基于卷积神经网络的织物表面缺陷分类方法

针对织物缺陷检测时疵点种类繁多且传统人工检测方法漏检率高的问题,提出了一种基于卷积神经网络的织物表面缺陷分类方法。因卷积神经网络（CNN）训练时参数多、样本量大,且极易陷入过拟合,利用微调卷积神经网络模型Alexnet对织物疵点图像进行特征提取,初始化采用原网络的参数而非随机初始化参数;再针对特定目标下的训练样本对网络参数进行微调;最后利用softmax回归算法进行预测分类。分别用三种方法和两种织物进行测试,结果表明：针对特定目标微调后的Alexnet网络,在两类织物测试中均能达到95%以上的分类准确率。     

基于卷积神经网络的火花塞表面缺陷检测研究

以特征提取为核心,进行火花塞表面缺陷检测时,主要依托于矩不变量获取表层特征信息,使得检测结果mAP值较低。因此,应用卷积神经网络,提出一种新的火花塞表面缺陷检测方法。针对采集的火花塞表面图像,应用非下采样剪切波变换原理进行预处理。应用霍夫圆理论建立规划策略,规划表面缺陷圆形区域。依托于卷积神经网络结构,建立火花塞表面缺陷特征提取模型,提取每个规划区域包含的深层特征信息。运用RPN算法对提取特征进一步分析,输出表面缺陷检测结果。实验结果表明：所提检测方法的mAP值为0.96,与基于SVM、基于KNN、基于MLP的检测方法相比,mAP值提升了15%,21%和27%。     

基于卷积神经网络的中文微博情感分类

微博是互联网舆论演化的重要平台,对微博进行情感分析,有助于及时掌握社会热点和舆论动态。由于微博数据内容简短、特征稀疏、富含新词等特征,微博情感分类依然是一个较难的任务。传统的文本情感分类方法主要基于情感词典或者机器学习等,但这些方法存在数据稀疏的问题,而且忽略了词的语义、语序等信息。为了解决上述问题,提出一种基于卷积神经网络的中文微博情感分类模型CNNSC,实验表明相比目前的主流方法,CNNSC的准确率提高了3.4%。     

基于轻量化卷积神经网络的服装分类方法

考虑到电商平台的日益发展,使用人工分类的方式对服装进行分类无法满足目前的需求.本文从实际的应用场景出发,针对于服装图像进行分类时会受到背景因素干扰、服装图像关键部位信息以及算法模型运行的的硬件要求三个方面,分别进行改进设计.提出：1）消除背景的干扰;2）图像局部信息的利用;3）模型的轻量化处理.最终得到了在满足准确性的前提下,可以在普通低配置PC端进行运行的算法模型,提升了工作效率,同时节省了成本.     

基于卷积神经网络的自然背景字符识别

随着计算机视觉技术的发展,自然背景中字符的识别在图片检索、视频检索、无人车识别周围场景信息等领域都扮演了不可或缺的角色。相对于手写字符、打印字符的识别,自然背景字符的识别有着光照强度变化大、背景纹理复杂、字体样式和颜色多变等特点,这都给识别带来了巨大的挑战。主要是基于Le Net-5的网络结构设计了一种适合于识别自然背景字符的卷积神经网络,由于在这一领域以往的研究工作的基准数据集是较小的数据集(Chars74K-15),为了便于比较,实验也是基于同样的数据集。但因为卷积神经网络是在巨大数据量的驱动下才会有良好的效果,因此还提出了一种预处理方式和fine-tune相结合用于解决自然背景字符图片数据量较小的问题。     

基于KNN的卷积神经网络改进算法

笔者提出了一种通过卷积神经网络对每一个类别的图片进行卷积和池化操作,最终提取出每一个类别图片的特征向量,再通过K近邻算法对卷积神经网络所提取特征向量进行分类改进的算法,并使用cifar10与cifar100两个数据库对改进算法进行验证。实验结果表明改进后的算法相比改进前的15层卷积神经网络准确率有了显著提升。     

基于深度卷积神经网络的图像去噪研究

为更有效地去除图像中的噪声,提出一种深度学习的图像去噪方法。以完整图像作为网络的输入及输出图像,通过隐含层构成由含噪声图像到去噪图像的非线性映射,由卷积子网和反卷积子网构成一种对称式的网络结构,卷积子网学习图像特征,反卷积子网根据特征图恢复原始图像,并结合修正线性单元获取更多的纹理细节。以VOC2012数据集作为训练集,使用Tensorflow在GPU环境下训练网络模型。实验结果表明,与GSM,KSVD,CN2,MLP方法相比,该方法能更有效地去除图像中的噪声,获得更高的峰值信噪比,耗时更短,视觉效果更佳。     

基于跨连卷积神经网络的性别分类模型

为提高性别分类准确率, 在传统卷积神经网络(Convolutional neural network, CNN)的基础上, 提出一个跨连卷积神经网络(Cross-connected CNN, CCNN)模型. 该模型是一个9层的网络结构, 包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层, 其中允许第2个池化层跨过两个层直接与全连接层相连接. 在10个人脸数据集上的性别分类实验结果表明, 跨连卷积网络的准确率均不低于传统卷积网络.     

