基于递进卷积神经网络的台标识别及其并行化

针对台标的视觉特征,提出一种基于递进卷积神经网络的台标识别算法.该网络不仅有对图像特征进行隐性提取的卷积层和采样层,还包括识别常规台标的泛化模块和识别偏差台标的特异模块.针对串行卷积神经网络训练耗时长的缺点,提出基于Spark的并行递进卷积神经网络算法,采用数据共享及批处理方式对算法模型进行并行化处理.实验证明,递进卷积神经网络算法对台标进行识别能达到98％的正确率,多节点并行化卷积神经网络相比于单节点模型能有效缩短80％以上训练所需的时间.     

数字图像识别的代价函数选择和性能评价

针对传统二次代价函数在卷积神经网络训练过程中图像识别准确率不高的问题,提出基于交叉熵代价函数的卷积神经网络算法。经数学推导,证明交叉熵代价函数较二次代价函数在图像识别中精度更高,并应用MNIST数据集和CIFAR-10数据集,使用AlexNet卷积神经网络,分别采用二次代价函数和交叉熵代价函数对图像识别模型进行训练,当数字图像识别精确率和损失值稳定后,使用测试数据对代价函数进行多次测试,对比识别准确率。仿真结果表明,此方法不仅能提高数字图像识别的准确率,而且相较于传统的代价函数,训练模型速度更快,明显缩减了训练深度神经网络模型的过程。     

基于卷积神经网络的档案分类与识别技术

文中基于卷积神经网络,研究了档案分类与识别技术,旨在提高档案管理的效率和准确性。首先,介绍了卷积神经网络在图像分类任务中的应用,总结了现有研究的主要成果。然后,阐述了档案分类与识别的概念,详细介绍了卷积神经网络的基本原理和特点。接着,提出了基于卷积神经网络的档案分类与识别技术的基本流程,包括数据预处理、特征提取、分类归档等步骤。最后,详细讨论了数据采集、数据预处理、模型设计、模型训练、模型测试、结果分析等关键环节。     

基于改进LeNet-5模型的手写数字识别

在卷积神经网络的基础上改进了LeNet-5模型,建立了更适合于手写数字识别的神经网络模型,并对改进后的模型及网络训练识别过程进行了详细介绍。将改进后的模型用MNIST字符数据库进行验证,分析了不同卷积层特征图数量、每批次训练数等参数对最终识别性能的影响,并与几种常用识别方法进行比对。通过结果可看出,改进后的新型网络结构简单,识别度高,识别速度快,具有鲁棒性好,泛化能力强等优点。说明改进后的神经网络模型对手手写数字具有很好的识别性能,能满足实际应用需求。     

一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。     

室外监控下特定目标人员的判别

城市流动人口激增,给城市社区的治安和犯罪的治理带来一个新的挑战。为了更好在监控视频中识别目标嫌疑人员,利用深度学习的方法对目标进行判别。基于卷积神经网络的深度学习是主流方法,包含人脸检测和人脸辨识两个步骤。对图片采用卷积神经网络进行训练,得到模型参数,然后根据区域卷积神经网络在监控中判别出目标。具体采用卷积层、激活层、池化层、全连接层联合的深度学习方法,结果显示,该方法具有不错的效果,识别精度可以达到90%以上。     

基于Faster-RCNN的极验点选式验证码识别

针对传统方法难以识别极验点选式验证码的问题,文中提出一种基于Faster-RCNN目标检测模型和卷积神经网络的识别方法。通过简化的RPN提高Faster-RCNN对于背景图片文本定位的精度,再设计卷积神经网络对文本进行分类识别,并训练Tesseract-OCR识别库对信息提示文本进行识别,实现背景图片文本识别结果与信息提示文本识别结果一一对应,达到识别此类验证码的目的。实验结果表明,该方法识别此类验证码的准确率达到72.4%。     

基于AE-CNN的手势识别算法的探讨及实现

近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

基于TensorFlow的图像识别水果秤设计与实现

为了解决传统水果秤称重、支付方式的不足,在Jetson Nano平台驱动CSI摄像头进行实时图像检测,通过基于TensorFlow搭建的卷积神经网络模型完成水果识别,从而实现水果的自动称重计价播报.通过语音交互的方式了解用户的购买需求后,根据计价结果显示二维码进行扫码支付,整个购买过程无须售货员介入,并且实现了无接触购...     

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。     

基于卷积神经网络SLeNet_5的车牌识别方法

针对卷积神经网络Le Net_5用于车牌识别中存在输出层类别过少、层数过多及训练难度大等问题,构建了一种简化卷积神经网络模型(SLe Net_5),给出了其网络拓扑结构,并通过随机对角LM算法进行训练,使用其对分割后的字符进行识别。与模板匹配和BP神经网络等方法相比,所提方法具有较高的识别率。与其他CNN网络识别率相当,但具有结构简单,以及更快的识别速度等优点。     

基于卷积神经网络DL算法的文字图像识别研究

为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提...     

