联合损失下深度可分离残差网络的表情识别算法

为了增强神经网络特征提取能力进一步提高人脸表情识别准确率，提出了一种联合损失下深度可分离残差网络模型DSResNet-JLoss(deeply separable residual network under joint loss),该网络是基于深度可分离卷积与残差学习方法的轻量级网络模型。使用逐通道卷积和逐点卷积的方法取代常规卷积运算，解决了传统卷积神经网络参数冗余大，训练时间长收敛慢，且易过拟合的问题。并在网络中加入残差单元，使用shortcut连接，通过恒等映射，来解决因网络模型层数过多导致的梯度爆炸或衰减问题。提出联合损失函数，充分结合了交叉熵损失，中心损失和对比损失的优点，以减小表情特征的类内距离，增大类间距离。实验表明，该模型在FERPlus和RAF-DB两个公开数据集上均取得较好的成绩，表现出良好的泛化能力和鲁棒性。     

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。     

基于深度残差网络与离散哈希的指静脉识别方法

针对传统卷积神经网络提取的特征不够充分、自学习特征稀疏导致指静脉识别精度和识别速度不高的问题,提出了一种基于深度残差网络和离散哈希的二元特征指静脉识别方法。首先,在深度残差网络模型训练过程中提出将加性角边缘损失函数作为监督信号,扩大类间差,缩小类内差;其次,将归一化后的指静脉图像输入改进的深度残差模型进行特征提取;然后,提出采用监督式离散哈希模型对实值特征进行离散化,获得二值化特征替代原有的实值特征;最后,采用哈明距离计算二值化特征与指静脉库中的模板间的匹配分数确定识别结果。实验结果表明:在MMCBNU_6000数据集上,指静脉识别准确率达96.59%,同时模板尺寸缩减为1024 bit,是常用的实值特征模板尺寸的1/16;在FV-USM数据集上,模板尺寸缩减为1024 bit时,指静脉识别准确率达到95.37%。     

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%。     

基于多语义融合与ArcFace损失的指静脉识别算法

指静脉识别深度学习方法往往忽视指静脉低级特征,未能充分利用指静脉轮廓、纹理等特征。为此,提出一种基于多语义特征融合网络与ArcFace损失的指静脉识别算法。首先,充分利用神经网络低层提取的指静脉轮廓角点等细节特征和纹理形状等结构信息,提出跨层拼接的特征融合机制,解决仅利用指静脉高级特征识别而忽视静脉低级特征的问题;其次,残差单元采用双层卷积结构,增加了相邻残差单元特征图的距离,消除了指静脉各级语义特征重叠现象,并采用阶跃式残差单元分布来提升网络高低层残差单元数量的差异,进一步加大了指静脉各级特征的距离;最后,在损失函数中加入ArcFace损失项,在角度域聚敛类内距离,分离类间距离,减小指静脉特征向量的类内距离。在公开数据集FV-USM、实验室采集的正常图像库及特殊图像库上进行性能分析实验,结果表明,和指静脉识别经典网络相比,提出算法的零误识拒识率分别降低了8.89%,6.89%和14.68%,Top1排序性能分别提升了2.85%,5.10%和9.07%。     

改进YOLOv4算法的袋料香菇检测方法

为探索对袋料栽培香菇的机械式采摘,提出一种基于改进YOLOv4的识别算法。主要改进方法为：在PANet(Path Aggregation Network)结构中,增加一条具有残差注意力机制的特征图路径,提高对小目标的识别精度,并用深度可分离卷积结构替换PANet网络中卷积层,降低了参数量。使用Focal loss损失函数改进原置信度损失函数。在数据预处理方面,采用gamma变换方法对数据进行增强扩充。在训练过程中利用迁移学习的思想,对主干网络载入VOC数据集的预训练权重。相比原YOLOv4算法,mAP值增加了4.82个百分点,达到94.39%,算法参数量降为原来的58.13%,算法更加高效和轻量化,为机械采摘提供视觉算法支持。     

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%。     

基于非对称U型金字塔重建的轻量级人脸超分辨率网络

为解决深度卷积神经网络在人脸超分辨率任务中模型复杂并难以实际应用的问题,提出一种轻量级人脸超分辨率网络.利用残差编码块构成的编码结构进行特征提取,在解码结构中引入金字塔重建从而实现快速准确的超分辨率.为降低解码块中上采样操作的参数量,采用基于分辨率选择的非一致通道扩宽策略.为避免增加分支,通过热图损失引入人脸先验知识....     

