共查询到20条相似文献，搜索用时 421 毫秒
1.
陈瑞瑞 《河南职业技术师范学院学报(职业教育版)》2018,(4)
针对传统的图像分类算法忽略图像多个对象之间的关系,同时存在人类感知高层语义信息和底层图像特征表达之间的障碍等不足,引入了基于深度卷积神经网络的人脸图像识别算法.该算法借助于深度学习,对经典的卷积神经网络分别从内部结构和网络框架上进行优化和改进,通过增加网络结构深度和优化训练模型提取出图像高层语义特征,继而提高图像分类的精确度.实验表明,改进后的深度卷积神经网络分类算法具有良好的有效性和鲁棒性. 相似文献
2.
卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。 相似文献
3.
提出了一种基于生成器网络的遥感图像超分辨率方法。该方法对网络的权重随机初始化,无需使用数据集进行预训练。输入待修复的低分辨率图像,通过迭代训练网络,生成网络输出边缘更为清晰的超分辨率图像。对遥感图像上复杂纹理的修复也达到了更清晰的预期效果。实验结果表明,生成网络能在遥感图像超分辨率上达到经过大量数据集训练的卷积神经网络相似甚至更好的表现。 相似文献
4.
图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。 相似文献
5.
图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节。伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法。卷积神经网络（CNN）与全卷积神经网络（FCN）的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升。从传统语义分割方法、深度学习与传统方法相结合的图像语义分割、基于深度学习的语义分割3个方面阐述图像语义分割技术研究进展,为基于深度学习的图像语义分割技术研究提供参考。 相似文献
6.
结合现有基于卷积神经网络的图像分类算法,以CIFAR-10作为数据集,探究如何快速搭建一个满足分类精度要求的卷积神经网络模型,以及如何有目的且高效地进行网络训练与参数调整。实验以简单的三层卷积神经网络为基础,从数据增强、网络结构与优化训练3个方面对模型进行改进。实验结果表明,通过叠加这些改进方法,可使模型的拟合能力与泛化能力逐渐增强,最终获得更高的图像分类准确率。 相似文献
7.
随着人们生活水平的不断提高,道路车辆拥堵情况愈发严重。如何实时、精确地检测出道路车辆,对于解决道路拥堵问题具有重要意义,GPU和人工智能技术的飞速发展为其提供了可靠的解决方案。研究分析传统目标识别算法、基于候选区域深度学习的目标提取算法RCNN和基于回归的深度学习目标检测YOLO,最终确定采用基于卷积神经网络的实时目标检测算法SSD。首先调用VGG16网络模型在ILSVRC CLS-LOC数据库上预训练生成初始网络模型,进而设置超参数并在自身数据集上进行再训练,生成新的网络检测模型,然后将训练和测试部署到深度学习框架Caffe上加以实现。通过在数据库COCO、VOC2012上的测试结果表明,该模型检测精度为76%左右,处理速度为26FPS。同时通过道路路口的实地车辆检测,显示该算法能够实时、精确地检测出道路车辆,为道路拥堵情况判定提供可靠数据。 相似文献
8.
传统的车型识别需要消耗大量的人力资源和时间成本,无法及时有效地对复杂背景下中低分辨率车型进行精确识别.随着硬件设备的提升和新型分类理论的出现,针对这一情况提出了一种基于改进卷积神经网络的多层深度特征融合算法,利用卷积神经网络的特征学习,首先对低层特征进行学习,其次通过卷积运算将低层车型特征卷积到一定维度,最后利用特征融合策略对多个特征进行融合,提升车型识别的有效性.同时为了避免参数过多、模型复杂度上升出现过拟合现象,使用稀疏原理对模型进行优化分类.通过实验仿真,验证本文算法可以对中低分辨率车型进行精确识别,且对复杂背景及快速移动具有一定的抗干扰性. 相似文献
9.
为提高样本在分布不均衡情况下的识别精度,提出一种改进的ResNet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的ResNet50网络在识别精度上得到显著提高。 相似文献
10.
卷积神经网络是深度学习的一种高效识别方法,将卷积神经网络引入商品图像识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,以避免对图像进行复杂的预处理工作。首先介绍了卷积神经网络的各层作用,然后设计了多种基于卷积神经网络识别商品图像的模型,从多方面测试了卷积神经网络的分类性能。为提高训练速度,卷积层的激活函数采用线性修正函数(Rectified Linear Units,ReLU)。为确保模型的判别性,对下采样层的特征图进行局部对比度归一化,所设计的网络模型在实验中均达到90%以上的平均分类正确率。 相似文献
11.
《南阳师范学院学报》2021,(4):22-27
针对道路图像语义分割效果不够精确的问题,提出一种基于深度学习的道路图像语义分割的改进方法,并与传统的全卷积神经网络模型(FCN)相结合实现道路图像语义分割.先验概率层利用道路图像的先验知识,在所有道路图像训练标签的基础上构建二维数组表示像素点的分类概率,并将它结合传统全卷积神经网络模型对道路图像进行语义分割.实验结果表明:提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分割效果,使像素精确度由88.8%提高到91.3%,平均像素精确度由82.9%提高到85.7%,平均交并比值由72.5%提高到77.9%. 相似文献
12.
