首页 | 本学科首页   官方微博 | 高级检索  
    检索          
共有20条相似文献,以下是第1-20项 搜索用时 762 毫秒

1.  白矮主序双星光谱的卷积特征提取  
   王文玉  郭格霖  马春雨  姜斌《光谱学与光谱分析》,2018年第9期
   通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。通过设计一维卷积神经网络,以判别学习的方式从大量混合光谱中拟合出具有稳定分布的12个卷积核,有效提取白矮主序双星的卷积特征。通过引入相对松弛的光谱类别先验分布,提出反贝叶斯学习策略以解决由于光谱抽样有偏带来的问题,显著提高识别精度。通过比较光谱在不同信噪比下的交叉熵测试误差,分析卷积特征的提取过程对光谱信噪比的鲁棒性。实验发现,基于反贝叶斯学习策略的一维卷积神经网络对白矮主序双星的识别准确率达到99.0(±0.3),超过了经典的PCA+SVM模型。卷积特征谱的池化过程以降低光谱分辨率的形式缓解了光谱噪声对识别精度的影响。当信噪比小于3时,必须通过增加模型在光谱上的迭代次数以形成稳定的卷积核;当信噪比介于3与6之间时,光谱卷积特征较为稳定;当信噪比大于6时,光谱卷积特征的稳定性显著上升,信噪比对于模型识别精度带来的影响可以忽略。    

2.  基于卷积神经网络的混合颗粒分类法研究  
   蔡杨  苏明旭  蔡小舒《光学学报》,2019年第7期
   针对混合颗粒的分类问题,传统算法多利用颗粒的二值化图像提取其特征,并通过精细的特征设计结合BP神经网络、支持向量机(SVM)等分类器进行分类,但颗粒粘连以及不精确的特征设计都会严重影响分类的准确率。利用卷积神经网络提取颗粒的特征,通过区域建议网络(RPN)搜索颗粒的位置,同时建立分类器,并结合全卷积网络实现像素级的颗粒分割。对由球形、长条形及非规则形颗粒组成的混合流动颗粒体系进行实验研究,结果表明:利用人工特征设计的SVM法可以达到87%的分类精确率和召回率,而基于卷积神经网络的方法则可以达到97%的分类精确率和93%的召回率,并且对于非规则颗粒的数目中位径,该方法不仅可以将分析误差降低11%以上,还避免了传统方法需要精确设计人工特征等的不足,更易形成一个端对端的混合颗粒分类体系,为流动混合颗粒的图像在线分析提供了更加有效的思路。    

3.  基于深度学习的可见光图像中行人检测方法  
   《武汉大学学报(理学版)》,2021年第2期
   相对传统的行人检测技术,基于深度学习的行人检测技术具有压倒性的优势,然而由于深度卷积网络规模庞大,需要专用的处理器,限制了行人检测系统的推广。针对上述问题,提出一种网络规模适中的深度卷积网络模型,在保证检测精度的前提下提高检测模型的普适性。以低维度的浅层卷积神经网络为基础,分别从网络层数、感受野大小和特征图3个角度出发搜索最优的网络结构,并通过有指导的实验评估确定最终的网络参数。在Daimler行人数据库上进行实验,结果表明,本文建立的网络不但网络规模适中,而且具备良好的检测性能。在Daimler、MIT、INRIA等行人数据库上进行的交叉实验验证了依本文方法建立网络的鲁棒性,表明其具有推广能力。    

4.  复合深度神经网络在直升机声目标识别中的研究  
   郭洋  周翊  管鲁阳  鲍明《应用声学》,2019年第38卷第1期
   针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。    

5.  全局模型和局部优化的深度网络显著性检测  
   《光学学报》,2017年第12期
   设计有效的特征向量是显著性检测方法的关键,决定了模型效果的上限,基于深度卷积神经网络和手工提取特征相结合的思路,提出了一种新的基于全局模型和局部搜索的显著性检测方法。在全局模型中,通过对VGG-16网络设计额外的卷积层进行训练,生成初始显著图,达到了从图像整体角度预测每一个候选区域显著性的目的。在局部优化模型中,设计区域对比度描述子和区域特征描述子对多级分割的超像素点进行描述,预测每一个区域的显著性值。最后,利用线性拟合的方法将两种模型中产生的显著图进行融合,得到最终的显著图。对4个数据集进行对比测试实验,实验结果表明,本文方法具有最高的准确率。    

