基于卷积神经网络的图像识别教学实验

图像识别是"图像处理"教学中的重要内容.本文在Linux环境下使用iTorch notebook可视化界面利用卷积神经网络实现mnist手写数字体的准确识别,并详细介绍卷积神经网络的原理,给出直观的实验结果.教学实践表明,通过具有应用性和趣味性的实验可以提高学生的积极性,加深对课程理论的认知,培养其分析问题和解决问题的能力.     

基于TensorFlow卷积神经网络的图像识别

TensorFlow是Google公司发布的开源人工智能深度学习框架,卷积神经网络是进行图像识别的一种有效方法。本文在研究Tensorflow深度学习框架以及卷积神经网络的基础上,利用keras官方下载的cifar数据集,采用LeNet-5算法对数据进行了处理、建模、训练、并对模型进行了评估以及保存,利用测试集完成测试后,不同图像识别的准确率有所不同,青蛙识别的准确率最高,为79%,汽车的识别准确率为78%,猫和狗的识别准确率最低,分别为41%和53%,所有图像识别的平均准确率为65%。     

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。     

基于卷积神经网络的图像识别算法研究

针对深度学习下的图像识别技术,研究了图像识别和卷积神经网络的工作原理。分析了AlexNet模型、ResNet模型、MobileNet模型的卷积神经网络模型,以及三种算法模型的各自特点,实现了深度学习环境的搭建,通过实验对比三个模型的分类准确率和训练效率,为深度学习下的图像识别算法研究提供参考。     

基于卷积神经网络的球鞋鉴定方法

卷积神经网络是深度学习模型中最常用的网络模型之一,它已在图像处理、语音识别等领域展现了良好的性能。考虑到卷积神经网络模型简单、参数量少且适应性强,在研究卷积神经网络的基础上,提出了一种球鞋真伪鉴定方法。所提方法通过卷积神经网络自动地学习不同品牌球鞋图像的特征并进行鉴定,将采集多视角的球鞋图像构建数据集,并将提出的方法在构建的数据集上进行训练和测试,然后将训练好的模型对用户输入的球鞋图像进行特征提取和识别,进而输出鉴定结果。实验验证了所提方法的有效性,可以让用户以较低的成本方便快捷地判断购买球鞋的真伪,可实现从销售源头检测仿冒球鞋和在销售终端快速响应消费者的鉴定需求,有效地解决当前球鞋仿冒问题。     

基于汇聚级联卷积神经网络的旋转人脸检测方法

针对大规模姿态变化和大角度人脸平面旋转(Rotation-in-Plane, RIP)等复杂条件下,多尺度旋转人脸检测精度低的问题,提出了一种基于汇聚级联卷积神经网络(Convolutional Neural Networks, CNN)的旋转人脸检测方法。采用由粗到精的级联策略,在主网络SSD的多个特征层上汇聚级联了多个浅层的卷积神经网络,逐步完成人脸/非人脸检测、人脸边界框位置更新和人脸RIP角度估计。该方法在Rotate FDDB和Rotate Sub-WIDER FACE数据集上取得了较好的检测效果。在Rotate Sub-WIDER FACE数据集出现100次误报时的检测精度为87.1%,速度为45 FPS,证明该方法可在低时间损耗下完成精确的旋转人脸检测。     

基于并行双域级联卷积网络的磁共振图像重建

本文受深度学习自动学习特点的启发,提出了一种并行双域级联卷积神经网络来加速图像重建。与单域数据处理不同,该方法并行处理频域和图像域的数据,从不同域提取的特征相互融合后作为下一个级联网络的输入。损失函数由三部分组成:图像域损失、频域损失和感知损失。不同采样策略的实验表明,该方法在图像重建质量上优于其他先进的基于压缩感知的重建方法。     

基于卷积神经网络的葡萄病毒病的图像识别

葡萄在世界历史上源远流长,科技的发展与人口的流动让葡萄的种植范围不断扩大,位居世界首位,这其中也带来了许多问题,例如葡萄病毒病.提前发现病害可以扭转葡萄产量下降趋势.针对人们肉眼判断准确率低的问题,文章提出了基于CNN的葡萄病毒病的图像识别模型,网络包含一个输入层、四个卷积层、四个池化层、两个全连接层和一个输出层,对于...     

基于卷积神经网络的电力通信网络故障诊断

针对电力通信网络故障诊断在噪声条件下性能不佳的问题,提出了一种基于卷积神经网络的故障诊断方法。该方法以卷积神经网络为基本架构,基于Inception模块设计了多尺度特征提取架构,实现故障信息的最大化提取;引入注意力机制,提升特征提取的针对性;构建了含有跳跃连接的卷积结构,有效利用了前后层数据的相关性。实验结果表明,该方法能够有效实现电力通信网络故障诊断,具有较好的抗噪声,且诊断结果稳定性较高。     

基于卷积神经网络的室内低照度图像增强

针对现有的低照度图像增强算法复杂度过高,文章基于卷积神经网络,对比已有的MSRCR算法,进行改进,从而弥补MSRCR算法的不足(如不具有自适应性,设计参数过多)。本文将图像转换到HSI空间,提取出其亮度分量I,将该分量输入到卷积神经网络中,获得增强后的亮度分量I,再将其转回到RGB空间。本文所使用的所有训练集均为室内无光照图片,图片具有亮度均匀、整体亮度偏暗的特点。在处理这一图片时,本文算法结果图像有更好的峰值信噪比和彩色图像信息熵,拥有更好的视觉效果。     

基于特征级联卷积网络的双目立体匹配

针对图像序列病态区域匹配歧义性以及稠密视差图连通性的问题,本文提出一种基于特征级联卷积神经网络的双目立体匹配计算方法.构造特征重用的全卷积密集块,利用"跳连接"机制将浅层提取的特征图级联到后续子层,对深层卷积丢失的局部特征信息进行补偿.引入指示函数划分一定大小的训练集,将其批量输入特征级联卷积网络模型进行前向传播,同时...     

