排序方式: 共有18条查询结果,搜索用时 11 毫秒
1.
目的 目前的指纹分类模型存在操作繁琐、参数较多、所需数据规模大、无法充分利用指纹特征信息等问题,而进行快速准确的指纹分类在大型指纹识别系统中至关重要。方法 传统的机器学习方法大多假设已标注数据与未标注数据的分布是相同的,而迁移学习允许源空间、任务空间在测试集和训练集中的分布是不同的,并且迁移学习仅专注目标任务的训练,使得网络模型根据需求更具个性化。因此,本文提出一种基于迁移学习的轻量级指纹分类模型。该模型结合迁移学习,首先采用梯度估计的方法求取指纹图像的方向场图并且做增强处理;然后将扩展的指纹方向场图数据集用于本文提出的轻量级Finger-SqueezeNet的预训练,使其达到一定的分类效果,从而初步实现网络模型参数的调整;最后保留预训练模型部分的网络参数不变,使用指纹图像数据集NIST-DB4对Finger-SqueezeNet网络进行参数微调(fine tuning)。结果 在使用相同的指纹数据集在本文提出的纯网络模型进行分类训练后发现,未采用迁移学习方法对网络模型进行预训练得到的平均分类结果为93%,而通过预训练后的网络模型可以达到98.45%,最终采用单枚指纹测试的方法得到的测试结果达到95.73%。对比同种类型的方法以及验证标准后可知,本文的指纹分类模型在大幅度减少网络参数的同时仍能达到较高的准确率。结论 采用指纹类内迁移学习方法和轻量级神经网络相结合进行分类,适当利用了指纹特征信息,而且有望使指纹分类模型拓展到移动端。 相似文献
2.
3.
立体匹配是一个经典的计算机视觉问题。采用传统方法或卷积神经网络(CNN)方法的立体匹配,其精确度和实时性不能满足实际的在线应用。针对该问题,本文提出一种实时自适应的立体匹配网络算法,通过引入一种新的轻量级的、有效的结构模块自适应立体匹配网络(Modularly Adaptive Stereo Network,MASNet),在网络中嵌入无监督损失模块和残差细分模块,使立体匹配的准确性和实时性得到提高。实验结果表明,本文方法相比具有相似复杂度的模型,精确度更高,并且能以平均约25帧每秒的处理速度达到在线使用的要求。 相似文献
4.
针对当前U-Net网络模型以及相关卷积网络在脊椎分割中分割边缘精度低,对目标的识别率低等问题,提出几种改进的语义分割网络模型。考虑到脊椎MRI图像中目标区域连续且集中,并存在复数微小区域,边缘特征丰富,运用新型卷积块替换标准卷积结构,利用多路径思想,融入复数编解码器结构,降低运算复杂度,提升边缘特征提取力度,应对不同的特征提取问题。模型在SpineWeb的High anisotropy MRIs of the lower back数据集2 000张脊椎图像上做实验,运用训练好的模型对同组脊椎MRI图像作预测。实验结果显示,网络模型的预测结果与提供的真值标签在Dice系数以及Precision系数等几项评价指标上分别达到0.891和0.894。 相似文献
5.
6.
提出了一个基于ARM CortexTM-M3内核微控制器LM3S8962的静脉输液滴速控制系统;在简要介绍系统结构的基础上,重点阐述了由光电传感器和斯密特触发器构成的滴速反馈环节,根据物理光学理论和示波器波形指出在检测到液滴落下时,光电传感器会输出双波峰形信号,并针对系统中的非线性与延迟等问题设计了合适的控制算法,实验结果表明了该方案的控制性能优异。 相似文献
7.
8.
使用稀疏加权平均脸及对称脸解决单样本问题 总被引:1,自引:0,他引:1
在人脸识别中,传统有效的鉴别分析方法需要更多样本评估类内散度信息。由于人脸的单样本问题,导致某些经典的方法如 Fisherface 和 Eigenface 等失效,解决的方法通常是生成各种虚拟样本来扩充训练集以实施这些算法。针对这个问题,根据人脸的对称相似理论,人脸样本的相关变化信息可以从它的对称脸上提取,提出组合原始训练样本及它的虚拟平均脸、对称脸作为训练样本集,应用稀疏理论进行加权积分融合,分两步进行识别的方法,并在 ORL 和 FERET 人脸数据库做了对比实验。实验结果表明,该方法比现有一些突出效果人脸识别方法更好,并具有一定的鲁棒性。 相似文献
9.
10.
骨盆CT影像精确分割是骨盆骨疾病的临床诊断和手术规划中非常重要的环节。针对目前2D骨盆分割方法对三维医学影像进行切片处理时损失空间信息的问题,提出了改进3D U-Net网络实现对骨盆CT影像3D自动分割。实验数据为公开数据集CTPelvic1K共1 184名患者骨盆CT影像,其中包含骶骨、左髋骨、右髋骨和腰椎四个部位标签。以3D U-Net骨干网络为基础,结合自注意力机制提出3D多类分割模型3D Trans U-Net,并使用迁移学习训练3D U-Net、V-Net、Attention U-Net作为对照实验。实验结果表明:3D Trans U-Net在测试集上整个骨盆区域、骶骨、左髋骨、右髋骨、腰椎Dice系数分别达到97.99%,96.70%,97.96%,97.95%,96.89%;Dice系数、豪斯多夫距离等评价指标均优于现有经典网络3D U-Net、V-Net、Attention U-Net。因此,改进的3D Trans U-Net对骨盆不同部位具有较好的分割效果,为精准医治骨盆骨疾病提供了一条有效的技术途径。 相似文献