基于神经网络的手骨特征区域自适应提取方法

准确分析手腕骨特征骨块的成熟等级是骨龄判别的关键。在骨龄的自动评估中,通过多特征区域识别最终得到骨龄是目前研究的主要方法。钩骨和桡骨在中国人手腕骨发育标准CHN法骨龄评价中所占的权重较大。针对手腕骨特征骨块周边干扰骨块多、识别困难的问题,提出了一种基于BP神经网络的手腕骨特征区域自适应提取方法,可以根据手部X光片所属者的身高和年龄信息,自适应提取出特征骨块,最后搭建卷积神经网络对钩骨、桡骨的成熟等级进行评价。实验结果表明:利用基于BP神经网络的区域自适应提取方法,能够精确提取手腕骨特征骨块区域,在保留完整特征信息的基础上减少周边骨块、肌肉组织的干扰,提高了图片识别的质量;进而提高了卷积神经网络对钩骨、桡骨成熟等级的识别准确率(分别达到了87.83%和85.51%)。所提方法对骨龄的自动识别有重要意义,对临床医生评价骨龄也有较大的参考意义。     

基于改进双线性网络的腕骨区域骨龄评估方法

目前,基于深度学习的骨龄分类方法一般采用全手图像作为输入,或者通过标注额外的边界框或关键点来挖掘局部信息。针对全手图像骨龄评估方法容易丢失局部细节信息的问题,提出一种利用腕骨区域特征的骨龄评估方法,该方法将手腕骨的腕关节区域图像作为研究对象,在仅使用单区域图像标注的前提下,利用细粒度识别模型中局部关注和判别细微差异的能力进行骨龄评估。为了提高骨龄评估的精确度,对细粒度识别网络B-CNN(Bilinear CNN)进行改进,在其基础特征提取网络中加入融合了残差结构和注意力机制的特征学习网络,并且根据骨龄预测值的分布特点改进损失函数。经过数据实验,与AlexNet,ResNet和DenseNet等图像分类模型进行比较,结果表明笔者方法有效地提升了模型识别的能力。与现有的全手图像和额外标注的方法相比,笔者方法在仅使用单区域标注的情况下,提高了骨龄评估的准确率。     

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...     

采用卷积神经网络的数字手写体识别的研究

卷积神经网络(Convolutional Neural Network,CNN)是近年发展起来并引起广泛重视的一种高效的识别方法。计算机对于数字手写体的识别,从根本上说是数字读取和图像分类。本文针对传统的卷积神经网络中激活函数收敛速度慢且梯度易弥散的问题,对CNN中的激活函数进行改进。在遵循Le Net-5模型的基础上,将改进后的CNN模型的算法进行推导,并对比不同迭代次数下CNN的正确率。实验结果表明,改进后的CNN模型收敛性有所改善,数字手写体识别的准确率也有明显提高。     

基于卷积神经网络的验证码识别

针对传统验证码识别受字符分割限制的问题,将卷积神经网络应用到验证码的特征分析和识别中。使用验证码图像整体作为输入,对传统的LeNet-5的网络结构进行改进,构建一种端到端的卷积神经网络对图像由低级到高级逐层提取图像特征,选取ReLU作为激活函数,实现对验证码的识别。实验过程中设置对照组,研究不同因素对识别准确率的影响。测试结果显示,该模型能够进行端到端的识别,避免了字符分割方法流程过多导致的不足,在测试集上达到99%的识别率。结果表明训练次数的增加以及学习率的优化有助于提高卷积神经网络的准确率。     

基于轻量卷积网络的田间自然环境杂草识别方法

针对田间自然环境下杂草识别精度低和检测速度慢的问题,本文依据自然环境杂草图像数据的特性,在Xception卷积网络的基础上构建了一种基于轻量卷积网络的杂草识别模型.首先改进Xception模型,采用ELU作为模型的激活函数,并使用全局最大池化层对最后一层卷积进行下采样.然后,对原始数据进行背景分割和数据增强处理,在迁移后的模型上继续微调,训练得到最佳的杂草识别模型.在相同的试验条件下,与VGG16、VGG19、ResNet50和Inception-V3四种标准的深度卷积网络模型进行比较,结果显示,本文模型的整体性能最好,对自然条件下8类杂草及苗期玉米的平均测试识别准确率高达98.63％,改进模型的规模为83.5 MB,单张杂草图像检测平均耗时仅为63.8 ms.本文研究结果可为田间自然环境下精准喷药的实施提供理论基础和技术支持.     