6.  卷积神经网络的缺陷类型识别分析*  
   高子洋  师芳芳  张碧星  苏业旺《应用声学》,2022年第41卷第2期
   该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取。文章研究对比了不同卷积神经网络及其优化的识别性能。首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二维数据分别进行缺陷识别,并使用Leaky ReLU、Dropout、Batch Normalization等来对网络进行优化,对比分析识别准确率和效率等。研究结果表明,虽然一维卷积在训练速度上快于二维,但是二维卷积在识别准确度方面更高,同时网络模型结构如果过于复杂会导致准确率的下降,数据增强和优化方式有助于加快收敛速度、提高准确率。    

7.  基于卷积神经网络的钝体尾迹识别研究  
   杜祥波  陈少强  侯靖尧  张帆  胡海豹  任峰《力学学报》,2022年第1期
   针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷积神经网络识别模型由输入层、卷积层、池化层、全连接层和分类层组成,其中,卷积层和池化层用于提取尾迹的深层次特征信息,而全连接层和分类层构成识别分类模式来分类输出图像对应的钝体类型或雷诺数.通过将9000张尾迹图像数据集导入卷积神经网络模型,以数据驱动方式建立了具有钝体形状或雷诺数识别能力的尾迹特征识别模型.结果表明,该模型对相同雷诺数下识别钝体形状的准确率达97.6%(识别300张不同形状钝体尾迹图像),对不同雷诺数下识别钝体形状的准确率达96%(识别1200张不同雷诺数尾迹图像),即使将不同钝体形状和雷诺数下尾迹图像混放一起,其钝体形状和雷诺数识别准确率也可以达到91%(识别1500张混放尾迹图像).该方法为进一步利用人工智能提取流体尾迹中的物理信息提供借鉴.    

8.  基于双通道神经网络的图像脉冲噪声降噪  
   《光学技术》,2021年第4期
   脉冲噪声是成像过程中的一个主要噪声源,传统的滤波器难以有效消除高密度的脉冲噪声。针对这一问题,提出了一种基于非对称并行神经网络的图像脉冲噪声降噪算法。算法利用隐写分析丰富模型提取图像的噪声卷积特征图;将原图像特征图与噪声卷积特征图分别送入两个相同的卷积神经网络进行处理;结合l_1损失与l_2损失作为神经网络的总代价函数,同时利用了l_1损失的高视觉效果与l_2损失的强收敛性。实验结果表明:提出的降噪算法在各密度下的降噪性能均优于基于滤波器的降噪算法,对于高密度脉冲噪声也具有明显优势。    

9.  面向嵌入式平台的轻量化神经网络手势识别方法  
   杨晨奕  何玉青  赵俊媛  李国荣《强激光与粒子束》,2022年第3期
   针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。    

10.  基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测  
   《光谱学与光谱分析》,2021年第6期
   胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200~1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络(convolutional neural network, CNN),其中包括输入层、 3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法(SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%, 93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%, 93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%, 83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。    

11.  全卷积网络多层特征融合的飞机快速检测  被引次数:1
   辛鹏  许悦雷  唐红  马时平  李帅  吕超《光学学报》,2018年第3期
   针对传统飞机检测方法准确率低、虚警率高、速度慢等问题,提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合,以缓解由于深层特征图维度过低造成的对小目标表达不足的问题;修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征;用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像;复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明,与典型的飞机检测方法相比,所提方法在测试集上取得了更高的准确率和更低的虚警率,同时大大加快了检测速度。    

12.  基于深度学习的透过散射介质偏振识别  
   庄秋实  何泽文  张春旭  辛煜《光学学报》,2021年第41卷第22期
   当偏振光在散射介质中传播时,由于散射粒子的多重散射作用而造成偏振信息的扰乱和丢失.为了保证偏振信息在散射介质中高效和高保真的传输,提出一种基于深度学习的透过散射介质偏振识别方法.通过构建卷积神经网络来提取散斑光强信息中入射光波偏振信息的特征,实现对入射光波偏振态的高分辨率识别,并使用初始相位不同的偏振光来验证卷积神经网络对偏振态识别的鲁棒性.实验结果表明,所提方法具有识别速度快和准确率高的优点,理论上可以通过无限大的数据来训练神经网络,因此该方法在偏振光学成像和激光通信等领域具有巨大的应用潜力.    

