基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。     

基于改进残差网络的流量识别方法研究

随着网络层数的加深,卷积神经网络在训练过程中会出现梯度爆炸或者梯度消失的问题。为了解决这个问题,同时提高预测的精度,文中提出一种改进的残差网络。该网络主要对残差网络的结构进行改进,在直接映射层中将BN层和非线性激活层移动到卷积层之前,在恒等映射层中加入BN层和Conv2D层,这样不仅能解决加深网络情况下的梯度消失或梯度爆炸问题,而且预测的准确率和收敛速度也有很大的提升。通过实验证明,提出的改进残差网络算法相比于卷积神经网络准确率由之前的98.3%提升到1,损失值也从之前的0.26减少到0.024。该算法显著地提高了预测的准确度,降低了损失值,在流量分类中具有更好的应用。     

基于深度残差网络的皮肤癌黑色素瘤识别

作为皮肤癌黑色素瘤主要检查手段的皮肤镜图像存在显著性低、类内差异大和样本数据量少等问题,难以采用传统算法实现高准确的识别。深度学习算法引入皮肤癌症检测,提出了一种基于深度残差网络的黑色素瘤识别算法。该算法通过构建深度残差网络提取皮肤镜图像的高维特征,使用残差学习防止网络梯度退化、降低网络训练的难度,实现了黑色素瘤的有效识别。相关仿真实验结果表明:所提出的基于深度残差网络的黑色素瘤识别算法性能明显优于基于卷积神经网络传统的算法,具有更高的准确性、敏感性、特异性和鲁棒性。     

基于改进深度残差网络的图像分类算法

ResNet的瓶颈结构存在一定的冗余输出,面对类别较少的分类任务时,冗余信息占比会非常大,造成计算资源浪费。针对这个问题,该文利用残差结构和连接操作设计了一个新的升维结构(RC结构)用于改进瓶颈结构。RC结构可以降低瓶颈结构的资源消耗,并增强梯度传递。将RC与多种残差网络进行结合,并在多个数据集上进行图像分类实验。实验结果表明,基于RC的残差网络在面对类别较少的分类任务时,能有效提高网络的效率和精度。     

基于随机共振与深度残差网络的调制识别分析

针对利用传统手段提取数字特征对低信噪比下调制信号识别困难的问题,通过双稳态系统随机共振对带噪调制信号实施信号增强;同时利用深度残差网络对随机共振后的信号进行识别,解决信号经随机共振后数字特征不易提取的问题。提出一种基于双稳态随机共振系统与深度残差网络的信号识别方法,相较于直接通过深度残差网络识别,对于Es/N0<13 dB的信号识别率平均提升4.63%。实验表明该种信号增强手段能够有效应用于基于深度学习的调制识别问题。     

一种改进的残差网络手势识别方法

为了提高手势识别的准确性、鲁棒性以及收敛速度,提出一种基于改进残差网络和动态调整学习率的手势识别方法研究.改进原始残差块中的ReLU激活函数,通过降低改进后残差块与卷积核的数量来减少卷积层参数;对改进后的残差网络模型进行动态学习率的调节和动量的优化选择;将重建好的网络模型进行训练测试,验证手势识别的准确率.实验结果表明...     

基于改进深度残差网络的心电信号分类算法

针对不同类型心电（electrocardiogram,ECG）信号分类的不足,提出了一种基于改进深度残差网络（Resnet）的分类方法。首先对心电数据做可视化处理,使用格拉姆角场（Gramian angular fields,GAF）将一维的ECG信号转换为二维图像,然后对Resnet-50网络模型进行改进,在网络中添加多级shortcut支路,并优化了残差块;为了进一步提高模型的表达能力,将Relu激活函数替换为SELU激活函数;最后将图像输入到改进的残差网络中进行分类,并在医院对患者的心电信号进行了实际测试。实验结果表明：该算法对7类心电信号的平均识别率达到了98.3%,相对于原始的残差网络,准确率提升了2.9%;算法诊断结果与医生诊断结果一致,从而验证了算法的有效性和实用性。     

深度指静脉识别技术研究

首先利用(Local Configuration Pattern, LCP)算法提取指静脉的纹理特征作为深度信念网络(Deep Belief Network, DBN)的输入,并通过逐层训练网络不断调整参数使网络达到最优化,从而实现对指静脉图像的最优分类。将本算法与BP分类算法、SVM分类算法及KNN分类算法进行了比较。     

基于散射卷积网络的手指静脉识别方法研究

针对手指静脉特征提取及匹配识别问题,设计了一套嵌入式小型化手指静脉采集装置,并提 出了一种基于散射卷积网络算法的手指静脉识别方法． 对采集到的原始手指静脉图像进行感兴趣 区域提取和预处理,利用多层散射卷积网络提取每张图像的散射能量分布特征,计算每个子块图像 能量均值和方差作为特征向量,利用支持向量机进行样本训练和匹配识别． 实验结果表明: 该方法 用于手指静脉识别相比于目前的其他方法能有更好的效果,识别率达到100%．     

基于全局深度分离卷积残差网络的高效人脸识别算法

深度学习模型的复杂性影响了人脸识别的实时性能,限制了人脸识别算法在实际场景中的应用。针对这一问题,提出了一种基于全局深度分离卷积的残差学习神经网络,首先利用小卷积核提取人脸图像局部细节信息,采用深度残差学习网络作为骨干网络提取不同层次特征,然后根据人脸特征分布的空间重要性使用全局深度可分离卷积调整学习权重,加速精炼深层抽象特征,通过这一机制获取判别能力更强的特征向量进行人脸识别。在CASIA-Webface与Extend Yale-B人脸数据集中的识别率分别达到了82.1%与99.8%。     

响应残差校验的载荷识别方法

机械结构受到的载荷难以直接测量,需要通过结构的频率响应函数以及实际工作状态下的响应求得.但是当结构所受载荷为内部激励时,导致频率响应函数无法通过测试获得.基于此,介绍了一种适用于工程实际的载荷识别方法,包括"实验模态修正有限元模型、最小二乘法求逆载荷识别、响应残差校验"3个步骤,设计了实验台架验证该方法的可行性.根据实验模态修正实验台架的有限元模型;选取不同测点,基于最小二乘理论识别载荷,分析了响应测点数目和位置对识别精度的影响;响应残差曲线与以力传感器测量得到的载荷误差曲线的变化规律一致,从而验证了响应残差是一种评价识别精度的有效手段.对台架进行实验和仿真计算验证了该方法的可行性,对工程实际具有一定的借鉴.     

