基于深度学习的室内视觉位置识别技术

视觉位置识别技术通过将地点图像与数据库中的图像集进行匹配,根据配对图像标签中的位置信息得到定位结果。现有的视觉位置识别网络都是为了应对室外场景而构建和训练的,在室内场景中的识别性能较差。文中提出了一种基于深度学习的室内视觉位置识别卷积神经网络架构,并在室内场景识别数据集上对网络进行了训练,然后在本地室内数据集上对网络参数进行进一步的微调,较好地解决了室内环境中的位置识别问题。和现有的其它视觉位置识别网络相比,文中训练的网络在实际室内环境测试中最大有30%的识别精度提升。     

深度学习结构优化的图像情感分类

自然图像情感分类在分析用户需求、监控网络舆情等方面具有重要意义。然而基于深度学习的分类算法存在训练过程难以控制、分类结果缺乏解释的问题。为此提出一种人类知识驱动的深度学习结构优化算法。首先通过特征可视化显示卷积神经网络提取的情感特征;其次结合人类对图像情感可视化结果的感知来优化网络结构,利用人类知识驱动网络,重点学习情感信息更明显的特征;最后对所构建网络的参数进行微调,使其更适用于自然图像情感分类任务。在Twitter情感图像数据集上与其他分类方法的对比实验表明,所提出的算法获得了88.1%的分类准确率,优于其他方法。消融实验证明网络优化结果比未优化提高了8.1%。类激活图、空间位置和神经元组特征可视化直观解释了模型运作的过程与原因,进一步证实算法识别自然图像情感的能力。     

基于深度神经网络的花朵图像识别及分类

针对深度学习中图像识别模型的训练需要大量的数据集,同时由于受花朵的花期影响,短时间内难以收集到足够用于训练的样本问题,提出一种基于深度神经网络迁移学习的花朵识别分类的方法,达到在少量数据情况下完成模型训练的效果.首先将收集的花朵数据集图像进行随机剪裁和归一化处理;其次在ResNet34(residual neural ...     

一种新的基于Grassmann流形度量的手写体数字识别方法

针对现有手写数字识别难以处理几何变换下的识别难题,提出一种新的基于Grassmann流形度量的手写体数字识别方法。在分析不同几何变换下的手写数字字符所构成的非线性流形空间结构基础上,定义了Grassmann流形及其距离度量,并通过计算待识别数字字符与训练字符集合构成的Grassmann流形距离实现手写数字字符的分类识别。通过在MNIST数据库上的实验,证明该算法具有较好的实时性和鲁棒性,在对数字的识别率、稳定性、计算效率上显著优于现有基于切距离的手写数字识别算法,在识别率、稳定性上较现有基于欧氏距离的算法有较大的提高。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

基于自我监督预处理的食物图像分类

随着社交网络的快速发展,人们通常会上传、分享和记录食物图片,因此食物图像分类的应用价值也越来越大,对食品推荐、营养搭配、烹饪文化等方面都产生了积极的影响.尽管食物图像分类有着巨大的应用潜力,但从图像中识别食物仍然是一项具有挑战性的任务.为了解决食物的细粒度识别问题,本文提出了一种基于自我监督预处理的食物图像分类模型,通过自我监督的学习方式更高程度地学习食物图像特征.该模型在基于密集连接网络的食物图像分类模型DenseFood基础上搭建,采用上下文恢复的自我监督策略,将训练好的网络权重用于初始化DenseFood模型,训练微调完成分类任务.上下文恢复的自我监督策略和密集连接网络都是专注于图像特征的提取,同时结合两者,充分学习食物图像特征,来达到更好的食物图像分类精确度.为了进行性能比较,使用VIREO-172数据集对基于自我监督预处理的食物图像分类模型、未预处理的食物图像分类模型DenseFood以及基于ImageNet数据集训练预处理的DenseNet、ResNet这四个模型进行训练.实验结果表明,本文提出的食物图像分类模型优于其他策略.     

基于Xception与迁移学习的中药饮片图像识别研究

为实现对常用60种中药饮片图像的精准快速识别,构建13 088张常见中药饮片图像数据集,采用迁移学习的方式,以深度学习算法中Xception卷积神经网络模型为基准,对饮片图像进行训练与识别。模型训练的初始学习率设置为0.01,优化器中设置Nesterov动量超参数为0.9,训练次数为100轮,得到在训练集上的分类准确率达到100%,验证集准确率为97.42%,测试集准确率为97.26%,最后结合混淆矩阵这一指标对模型的识别能力进行评估分析。该模型与传统依靠提取中药饮片图像特征的机器学习算法相比,分类效果更好,泛化能力更强。     

基于主动学习的图像分类技术：现状与未来

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法...     