基于卷积神经网络和微动特征的人体步态识别技术

重要军事设施、交通枢纽、保密机构等场所存在安全隐患,保证这些场所安全是人们面临的严峻问题,因此对人体目标进行身份认证和识别具有重要意义。针对敏感场所内的人体目标身份认证问题,提出了一种基于卷积神经网络和微动特征的身份认证方法。在数据样本较小的情况下,模型训练容易“过拟合”。运用迁移学习的思想,首先用MNIST数据集预训练得到卷积神经网络分类模型,使模型具有抽象特征能力;然后再用人体微动数据集训练模型的分类器以用于分类识别。实验结果表明,该方法在走路样本测试集上达到了较高的识别率。      

基于SWCNN和双向LSTM的文本情感特征分析方法

针对文本句子中语义角色重叠、高维度文本词向量训练中难以收敛等问题,将情感词标签与卷积神经网络相结合,采用结合情感词的卷积神经网络算法,将词语转为情感标签后与词向量拼接再输入卷积神经网络,将输出的特征再与双向长短期记忆神经网络所获取的特征进行融合,最后通过全连接网络输出情感分类结果。实验结果表明,在微博新冠疫情评论情绪数据集上,本研究所提出的算法模型文本情感特征识别精确度达到89.23%,比其他深度学习算法在准确率上至少提高1.95%,而且训练具有更快的收敛速度,能够为文本情感识别提供一种新的思路与方法。     

基于卷积神经网络的视频行为识别技术应用

为提高视频行为识别技术在实际应用中性能,本研究基于卷积神经网络算法,对视频行为识别进行了深入研究分析。通过引入多层卷积、池化操作及结合注意力机制和多模态融合等技术手段,设计了基于卷积神经网络的视频行为识别模型,并通过损失函数与算法选择、模型优化与改进来完善模型视频行为识别能力。通过在MATLAB仿真软件中进行实验测试,结果表明,本视频行为识别模型在各项指标上表现出了良好性能与鲁棒性,具有较强的应用价值。研究结果可为视频行为识别领域研究带来新进展。     

基于卷积神经网络的人脸识别研究

人工智能的发展极大地方便了人们的生活,现代社会中,刷脸解锁、刷脸支付等通过识别人面部信息确定人的身份的现象已遍布各个领域。人脸识别的应用十分广泛,未来仍有广阔的发展前景。文章基于卷积神经网络对人脸识别进行研究,首先分析了卷积神经网络(Convolutional Neural Network,CNN)模型能够快速准确进行人面部表情识别的原理,即由于CNN的卷积层和池化层起到了滤波作用,将输入的图片进行特征提取并进行压缩,减轻了CNN运算的负担,提高了运算速度;接下来通过将K近邻法和BP神经网络框架模型与CNN模型作比较,实验证明了CNN模型在进行人面部表情识别过程中的准确度最高、速度最快。因此,CNN模型训练在人面部表情识别系统中具有较高的应用价值。     

基于神经网络的语音信号识别与分类

针对基于深度神经网络的端对端的语音识别技术展开研究,通过深度全序列卷积神经网络（DFCNN）声学模型和Transformer语言模型搭建一种端对端的语音识别系统。该系统完成对模型及数据的训练,实现对多字符中文语音的识别,并对隐马尔可夫语音识别方法和深度神经网络下的语音识别方法的系统搭建难度、原理差异和识别精确度进行对比研究。仿真结果表明,所提方法能够实现对连续多字符中文语音的有效识别,识别正确率在90%以上。     

基于卷积神经网络的单机空战威胁评估

针对传统的空战威胁评估方法处理单机空战数据时难以兼顾准确率和实时性等问题,文中提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）的空战威胁评估模型。基于作战任务背景对空战要素进行分析,提取主要威胁指标;构建威胁指数函数公式,以威胁要素为输入,输出威胁值,将威胁值量化后生成训练样本数据,利用卷积神经网络模型进行训练。仿真结果表明,该模型在具有实时性、满足实战要求的前提下,同时兼具较高的准确率,三种敌机威胁等级的识别准确率达98.50%。     

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题,提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构,采用单图形处理单元（Graphics Processing Unit,GPU）进行训练,减少了两层卷积层和一层全连接层,在每层卷积层后加上批标准化（Batch Normalization,BN）代替原来的局部归一化,并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比,改进的网络结构更简单、复杂度低、参数量少,可以节省大量模型训练时间进行快速预测,且更不易过拟合,同时加快了模型收敛速度,提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验,结果表明,所提方法分别得到了68.85%和97.46%的识别率,较其他人脸表情识别方法的识别率有一定提高。