一种基于卷积神经网络的性别识别方法

采用人工智能进行性别识别时,人脸图像在获取的时候容易受到光照、遮挡等影响,这些因素给人脸性别识别带来了困难。采用卷积神经网络用于性别识别,并通过扩展网络结构,进一步增强卷积神经网络的分类能力。并且对识别效果进行置信度分析,通过设置卷积神经网络的拒识区域来解决拒绝区间的问题。在实际测试中,通过拒绝7.46%的测试样本,达到98.67%的正确识别率。     

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法.首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块;其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征;最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型.实验表明,提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别.     

基于人工智能的图像自动渲染方法研究

针对传统图像渲染方法费时、复杂,无法满足现代设计应用场景的问题,利用人工智能技术中的卷积神经网络进行了图像自动渲染的研究.图像自动渲染算法主要分为两个部分:素材图像的特征提取与虚拟视图的渲染.通过卷积神经网络识别场景中图像的位移、缩放与其他形式扭曲不变性的二维图形轮廓,进而构建特征表征网络,用以提取图像特征并使之融合....     

基于卷积神经网络的智能车牌识别研究

智能化交通管理是未来发展的大方向.车牌识别便于人们对车辆进行管理,对车牌的智能高效识别日趋迫切.人工智能技术不断发展,在各行各业都得到了广泛的应用.为此,采用卷积神经网络的方法对车牌进行智能识别,以提高车牌识别的效率和速度.试验结果证明,所提出的算法在车牌识别中性能良好,具有良好的应用和推广价值.     

微透镜阵列光学实现卷积运算

卷积作为一种简单的线性平移不变运算,被广泛应用于图像处理的各个领域,其衍生出的卷积神经网络更是在人工智能领域中大放异彩。为了应对后摩尔时代AI推理芯片算力受限的问题,光学神经网络应运而生。光学卷积神经网络作为其中一个重要的研究热点对光学神经网络的发展起到了重要的推动作用。设计了一种光学卷积系统,基于微透镜阵列与透镜组成的匀光光路对光场所携带的图像做二维卷积,该系统可以光学实现图像平滑和锐化。当使用空间光调制器来投影卷积核和输入图像时,系统可以实现各种步长的三种卷积形式,也可以通过多次投影/平铺实现多通道的三维卷积,进而为实现光学卷积神经网络用于复杂的图像处理任务奠定基础。     

卷积神经网络（CNN）训练中卷积核初始化方法研究

本文提出了一种基于样本图像局部模式聚类的卷积核初始化方法,该方法可用于卷积神经网络（Convolutional neural network, CNN）训练中卷积核的初始化。在卷积神经网络中,卷积核的主要作用可看成是利用匹配滤波提取图像中的局部模式,并将其作为后续图像目标识别的特征。为此本文在图像训练集中选取一部分典型的样本图像,在这些图像中抽取与卷积核相同大小的子图作为图像局部模式矢量集合。首先对局部模式子图集合应用拓扑特性进行粗分类,然后对粗分类后的每一子类采用势函数聚类的方法获取样本图像中的典型局部模式子图,构成候选子图模式集,用它们作为CNN的初始卷积核进行训练。实验结果表明,本文方法可以明显加速CNN网络训练初期的收敛速度,同时对最终训练后的网络识别精度也有一定程度的提高。      

基于稀疏卷积核的卷积神经网络研究及其应用

针对卷积神经网络训练图像数据时,其学习到的卷积核是杂乱无章,没有规则的,提出了基于稀疏卷积核的卷积神经网络算法。该方法通过对平方误差代价函数加入稀疏约束项,在反向传播中修正卷积核时,使其学习到的部分卷积核近似于一阶微分梯度算子,即学习到的卷积核中部分值是0或者趋于0,可更好地来提取图像边缘特征。通过对手语图像数据及车牌图像数据进行训练的实验结果显示,其学习到的部分卷积核具有近似一阶微分的模板形式;并且相对经典卷积神经网络,该算法的识别正确率有所提高。     

基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。     

基于CNN的车辆目标检测与车型分类研究

车辆检测与分类是智能交通系统的重要任务.解决这些任务的传统方法由于受到车辆图像视角受限的影响从而导致粗粒度的识别结果.近年来深度学习成功应用于图像分类任务,并受其最新成果的启发,本文提出了一种基于卷积神经网络的车辆检测与分类方法,该方法包括车辆区域检测和车型分类两部分.在检测和分类实验中,我们详细对比分析几种典型的网络...     

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Ai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Bi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。