基于改进R-FCN框架的遥感影像飞机目标识别方法

遥感影像飞机目标识别是实现地面特定目标的精准打击、掌握机场军事价值的重要途径.针对飞机识别数据集未充分参照不同条件下飞机几何形态的问题,构建了飞机类型识别数据集,同时为进一步提高识别精度,基于区域全卷积网络(R-FCN)识别框架,提出飞机目标全卷积神经网络(AFFCN)识别方法.通过人工增强方法,扩增包含四种类型飞机影像的数量,构建了每种类型飞机识别数据集;基于深度残差网络能有效区分不同类型目标的性质,提出了飞机目标深度残差网络,并将此网络应用于R-FCN识别框架中,建立了AFFCN识别方法.仿真结果表明,该方法结合本文数据集可以准确地识别遥感影像中的飞机目标.     

用于图像超分辨率的轻量级残差平衡蒸馏网络

现有利用卷积神经网络的单幅图像超分辨率重建技术,普遍存在参数量大计算成本高等问题,阻碍了实际场景的应用,因此提出一种轻量级蓝图可分离残差平衡蒸馏网络(BSRBDN)。首先,引入蓝图可分离卷积并提出多尺度渐进特征蒸馏连接结构,在提取深层特征的同时减少冗余运算。其次,设计了对比度平衡注意块、大内核空间注意力块和像素融合模块,激活高频信息增强边缘细节特征。最后,设计了轻量级蓝图可分离残差平衡蒸馏网络快速精准的完成图像重建。实验结果显示网络在保持更好的性能和主观视觉效果的同时,大大降低了参数与计算量。     

基于三元组卷积神经网络的图像检索

针对图像检索中图像间相似度和训练集带标签样本不足问题,提出一种改进的三元组卷积神经网络的图像检索算法。采用基于三元组卷积神经网络,在相似数据集上进行网络训练,为图像检索项目提取更好的特征。实验结果表明,该算法在相似数据集上进行重训练,有助于提高基于内容的图像检索任务的性能。     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于深度卷积和自编码器增强的微表情判别

为了判别微表情种类,提出基于深度卷积神经网络和迁移学习的微表情种类判别网络MecNet.为了提高MecNet在CASME Ⅱ、SMIC和SAMM联合数据库上的微表情种类判别准确率,提出基于自编码器的微表情生成网络MegNet,以扩充训练集.使用CASME Ⅱ亚洲人的微表情样本,生成欧美人的微表情样本.设计卷积结构实现图像编码,设计基于子像素卷积的特征图上采样模块实现图像解码,设计基于图像结构相似性的损失函数用于网络优化.将生成的欧美人的微表情样本加入MecNet训练集.实验结果表明,使用MegNet扩充训练集能够有效地提高MecNet微表情种类判别准确率.结合MegNet、MecNet的算法在CASME Ⅱ、SMIC和SAMM组成的联合数据库上的表现优于大部分现有算法.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络.该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上.应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征.提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合.所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于深度学习的电网监控视频中工作人员检测与识别

针对电网监控视频场景多样,电网工作人员姿态变化严重影响工作人员识别精度的问题,提出了一种基于深度学习的电网监控视频中工作人员检测与识别算法.该算法使用Res Net50网络提取行人特征,Faster-Rcnn检测方法快速、精确地检测出电网中的工作人员,识别网络对检测出的工作人员进行身份确认,并使用各种组合损失来训练检测与识别网络.在电网监控视频数据集上的测试结果表明,所提出的方法具有更高的检测和识别精度,且对遮挡及低光照图片具有较好的鲁棒性.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

基于深度卷积生成对抗网络的不平衡大数据监测与诊断

针对不平衡数据集的在线监测与诊断问题,提出一种基于深度卷积生成对抗网络的算法模型.通过生成器与判别器之间的不断对抗,实现对数据训练网络参数的调整和优化,并得到近似分布数据,用以矫正数据集的不平衡性.利用深度卷积网络的转置卷积层替代池化层,在检测空间内实现上下同步采样,同时避免反复选择数据训练层参数而带来高成本计算.生成...     

融合注意力机制的高效率网络车型识别

为了解决现有的车型识别算法对车型特征描述不充分的情况,提出融合注意力机制的高效率网络车型识别算法. 利用高效率网络中的复合缩放方式来平衡网络的深度、宽度和分辨率,将深度可分离卷积集成到基础特征提取模块中来提高模型准确率. 增加双通道的残差注意力机制来关注图片中的关键信息,获得含有更加丰富语义信息的特征图. 在网络的末端添加单独的softmax分类器,使用标签平滑正则化对损失函数进行处理,减小模型过拟合的问题. 在BIT-Vehicles数据集上进行实验,结果表明,提出方法的平均分类准确率为96.83%,较改进前的模型提高了1.11%,优于现有DCNN、Faster-CNN的改进算法,较Faster R-CNN提升了7.16%.     

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.