基于注意力机制的多视图三维重建

针对多视图三维重建的过程中，存在难以准确、完整重建的问题，提出了一种基于深度学习的自适应通道注意力三维重建方法，能够处理具有不同尺度及不同分辨率的图像数据。该方法通过卷积神经网络对图片进行特征提取，利用注意力机制优化三维代价体正则化过程，并对网络进行训练。在DTU数据集上的实验结果表明，此网络的三维重建结果在完整性(Comp)和整体质量(Overall)分别达到了0.379 mm、0.414 mm,高于传统方法和其他基于深度学习的方法，同时，点云模型的可视化结果也有了明显改善。此外，在BlendedMVS数据集上的实验结果表明，此网络的准确性(Acc)也较好。     

一种单样本农作物病害识别方法

在农作物的种植过程中，防治农作物病害是农作物生产保收十分重要的一环。随着人工智能与深度学习技术快速发展，出现了许多农作物病害识别的算法，但是深度学习通常依赖于大量样本数据，针对少样本农作物病害识别问题的研究依然很少。面向某几种病害只有极少样本的情况，提出了一种单样本农作物病害识别方法，该方法基于孪生网络架构统一了对比学习、度量学习与传统有监督学习，设计出了一个度量模型，该模型在辅助数据集上预训练以获得对农作物病害图像之间的度量能力。验证结果表明，该模型在辅助数据上预训练后，可以在不需要进一步更新模型参数的情况下很好地泛化到只有单个样本的农作物病害识别任务。     

一种融合流形学习和深度学习的时变信道自动调制识别技术

自动调制识别在军事领域和民用领域都发挥了巨大作用。现有的大多数研究都是基于高斯白噪声信道,但是时变信道下的自动调制识别才更符合实际并且具有挑战性。该文针对时变信道提出了一种融合流形学习和深度学习的自动调制识别方法,第一次将格拉斯曼流形引入到信号的特征提取,通过将信号星座图建模到格拉斯曼流形上完成特征提取。分类网络由基于流形学习和深度学习的两部分组成,流形数据先经过流形学习网络进行降维,然后映射到平滑子空间,最后通过简单的卷积神经网络完成分类。实验结果表明,与传统的卷积神经网络相比该文所提出的方案具有良好的性能,同时为自动调制识别提供了新的解决思路。      

基于深度学习的航空对地小目标检测

针对航拍图像中对地小目标识别率低、定位效果差的问题,提出了一种基于深度学习的目标检测算法。该算法利用VGG16网络作为微调网络,并添加部分深层网络,通过提取目标浅层特征与深层特征进行联合训练,克服检测过程中定位与识别相互矛盾的问题。提出把奇异值分解技术应用于卷积特征压缩处理,降低模型的计算与存储需求,并且采用多尺度训练方法以适应航空目标尺度的变化。实验结果表明,在通用数据集PASCAL上可以实现0.76mAP,检测速度达16fps,在专用航空目标数据集UCAS-AOD上可以实现0.63mAP,检测速度达18fps。基本满足对小目标检测精确度的要求,并且检测速度可以接近实时检测效果。     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

基于深度学习的蓝牙射频指纹识别系统

蓝牙射频指纹具有难以伪造的优点，基于射频指纹的身份识别能有效提高网络的安全性。文中设计了一种基于深度学习网络的蓝牙射频指纹识别系统。首先，利用Hackrf One软件无线电平台和GNU Radio软件在蓝牙信号广播阶段采集多种蓝牙信标信号。其次，对蓝牙信号进行预处理，将预处理后的数据分为训练集与验证集。然后，使用MATLAB深度学习工具箱来设计长短期记忆网，利用训练数据集对各个网络进行训练，得到蓝牙射频指纹识别网络。最后，利用验证集对上述网络进行测试和分析。当迭代次数为300时，网络对3种蓝牙信标的射频指纹识别的准确率均达到80%以上。     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

基于深度学习的有遮挡人脸识别方法研究

针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络.该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化.文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD...     

深度复极限学习机在雷达HRRP目标识别中的应用

传统雷达高分辨一维距离像(High-resolution Range Profile,HRRP)目标识别方法只利用目标幅度信息而丢失其相位信息,这势必会造成信息不完备。为解决此问题,提出将深度极限学习机从实数域扩展到复数域,以有效提取复HRRP序列的深层潜在结构信息。同时为更好地保持数据间的邻域信息,将流形正则化引入到网络模型训练过程中,提出流形正则深度复极限学习机。在雷达暗室测量数据上的实验结果表明,所提算法相比常用的深度学习模型具有更好的识别效果和更快的训练速度,验证了算法的有效性。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。