融合注意力机制的毫米波雷达人体动作识别方法

为解决少样本场景下毫米波雷达人体动作识别过程中卷积神经网络(CNN)易出现过拟合、训练效果不理想等问题,提出一种融入时序注意力机制的CNN和视觉转换器模型结合的方法．该方法首先对收到的雷达回波信息做预处理,再通过短时傅里叶变换(STFT)进行时频分析得到时频图,最终将带有特征信息的图像送入融合的网络模型中进行分类识别．实验结果表明,与其他4种模型的方法相比,本文提出的方法识别准确率最高,识别效果可达到91.57%．该方法能有效地增强网络对于时间维度建模,增加了网络收敛速度,达到了提升识别准确率的效果．     

基于卷积循环神经网络的芯片表面字符识别

基于积分图运算的阈值分割将图像二值化，使用仿射变换完成文本字段图像的方向校正，从而实现文本行的定位.在原始卷积循环神经网络(CRNN)的基础上，将骨干网络替换成MobileNet-V3结构，在2层LSTM之间加入注意力机制，同时引入中心损失函数.利用改进的CRNN实现文本行字符的识别.将改进后的CRNN在40 510张芯片文本行图像上进行测试.通过小样本数据集进行模型微调训练得到多个子模型，从而实现集成推理，使用3个模型的综合识别准确率稳定在99.97%左右，单张芯片图像的总识别时间小于60 ms.实验结果表明，改进的CRNN算法的准确率比原始CRNN提升了大约27.48%，多模型集成推理的方法可以实现更高的准确率.     

基于混合激活函数的改进卷积神经网络算法

激活函数是人工神经网络的重要组成部分,对提高人工神经网络的准确性具有重要影响.为了研究使用混合激活函数的卷积神经网络在图像分类任务中的识别精度和收敛速度表现,本工作以LeNet-5卷积神经网络为基本结构,构造了一个使用Sinusoid-Sinusoid-Ramp(S-S-R)混合激活函数的卷积神经网络,以及4个使用单一...     

基于改进卷积神经网络的手写体识别研究

针对卷积神经网络层数设计和参数优化问题,改进和测试了LeNet-5模型。通过MNIST字符库,分析了卷积层参数滤波器数量、核大小、池化方法、激活函数和网络学习速率等对机器手写体识别性能的影响。实验结果表明,改进后的网络结构简单,预处理工作量小,可扩展性强,识别速度快,识别率达到0.993 9,有效缓解了过拟合。     

基于前向学习网络的人脸欺诈检测

为了克服现有人脸欺诈检测方法在少样本应用场合下的局限性,将前向学习网络用于欺诈检测.通过前向学习的方式从图像中无监督地学得卷积滤波器,在人脸欺诈检测应用场合下,对前向学习网络进行了改进,改进后的网络使用了面向人脸欺诈检测任务的卷积滤波器.使用主成分分析变换所得的最小特征值对应的特征向量作为卷积滤波器提取图像的特征.将所提方法在CASIA-FASD、Idiap Replay-Attack和OULU-NPU数据集上进行了验证,实验结果表明,在少样本跨攻击类型实验中,所提方法显著提升了欺诈人脸检测的准确率.     

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

改进卷积玻尔兹曼机的图像特征深度提取

针对卷积深度和信念网络存在计算复杂度高和训练缓慢的问题,提出卷积深度玻尔兹曼机用于图像特征提取.针对卷积受限玻尔兹曼机进行改进,提出最大化图像中间区域概率的训练目标函数,并引入性能较好的交叉熵稀疏惩罚因子和dropout训练方法.设计卷积深度玻尔兹曼机结构,提出均值聚合机制,将聚合层内点的值定义为block中各点激活概率均值,对层间关联进行简化,将聚合层内各面直接叠加以供高层CRBM提取特征.通过在MNIST手写数字识别集上的实验结果证明,采用新模型提取的图像特征分类准确率提高0.5%、训练时间减少50%,且达到了目前MNIST数据集的最佳水平.     

