基于迁移学习的TC4钛合金磨削烧伤图像识别

为利用有限的钛合金烧伤图像来提高图像识别准确率,设计一种基于迁移学习的钛合金烧伤图像识别方法.利用该方法将经过ImageNet数据集训练的GoogLeNet和ResNet50网络模型保留卷积层及其对应权重参数作为特征提取器,分别与设计的特征识别网络建立连接,形成烧伤图像识别网络.在自制钛合金烧伤图像数据集上对网络模型进...     

基于注意力交互的可见光红外跟踪算法

在可见光红外跟踪（RGB and Thermal Infrared Tracking,RGB-T）的研究中,为了在常规跟踪算法的基础上实现两个模态的有效融合,基于注意力机制提出了一种基于注意力交互的RGB-T跟踪算法。该算法引入注意力机制对可见光和红外两种模态的图像特征进行增强和融合,设计了自特征增强编码器对单一模态的特征进行增强,设计了互特征解码器对两个模态增强后的特征进行交互融合。编码器和解码器均采用两层注意力模块。为了减小算法模型的复杂度,对传统注意力模块进行简化,将全连接层改为1×1卷积。此外,该算法对多个卷积层的特征均进行分层融合,以充分挖掘各层卷积特征中的细节和语义信息。在GTOT,RGBT234和LasHeR三个数据集上进行对比测试。实验结果表明,所提算法性能优异,特别是在RGBT234和LasHeR这两个大规模数据集上取得了最优的跟踪结果,验证了注意力机制在RGB-T跟踪中的有效性。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于深度学习的光场加密图像恢复技术

光场技术可以将图像加密从二维提升到三维,加强加密的安全性。采用重聚焦算法实现图像解密时会引入图像间的干扰。以深度学习技术为框架,分析图像干扰的规律性,构造模拟光场数据集,创建了一个7层的全卷积神经网络,以模拟光场数据集作为输入,原图作为标签,训练一个全卷积神经网络,将真实光场解密图像输入得到结果。实验结果表明,利用全卷积神经网络可以有效改善光场解密图像的干扰问题,改善解密后的图像质量。     

基于多尺度特征融合的遥感图像场景分类

为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。     

基于深度学习的人工智能设计决策模型

为了消除设计决策者决策偏好对产品开发的影响,进一步提升设计决策效率,提出了ResNet人工智能设计决策模型。该模型基于人工智能思想,构建了基于产品造型语义的设计历史方案数据集,并对该数据集进行了产品造型语义标注。通过深度残差学习网络算法(ResNet)对数据集进行不断训练来提高设计决策的准确度,将一般设计决策问题转化为设计方案图像的语义识别问题,最大限度地消除了决策者决策偏好的影响。通过起重机造型设计决策实例,验证了ResNet人工智能设计决策算法的有效性和可行性。     

基于注意力机制胶囊神经网络的轴承故障诊断

为了解决在滚动轴承故障诊断中故障样本数量少、信噪比低导致的诊断精度低问题,提出一种基于注意力机制胶囊神经网络的轴承故障诊断方法。这一方法采用经验模态分解方法对信号进行分解,得到多个本征模函数。对分解的信号进行通道融合,结合卷积注意力模块,获取敏感特征参数。通过两层卷积层进行特征提取,传入胶囊层,进行诊断分析。为了检验这一轴承故障诊断方法的可行性和准确率,采用凯斯西储大学公开的轴承数据集进行对比试验。结果表明,基于注意力机制胶囊神经网络的轴承故障诊断方法在数据样本数量少、信噪比低的情况下,相比传统方法具有更高的准确率。     

基于关键帧的轻量化行为识别方法研究

针对目前双流卷积神经网络通常使用堆叠RGB帧和光流图分别提取视频的表观信息和运动信息,存在信息冗余和计算复杂度高的问题,基于时域分割网络提出了一种结合光流图、差分图像和并行卷积神经网络的行为识别算法。首先通过分析行为视频中存在的运动模糊现象,设计了一种基于图像特征量的关键帧选取算法,同时构建了一个包含表观信息流和运动信息流的改进时域分割网络,将关键帧RGB图像、非关键帧光流图像和差分图像并行地输入特征提取网络计算分类得分,最后将关键帧与非关键帧的行为类别得分进行平均融合后输入SoftMax层得到视频类别概率。为进一步降低算法的参数量和计算复杂度,设计了一种轻量化卷积神经网络作为特征提取网络。本文算法在UCF101数据集的识别准确率为94.7%,在HMDB51数据集的识别准确率为69.3%,推理速度相比于时域分割网络快了45.3%。实验结果表明,该算法能够高效利用视频的表观信息和运动信息,且具有较高的行为识别准确率。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。