基于卷积神经网络的高通量蓝相液晶识别

随着液晶显示技术的发展,蓝相液晶由于存在诸多优点而进入研究人员的视野,并吸引着人们的持续关注,但是其在研究和实用过程中存在许多困难,例如蓝相只在很窄的温度区间内存在,所以对于蓝相液晶的快速识别和蓝相存在温度区间的快速计算就显得格外重要。本文通过机器学习算法训练得到模型,结合Labview软件可以实现液晶相态的快速识别和蓝相温域的快速读取计算,在实验过程中对159840张样品点相态图像的整体识别准确率在93%以上。本文研究结果可以更高效识别蓝相和计算蓝相温域,更快速筛选合适的蓝相液晶配方,从而提高实验研究效率,推动蓝相液晶早日应用于显示器件。     

一种基于卷积神经网络的人脸识别改进算法

针对目前图像特征点人脸识别算法匹配精度低等缺点,提出了一种基于卷积神经网络的人脸识别算法。该算法采用传统算法算子融合卷积神经网络进行识别,首先采用局部感受野的思想,将整体图像进行分割,得到局部图像集合,并将该集合中每个局部图像像素存储在像素矩阵Ai中。然后对各个局部图像进行卷积运算,得到局部图像之间的内在特征联系,存储于Bi矩阵中,并池化进行特征映射。最后,训练出网络加权系数并求出识别结果。实验结果表明,相比其他算法,所提算法改善了原有算法图像特征点匹配精度低的问题,验证了所提算法的有效性。     

B细胞免疫的卷积神经网络级联故障诊断

针对故障诊断中特征提取不充分和复杂性,对未知故障无法学习,诊断模型自适应能力差的问题,提出一种B细胞免疫卷积神经网络的级联故障诊断模型。在检测阶段用并行的卷积神经网络对时间窗内振动信号的时域波形和频域波形分别进行特征提取,通过分类器对故障进行识别,对诊断结果进行可靠性评估;然后根据评估结果决定后续免疫过程;在遇见未知故障类型时,把卷积神经网络提取到的特征映射为抗原,通过B细胞算法对抗原进行学习,把生成的新检测器放入未知故障知识库中,完成未知故障的学习和识别。文中采用美国凯斯西储大学公布的轴承数据集,实验结果表明,提出的B细胞免疫卷积神经网络对已知故障识别准确率高于基于特征提取的相关技术,其检测准确率提高了4.86%左右,而且能够很好地学习和识别未知故障,自适应动态变化的环境。     

基于卷积神经网络的网络隐写分析方法研究

针对现有网络隐写分析算法特征提取难度大、算法适用范围单一的问题,文章提出了一种基于卷积神经网络的网络隐写分析方法。对网络数据流进行预处理,将所有数据包处理成大小相同的矩阵,最大限度地保留数据特征完整性;使用异构卷积进行特征提取,减少模型计算量及参数数量,加快模型收敛速度;取消池化层,提高模型训练效率。与传统网络隐写分析方法相比,模型能够自动提取数据特征,识别多种网络隐写算法。     

基于并行卷积核交叉模块的卷积神经网络设计

针对卷积神经网络结构单一,模块中卷积核使用单一,网络特征提取不充分导致图片分类准确度不够,以及模型大的问题,提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组,每一组采用不同数量、不同大小的卷积核进行特征提取,然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比,在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明,该文设计的网络结构性能优越,且网络模型较小。     

基于卷积神经网络的网络入侵检测技术

随着互联网的发展,网络安全问题是互联网发展所面临的一个严峻挑战,网络入侵检测技术成为其中需要重点关注的问题.特别是随着攻击手段的进一步多样化和数据维度的不断增加,传统的机器学习算法已不能满足目前网络入侵检测系统的要求.卷积神经网络(CNN)具有强大的特征提取能力和数据分析能力,可以提高网络入侵检测的准确性和时效性.因此将CNN应用到网络入侵检测技术中,并通过交叉熵损失函数达到提升检测准确率的目的.首先,对公开数据集进行预处理;然后,构建CNN模型获取分类预测结果;最后,计算模型评价指标,并不断调整CNN模型,直到模型评价指标达到期望值.     

基于卷积神经网络的超声红外热图像分类

在超声红外热像技术应用中,从红外热图像来判断被测对象是否含有裂纹,通常需要先基于人工经验,从红外热图像中提取特征再采用某种模式识别方法进行分类,裂纹的识别与定位过程繁琐且识别率较低.为此,提出一种基于卷积神经网络技术的超声红外热图像裂纹检测与识别方法,其特点是可以直接从超声红外图像中学习特征进而实现是否含有裂纹红外热图...