基于图像深度学习的调制识别算法

针对现阶段基于深度学习的调制识别算法中出现的检测效率低下的问题,提出一种高效的调制识别算法—RadioFSDet(Radio Frequency Spectrum Detection)检测算法.RadioFSDet算法利用信号在频谱图上的特征差异,使用目标检测算法YOLOv4检测频谱图上的调制信号.相较于主流的基于深度...     

加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

基于深度学习的车辆重识别算法综述

随着计算机视觉技术的迅速发展以及人们对于建设智慧城市的渴望,车辆重识别技术取得了不小的突破。它可以助力于搜寻救援、打击犯罪等诸多领域。深度学习及神经网络为该项任务突破传统特征的瓶颈带来了可能,而随着各种大规模数据集的提出,越来越多的学者关注到了此项任务,并成为当下的研究热点。本文对车辆重识别任务的兴起、发展及现状进行了一定的归纳总结,提出了现有技术下的一些不足,并对未来的发展做出了一些思考与预测。     

基于深度学习的车辆跟踪算法综述

本文首先介绍了深度学习中用于车辆跟踪的神经网络模型,以及通过这些网络模型衍生的基于预训练、在线训练和离线训练的跟踪算法,同时列举了车辆跟踪相关数据集和评价标准,最后对目前车辆检测中待解决的问题、未来待改进的方向进行了分析和讨论。     

基于双卷积神经网络的人眼状态和眨眼识别算法研究

针对现有人眼状态及定位算法存在的环境适应性及背景干扰等问题,提出了一种可用于智能激光眩目器控制系统的双卷积神经网络算法。该算法首先使用MTCNN方法检测眼睛轮廓并提取眼部二级制掩膜;然后,将其送入由两个LeNet-5网络并联组成的双输入单输出结构的模型来预测眼睛的开闭状态;最后,通过建立有限状态机实现眨眼检测。在Blinks和近红外数据集上的实验结果表明,该算法眨眼识别准确率和等效误差率比现有主流算法分别提高3.2%和3.86%,且具有更强的环境适应能力。     

基于深度学习的跳频信号识别

针对跳频信号分选存在人工提取参数特征具有复杂性的问题,提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换,得到二维的时频矩阵;接着提取信号的轮廓特征,构造三维矩阵作等高线图,并对等高线图进行预处理;最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试,进而实现分类识别。仿真结果表明,在不需要复杂的人工提取参数特征的基础上,在分选率为100〖WT《Times New Roman》〗%〖WTBZ〗时,所提方法经裁剪处理下的信噪比为-15 dB,比支持向量机和传统K-Means聚类算法都低10 dB。实测数据的算法验证表明,所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。     

基于深度学习的人脸微表情识别

与一般的面部表情相比,微表情的持续时间更短,对其检测和识别是一种巨大的挑战.利用传统的图像识别方法进行微表情识别不仅准确率低,预处理也更复杂.为了开发可靠的神经网络,需要大量的训练集以及大量的标记图像样本.本文基于CASME和CASMEⅡ数据集训练改进的卷积神经网络模型,将特征提取和分类识别结合在一起,充分提取微表情的...     

基于深度学习的异常事件检测

面对复杂场景下异常事件检测的准确率偏低的情况,本文提出一种基于深度学习的异常事件检测方法,并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征,将群体发散聚集事件,群体密集聚集事件,群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验,并在UMN数据集上与几种方法做了对比实验,验证了本文提出的基于深度学习的异常事件检测算法,在适应多种不同场景的前提下,对多种异常事件检测的准确率很高,表明训练出来的模型对异常事件检测具有极强的泛化能力.     

