深度学习的微信小程序图像识别系统。该系统的总体架构包括微信小程序前端和后台服务器两部分。在微信小程序端,用户可通过相机拍摄或加载本地图片进行图像采集。在服务器端,经过图像预处理和基于深度学习的目标识别,识别结果再通过应用程序编程接口（Application Programming Interface,API）传输回微信小程序进行展示。选择CIFAR-100数据集,设计并训练卷积神经网络用于目标识别,最终的测试结果证明了该系统的有效性。     

基于改进TransGAN的零样本图像识别方法

零样本学习算法旨在解决样本极少甚至缺失情况下的图像识别问题。生成式模型通过生成缺失类别的图像,将此问题转化为传统的基于监督学习的图像识别,但生成图像的质量不稳定、容易出现模式崩塌,影响图像识别准确性。为此,通过对TransGAN模型进行改进,提出基于改进TransGAN的零样本图像识别方法。将TransGAN的生成器连接卷积层进行降维,并进一步提取图像特征,使生成图像特征和真实图像特征更加接近,提高特征的稳定性;同时,对判别器加入非线性激活函数,并进行结构简化,使判别器更好地指导生成器,并减小计算量。在公共数据集上的实验结果表明,所提方法的图像识别准确率较基线模型提高了29.02%,且具有较好的泛化性能。     

基于VGG13的水果图像识别

运用人工智能领域的图像识别技术能有效对水果进行分类检测,大大降低人工成本.而在图像识别领域,最流行的就是卷积神经网络了,VGG网络是当前流行的经典卷积网络之一,使用包含多个3*3的小卷积核的卷积层来代替拥有更大的卷积核的卷积层,使深度增加,能学习更复杂的模式,但参数却减少了,学习的更快.构建了VGG13这种经典的卷积神...     

基于卷积神经网络的图像识别过拟合问题分析与研究

近年来深度学习在很多领域发挥着重要作用,但是在训练过程中存在模型过拟合的问题。针对该问题,本文对Kaggle竞赛中典型的猫狗识别任务建立了卷积神经网络,并分析研究了多种抑制过拟合的方法,包括添加L2正则项、dropout处理、数据增强及多种方法综合使用的综合法,分别分析不同方法在训练集和验证集上的训练精度和损失,发现数据增强法优于其他两种方法,且综合法能够消除过拟合。研究结果对卷积神经网络的配置具有重要的参考价值。