一种基于改进深度残差收缩网络的恶意应用检测方法

恶意应用的快速增长给移动智能终端带来了巨大的安全威胁,实现恶意应用高精度检测对移动网络信息安全具有重要意义.本文提出一种基于改进深度残差收缩网络的恶意应用检测方法.首先将流量特征预处理成卷积神经网络输入,接着引入通道注意力机制和空间注意力机制,从通道和空间两个维度对样本特征进行加权.然后再引入深度残差收缩网络,自适应滤除样本冗余特征并通过恒等连接优化参数反向传播,减小模型训练和分类的难度,最终实现安卓恶意应用高精度识别.所提方法可避免手工提取特征,能实现高精度分类并且具有一定泛化能力.实验结果表明,所提方法在恶意应用的2分类、4分类和42分类中准确率分别为99.40%、99.95%和97.33%,与现有方法相比,具有较高的分类性能与泛化能力.     

基于宽度和深度模型以及残差网络的综合能源负荷短期预测

针对用户级综合能源系统负荷波动大,能源耦合复杂的特点,提出一种基于深度和宽度模型(Wide&Deep)和残差网络(ResNet)框架并且采用完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)和主成分分析(Principal Components Analysis, PCA)的综合能源系统联合负荷预测方法。所提模型由宽度和深度两部分组成：深度部分参考ResNet拟合残差映射的思想将多个长短期神经网络(Long Short-Term Memory, LSTM)子层堆叠构建深度预测网络,深度部分数据在输入前采用CEEMDAN进行分解,并利用主成分分析对分解结果进行主要影响因素提取和排序,并通过对数据的梯级输入实现对不同信息密度数据的梯级利用;宽度部分则采用简单模型并对传统Wide&Deep-LSTM模型的Wide部分输入进行改进,有效降低了模型的训练难度。通过实际算例分析可知所提模型具有良好的预测精度和收敛速度。与常规模型相比,所提模型具有一定优越性。     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

基于深度神经网络的车辆特征识别方法

提出了一种基于深度神经网络的车辆特征识别方法,通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断,对采集的车辆图像进行边缘轮廓检测和信息增强处理,突出车辆的类别属性特征点,在仿射不变区域对车辆角点分布信息进行直方图均衡化处理,实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练,实现车辆特征的智能识别.选取大量交通视频图像进行实验,仿真结果表明采用该方法进行车辆特征识别的成功率较高,输出车辆特征点正确的像素总数较多,对目标车辆的准确检测定位性能较好.     

融合全局与局部特征网络的指静脉识别算法

手指平移、轴旋转等特殊姿态变化时,指静脉识别算法的识别率并不高,为此,提出一种融合全局与局部特征网络的指静脉识别算法。首先,根据特殊姿态指静脉图像全局静脉信息差异较大而局部显著静脉信息相似度较高的特点,通过多分支网络结构学习不同粒度下的全局特征与局部特征并进行融合识别,提高了指静脉特征对手指放置姿态变化的鲁棒性;其次,使用CurricularFace损失以及交叉熵损失对网络进行联合监督,扩大指静脉特征类间差,缩小类内差,并引入在线困难样本挖掘机制,使得网络重点训练手指姿态变化较大的样本,进一步提高了算法在手指出现平移、轴旋转等姿态变化时的识别率;最后,采用Mish激活函数作为激活层,提高了网络提取指静脉特征的能力。分别在FV-USM数据集、FV-Normal数据集、FV-Special数据集上进行仿真实验,结果表明,相比于指静脉改进残差网络算法,提出算法的零误识识别率分别提高了11.33%,8.11%,22.57%,Top1排序分别提升了4.00%,4.96%,12.23%。     

基于深度图像的在线手势识别方法与性能研究

对Kinect设备获取到的深度图像进行手部区域分割,分别比较扫描法和区域生长法的图像分割效果,并提取手部的轮廓信息实现手掌心和指尖的定位,以区域协方差作为手势的特征变量,结合指尖识别算法实现了在线手势识别。结果表明：扫描法比区域生长法所识别出的手掌点和轮廓点更多,与自适应PCA识别算法相比具有更好的识别效果,静态手势测试的指尖平均识别率达93%,在线运动手势识别的准确率均在80%以上。     

基于离散信号相关性的声波通讯信号识别方法

在采油作业中,井下油藏参数获取的准确性与实时性,对制定采油工艺至关重要。以油管柱作为信道的无线声波通讯技术,能够满足井下油藏参数实时性和传输速率的技术要求,近年来成为油井通讯领域的研究热点。针对油井无线声波通讯中因噪音干扰和波形畸变导致的识别困难问题,提出了一种有效的识别方法——声波动态模型匹配法。该方法基于油管柱的声学模型和离散信号相关性,通过将待识别声波信号与动态模型进行相关处理提取其相关系数特征,根据其相关系数鉴别每位声波信号的含义,提高识别的准确率。     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。