基于深度卷积神经网络的羽绒图像识别

由于图像中羽绒形态及其多样性,传统的图像识别方法难以正确识别羽绒分拣图像中的羽绒类型,其识别精度也难以达到实际生产的要求.为解决上述问题,构造了一种用于羽绒类型识别的深度卷积神经网络,并对其权值初始化方法进行了改进.首先利用视觉显著性模型提取羽绒图像的显著部分,然后将图像的显著部分输入到稀疏自动编码器中进行训练,得到一组符合数据集统计特性的卷积核集合.最后采用Inception及其变种模块实现深度卷积神经网络的构造,通过增加网络深度来提高网络的识别精度.试验结果表明,用所构造的深度卷积神经网络对羽绒图像识别的精度较传统卷积神经网络的提高了2.7%,且改进的权值初始化方法使网络的收敛速度提高了25.5%.     

基于深度卷积自编码网络的小样本光伏热斑识别与定位

针对传统卷积神经网络训练需要大量数据、而热斑效应图像样本量较少的现状,构建一种深度卷积自编码网络模型用于小样本光伏热斑识别与定位.首先对原始光伏红外图像做预处理得到小样本数据集,然后构建一种以卷积神经网络为基础、结合自编码器的深度卷积自编码网络模型.该模型能自动学习并提取小样本图像中的有效特征,提高识别准确率.实验结果...     

玉米籽粒完整性识别的深度学习方法

为满足正确识别玉米籽粒完整性的需要,提出一种基于深度卷积神经网络的智能识别方法。本网络结合池化和降采样操作,基于卷积原理进行构建。通过对直接输入的灰度图像进行卷积操作,逐层挖掘图像的深层特征,实现对单玉米籽粒图像的特征抽象和特征降维,再通过一个全连接网络,智能识别单玉米籽粒完整性特征。采用反向传播网络对相同的样本进行对照实验。实验结果表明,深度卷积神经网络能对籽粒图像进行有效地特征降维,使深度学习网络达到较高的识别准确率,满足准确识别玉米籽粒完整性特征的需要。     

基于图像化特征的雷达信号个体识别与工作模式识别方法

为解决传统复杂雷达信号特征参数提取困难而无法有效进行个体识别和工作模式识别的问题,提出一种基于图像化特征的雷达信号个体识别与工作模式识别方法．首先,利用变换域特征提取将雷达时域信号映射到图像域;然后,通过协同训练来对雷达信号进行个体识别;最后,在个体识别的基础之上,采用图像化特征重构方法和图像分类技术完成对工作模式的识别．实验结果表明,13类个体识别中,利用ResNet和BiLSTM网络协同训练的识别准确率能到82%以上;4类工作模式识别中,利用ResNet网络的识别准确率能到95%以上．     

基于小波变换的手骨图像边缘提取方法

为了探求可以同步分离手指骨和腕骨各部分轮廓的方法,便于骨龄测定。针对医学图像特点和要求,引入小波变换,结合传统图像分割方法,采用边缘生长和寻找大区域的方法,实现手骨同步分离。研究表明该方法能够较为精确的、全自动的分离手骨各部分,能够同步分离目标边缘,同时保留细节信息。     

ECA-SKNet：玉米单倍体种子的卷积神经网络识别模型

采用3 000张玉米种子图像进行基于卷积神经网络的玉米单倍体种子识别，包含1 230张单倍体玉米种子图像和1 770张二倍体玉米种子图像。为对比不同卷积神经网络模型在单倍体玉米种子识别的效果，使用VGG、ResNet、DenseNet和SKNet等经典模型，并对SKNet模型进行改进，将其降维升维全连接层设计为一维卷积以降低模型参数数量，改进后的SKNet称为ECA＿SKNet。对5种模型使用相同优化器和训练周期进行实验，结果表明：实验模型均能对单倍体玉米种子达到较好的识别效果，最低准确率能达88.5%,ECA＿SKNet模型准确率达93.04%。可见，卷积神经网络在玉米单倍体种子识别中能够发挥重要作用，为作物种子识别提供新思路。     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU_6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。