全色锐化是一种常见的图像融合技术,旨在融合卫星提供的高空间分辨率的全色图像和低空间分辨率的多光谱图像,得到高空间分辨率的多光谱图像。结合模型优化与深度学习方法的优势,提出一种模型引导的全色锐化神经网络(MoGN)。基于观测模型和融合图像的深度先验构建了一个全色锐化函数,对目标函数进行求解并将其迭代解展开为深度网络,其中空间退化和光谱退化过程通过设计专用的子网络进行近似,深度先验则由基于Unet架构的去噪器进行近似。降分辨率和全分辨率下的实验结果都证明了所提出方法的有效性。 相似文献
13.
14.
近年来，机器学习领域中的“深度学习”开始受到国内外学者的广泛关注。借助深度学习，具有多处理层结构的计算机模型可通过多层抽象来学习数据表征。这些方法推动了语音识别、视觉识别、目标检测以及许多其它领域的技术发展。深度学习被应用到计算机视觉、语音识别、自然语言处理、在线广告等领域，并取得了良好效果。将计算机技术与地质勘探相结合，在岩石处理方面已取得了不少成果，不断有新的或者改进方法用于提高处理效率和改善效果，以更好地投入到实际生产中去。针对目前传统的岩石薄片图像处理方法，试图将深度学习中典型的两类算法模型：深度信念网络（Deep Belief Networks，DBNs）、卷积神经网络（Convolutional Neural Networks，CNNs）引入到岩石图像的处理中，分析算法在操作中的可行性及优势。 相似文献
15.
针对传统图像去运动模糊方法易放大噪声,产生振铃效应等问题,提出一种基于梯度域和深度学习的图像运动模糊盲去除算法。该算法利用引导滤波和L0滤波对图像进行预处理,将预处理后的梯度域图像块送入设计的卷积神经网络进行训练;提取训练好的模型参数,实现模糊核估计与图像复原;在图像复原过程中使用TV正则项进行图像去模糊。与其他算法相比,该算法能有效地抑制振铃效应和减弱噪声,去运动模糊效果较好。 相似文献
16.
胡超秀 《四川职业技术学院学报》2022,(1)
由于设备的不完善,图像在传输过程中会被噪声污染而失去原始图像的细节特征,为了使噪声图像变得清晰且其特征明显,本文提出一种基于深度学习的图像去噪方法,构建了基于卷积神经网络的图像去噪网络结构,并对卷积神经网络中的反向传播算法进行优化,从而加快模型的训练速度,有效地提高去噪效果。最后通过与经典算法实验的对比来进一步说明本研究取得了较好的去噪效果。 相似文献
17.
卷积神经网络（Convolutional Neural Networks,CNNs）具有强大的特征自学习与抽象表达能力,在图像分类领域有着广泛应用。但是,各模块较为固定的几何结构完全限制了卷积神经网络对空间变换的建模,难以避免地受到数据空间多样性的影响。在卷积网络中引入自学习的空间变换结构,或是引入可变形的卷积,使卷积核形状可以发生变化,以适应不同的输入特征图,丰富了卷积网络的空间表达能力。对现有卷积神经网络进行了改进,结果表明其在公共图像库和自建图像库上都表现出了更好的分类效果。 相似文献
18.
由于旋转机械振动信号是一维的,且大尺寸卷积核可获得更大的感知野,在经典卷积神经网络模型(LetNet-5)的基础上设计了带有大尺寸卷积核的一维卷积核神经网络(1DLCNN).由于1DLCNN的超参数对网络性能影响较大,利用遗传算法对网络模型中的一些超参数进行寻优,并将这种利用遗传算法优化1DLCNN参数的方法称为GA-1DLCNN.试验结果表明,基于GA-1DLCNN方法所得到最优网络模型可以实现99. 9%的故障诊断精度,远远高于其他几种传统的故障诊断方法.此外,将采用大尺寸卷积核的一维卷积神经网络与小尺寸卷积核的一维卷积神经网络以及经典二维卷积神经网络模型进行对比,输入样本长度分别设定为128,256,512,1 024,2 048,最终的诊断精度结果以及可视化散点图显示1DLCNN的效果最优. 相似文献
19.
庄永强 《福建工程学院学报》2023,(4):327-331
提出一种基于注意力机制融合轻量化网络的桥梁裂缝图像分类方法。以轻量化卷积神经网络为理论基础分类识别桥梁裂缝图像,并在轻量化网络中加入注意力机制以解决网络无法自主关注所感兴趣区域的问题。根据桥梁图像中裂缝所占比例较小且边缘突出的特点,选用适合于识别桥梁裂缝的注意力机制——CBAM(convolutional block attention module),并将其嵌入轻量化卷积神经网络EfficientNetv2中,建立CBAM-EfficientNetv2模型。实验结果表明：CBAM-EfficientNetv2模型与VGG16、ResNet34等常用深度学习模型对比,可获得最优的桥梁裂缝图像分类效果,其分类识别准确率达到95.64%。 相似文献
20.
为解决表情识别任务中表情特征提取困难和单一的问题,提出一种结合深度残差网络与几何特征的表情识别分法.该方法对深度残差网络进行改进,使用连续小卷积代替大卷积,在各残差块中加入注意力机制,将相同的两个改进残差网络分别作为分支网络,各自提取表情特征,再通过加和平均进行聚合实现特征互补,得到全局特征.采用人脸关键点构建并计算人... 相似文献