13.  基于深度跳跃级联的图像超分辨率重建  
   袁昆鹏  席志红《光学学报》,2019年第7期
   针对模型VDSR(very deep super resolution)收敛速度慢,训练前需要对原始图像进行预处理,以及网络中存在的冗余性等问题,提出了一种基于深度跳跃级联的单幅图像超分辨率重建(DCSR)算法。DCSR算法省去了图像预处理,直接在低分辨率图像上提取浅层特征,并使用亚像素卷积对图像进行放大;通过使用跳跃级联块可以充分利用每个卷积层提取到图像特征,实现特征重用,减少网络的冗余性。网络的跳跃级联块可以直接从输出到每一层建立短连接,加快网络的收敛速度,缓解梯度消失问题。实验结果表明,在几种公开数据集上,所提算法的峰值信噪比、结构相似度值均高于现有的几种算法,充分证明了所提算法的出色性能。    

14.  视频监控下利用改进型C3D-RF的人群异常行为检测  
   《光学技术》,2021年第2期
   传统基于卷积神经网络(CNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征,故无法准确捕捉视频流在时序上的动态特征。为此,提出一种基于改进C3D网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的C3D网络进行视频流梯度方向直方图(HOG)特征提取,并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作,并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明,所提出的改进C3D-RF方案对人群异常行为的检测准确率保持在90%以上,且与传统C3D网络、支持向量数据描述模型(SVDD)、编码深度卷积神经网络(CAE)等方法相比,其训练时间缩短了15.34%以上。    

15.  基于稀疏编码和卷积神经网络的地貌图像分类  
   刘芳  王鑫  路丽霞  黄光伟  王洪娟《光学学报》,2019年第4期
   提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。    

16.  对称点模式-深度卷积神经网络的红外光谱识别方法  
   《光谱学与光谱分析》,2021年第3期
   红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换(Fourier transform infrared spectroscopy, FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns, SDP)变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷(CH_4)、乙烷(C_2H_6)、丙烷(C_3H_8)、正丁烷(C_4H_(10))、异丁烷(iso-C_4H_(10))、正戊烷(C_5H_(12))、异戊烷(iso-C_5H_(12))七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别:气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照20%, 20%~40%, 40%~60%, 60%~80%, 80%~100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000~400 cm~(-1)、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4 500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机(support vector machine, SVM)和随机森林(random forest, RF)模型的识别准确率88.7%和86.2%。研究表明, SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。    

17.  SE-MCNN-CTC的中文语音识别声学模型  
   张威  翟明浩  黄子龙  李巍  曹毅《应用声学》,2020年第39卷第2期
   为了解决传统卷积神经网络在识别中文语音时预测错误率较高、泛化性能弱的问题,首先以深度卷积神经网络(DCNN)-连接时序分类(CTC)为研究对象,深入分析了不同卷积层、池化层以及全连接层的组合对其性能的影响;其次,在上述模型的基础上,提出了多路卷积神经网络(MCNN)-连接时序分类(CTC),并联合SENet提出了深度SE-MCNN-CTC声学模型,该模型融合了MCNN与SENet的优势,既能加强卷积神经网络的深层信息的传递、避免梯度问题,又可以对提取的特征图进行自适应重标定。最终实验结果表明:SE-MCNN-CTC相较于DCNN-CTC错误率相对降低13.51%,模型最终的错误率达22.21%;算法改进后的声学模型可以有效地提升泛化性能。    

18.  基于CNN-SVM的地下目标形状识别  
   《南昌大学学报(理科版)》,2021年第1期
   针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络(CNN)能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。    

19.  基于磁共振图像和改进的UNet++模型区分阿尔茨海默症患者和健康人群  
   《波谱学杂志》,2020年第3期
   阿尔茨海默症(Alzheimer's Disease,AD)是一种神经退行性疾病,高效准确的早期诊断对其治疗至关重要.本文提出了一种融合多语义级别的深度卷积神经网络结构,基于磁共振图像,用于区分AD患者与正常受试者的方法.首先,在传统UNet++网络的基础上改进了深度监督整合算法;然后,构建了一种新的特征融合结构,进一步细化了不同语义级别的特征;最后,基于不同组织区域(白质、灰质和脑脊液)的磁共振图像,使用本文所提出的方法区分AD患者和正常受试者,并探究了从不同组织获得的信息对分类准确率的影响.实验结果表明,使用本文提出的方法区分两类人群的最高准确率为98.74%,平均准确率为98.47%,高于目前文献报道的其他方法.    

20.  多模型加权融合机制的石墨纯度识别  
   徐小平  余香佳  刘广钧  刘龙《数学的实践与认识》,2022年第4期
   针对人工识别的效率低及单一卷积神经网络提取特征的遗漏问题,提出了多模型加权融合机制的石墨纯度识别算法.在自建小样本数据集上,进行离线扩充和在线增强,提高模型的泛化能力,减少深层CNN的过拟合问题;结合迁移学习,利用优化的AlexNet和ResNet50构建双通道卷积神经网络,提取石墨图像的深层次特征,并将两者的特征进行加权融合后,使用SoftMax分类器进行分类.实验结果表明,经过加权融合后的识别准确率均优于单一网络,达到97.94%,同时模型的稳定性增强,收敛速度加快,证明了所提算法的可行性与有效性.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号