基于反卷积神经网络的脑脊液图像快速识别模型

提出一种基于反卷积神经网络的脑脊液CSF(Cerebrospinal Fluid)图像快速识别模型。该模型使用无监督学习方法从底层边缘特征到高层对象部分连接对整个图像进行图片特征表述。此外,对不变性、多层模型中层与层如何直接训练等基本问题设计了一系列方法,如引入开关变量,计算每一幅图片试用的滤波器,并允许对每一层的图片单独训练,都提高了学习的鲁棒性。实验结果表明,该模型大大改进了脑脊液细胞图像识别的准确率,同时提高了训练效率。     

基于卷积神经网络的植物叶片分类

回顾近年来国内外植物叶片分类的研究进展,指出传统方法存在的缺陷。简述卷积神经网络在图像分类的优势,为了简单高效地对植物叶片进行识别,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的植物叶片识别方法。在Swedish叶片数据集上的实验结果表明,本算法识别正确率高达99.56%,显著优于传统的叶片识别算法。     

结合CNN与双向LSTM的心律失常分类

心律失常是心血管疾病中常见的病症之一,实现心律失常的自动分类对心血管疾病的诊治具有重要意义.基于一维心电信号的心律失常分类方法以若干节拍作为输入,通过模型提取特征并用于分类.针对现有方法预处理时间成本高以及未按医疗仪器促进协会(AAMI)标准分类等问题,提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法.该方法首先利用卷积神经网络(CNN)学习心电信号的形态特征,之后通过双向长短期记忆网络(BLSTM)获取特征中的上下文依赖关系,最后借助softmax函数完成分类任务.方法采用mish函数作为激活函数,使得模型在训练中更为稳定.在公开数据库MIT-BIH上进行五折交叉验证,评估结果达到了99.11％的平均准确率,表明该模型可以有效地提取心电信号的特征,适用于监测系统中心律失常疾病的诊断.     

基于小波分解卷积神经网络的病理图像分类

组织病理图像分析是癌症诊断的金标准,在患者的预后治疗中起到至关重要的作用.目前在AI医学影像领域,利用CNN(Convolutional Neural Network)网络对数字病理图像的分类已经成为研究热点.但是传统CNN网络中广泛使用最大/平均池化(Max/Average pooling)模块,不可避免的丢失了...     

基于残差的改进卷积神经网络图像分类算法

现有深度残差网络作为一种卷积神经网络的变种,由于其良好的表现,被应用于各个领域,深度残差网络虽然通过增加神经网络深度获得了较高的准确率,但是在相同深度情况下,仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充;（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络,实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.     

基于融合机制的多模型神经网络人物群体分类模型

有效识别图像或视频中人物的不同群体, 是进行图像智能分析的重要环节, 归根结底是研究如何获取图像中的“有效特征”. 本文以卷积神经网络模型为基础模型, 提出多模型融合卷积神经网络的方法, 利用ImageNet训练得到的模型参与本文神经网络模型的权值初始化, 在有效节省时间和计算资源成本的前提下获取更多有效的特征. 实验结果证明, 本模型对于自然场景中的个体分类中成年男性、成年女性、儿童识别准确率可以保持在85%左右, 提高了人物群体分类的准确度和可靠度.     

Deep CNN for Brain Tumor Classification

Neural Processing Letters - Brain tumor represents one of the most fatal cancers around the world. It is common cancer in adults and children. It has the lowest survival rate and various types...     

对抗攻击威胁基于卷积神经网络的网络流量分类

深度学习算法被广泛地应用于网络流量分类,具有较好的分类效果,应用卷积神经网络不仅能大幅提高网络流量分类的准确性,还能简化其分类过程.然而,神经网络面临着对抗攻击等安全威胁,这些安全威胁对基于神经网络的网络流量分类的影响有待进一步的研究和验证.文中提出了基于卷积神经网络的网络流量分类的对抗攻击方法,通过对由网络流量转换成...     

基于改进CNN的宫颈细胞自动分类算法

本文采用深度学习算法中的卷积神经网络对细胞图像进行识别, 实现对宫颈细胞图像的自动分类. 首先对宫颈细胞进行预处理, 通过细胞核裁剪解决图像输入尺寸不一的问题, 对图像进行翻转平移, 对数据集进行扩充, 并解决样本量不均衡的问题; 接着选取VGG-16网络进行改进, 使用改进后的VGG-16网络进行特征提取, 以及细胞分类; 并采用迁移学习的方法加载预训练网络参数, 进而加快参数收敛速度, 提高分类准确率; 最终通过对网络的训练, 得到了较好的分类结果, 将分类结果与人工提取特征设计分类器的方法相比, 分类的准确率有所提高, 二分类的准确率达97.3%, 七分类的准确率达89%. 实验结果表明: 卷积神经网络对宫颈细胞图像进行自动分类, 分类准确率相比较人工提取特征分类器效果较好, 且分类结果不受分割图像准确率的影响.     

卷积神经网络自动分类手机外壳划痕

塑料手机外壳出厂合格检测时,使用传统的人工辨别外观缺陷,费时费力.利用深度学习的卷积神经网络模型训练一个分类器,实现手机外壳外观出现的划痕缺陷自动化检测,可以极大的提高工作效率.实验首先建立基本的卷积神经网络模型,训练模型获得识别基线,再设计修改逐步提高检测准确率.为了解决小数据集训练中的模型过拟合和提高检测精度,综合使用了丢弃层、数据增强技术和批量标准化,减少参数量,并应用迁移学习等方法.实验结果证明,分类器模型能有效提升准确率,在小数据集上达到非常好的划痕缺陷识别效果.     

补缀式浓缩近邻分类器BDPATCH

本文提出一种浓缩近邻分类器BDPATCH.其浓缩集从编辑过的训练集经显露和补缀边界模式产生,具有Bayes渐近最优性.对BDPATCH和其它已有的CNN算法进行了比较,结果表明这种新的分类器具有高识别率,同时又是快速的.