基于深度学习的交通标志识别算法研究

智能交通和自动驾驶成为当下研究的热点问题,而交通标志识别是其中必不可少的一项关键性技术,当下急需一种准确、高效的交通标志识别方法。针对以上问题,文中构建了一种基于深度学习的交通标志识别模型TSR_Lenet;同时由于基于深度学习的模型在训练过程中存在收敛速度慢、容易收敛到局部最优的问题,将Momentum加速学习的优点与RMSProp抑制训练过早结束的优势相融合,使得构建模型的过程更加快速、高效。实验结果表明,所提出的基于深度学习的交通标志识模型TSR_Lenet,具有自动学习的能力和训练模型周期短的优点,并且准确性高,鲁棒性好,具有良好的泛化能力。     

基于深度学习的端到端验证码识别

验证码是一种在网络环境中用来区分人类和机器的测试方法,验证码识别的研究可以更好地发现验证码在网络安全中的漏洞,从而防止网络中的一些恶意入侵。文章提出了一种深度神经网络模型来识别验证码,引入卷积神经网络,对验证码不经过任何预处理,端到端识别验证码,避免传统的定位、分割等步骤,仿真训练验证码数据,扩大网络所需数据集,提高验证码识别准确率。试验结果表明,该模型对于识别不同级别的复杂验证码都有很好的效果,单个识别率高达99%。     

基于深度学习的汉字识别

随着深度学习的持续发展,近年来用于手写汉字的识别也有了极大的突破,但现有的许多方法参数众多、运算量较大、模型架构庞大且相对复杂,所需存储容量大,对实验的环境要求较高。针对以上问题,提出了基于MobilenetV2的汉字识别,采用深度可分离卷积,相对于其他的网络模型,在运算量、模型架构等问题上化繁为简,且MobilenetV2网络模型是在MobilenetV1的基础上进行改进的,增加了线性瓶颈和倒残差。一是扩充了通道数用来提取更多的特征信息,二是使用线性函数替换ReLU用来降低变换过程中信息的损失率。适合于移动设备设计,通过大型中间张量来显著减少内存占用,其综合识别的准确率可以达到92%以上。     

基于深度学习的电力设备状态检测的研究

针对设备状态巡检业务应用对图像的智能化程度、可靠性、可用性等需求提出更高要求的情况,提出基于深度学习的电力设备状态检测方案。方案基于异构平台的多类电力设备的状态检测及效率提升技术,实现典型电力设备状态的高效识别,通过低功耗电力设备状态图像采集及分析装置,为应用提供多种形态检测方式,实现多类电力设备的状态检测。此方案改善了电力设备巡检模式,提升了设备状态管控力和运检决策水平,加快了管理决策速度,进一步提升了电力生产管理水平。     

基于深度学习的人脸识别算法浅析

相较于指纹识别、虹膜识别、声纹识别,人脸识别具有自然、便捷、体验友好的特征,成为大多数人认可的生物识别技术。近年来,随着GPU技术的成熟和数据集规模越来越大,让人脸识别技术的关注方向从基于手工特征的传统方法和传统的机器学习技术转移到使用大数据集训练的深度神经网络。现在,基于深度学习的人脸识别技术在人证比对、实名认证、人机交互、考勤、安防、美颜、趣味拍照、直播、微动作识别(疲劳驾驶、课堂听讲、罪犯审判)等领域得到了广泛的关注。文章首先简述人脸识别的发展历程,之后从深度学习方法、人脸数据集、网络结构、损失函数这四个方面,对目前流行的基于深度学习方法的人脸识别技术做一个较为详细的综述。     

基于深度学习的磁瓦表面缺陷分割与识别

为了满足磁瓦生产工业对表面质量检测的高要求,实现磁瓦缺陷自动分割与识别,本文提出了一种基于卷积神经网络的缺陷分割与分类网络.该网络基于U-net架构,通过U-net编码部分提取缺陷的深层特征,并使用该深层特征进行缺陷分类,然后通过解码部分输出分割的缺陷区域.为了解决部分缺陷前景面积占比太小,导致网络难以收敛的问题,通过...     

基于深度学习的深层次多尺度特征融合目标检测算法

基于对SSD(Single Shot MultiBox Detector)目标检测算法的分析,提出了一种基于深度学习的深层次多尺度特征融合目标检测(DMSFFD)算法.首先将SSD的特征层与相邻特征层进行融合,在融合之后的特征图中加入尺寸为3 pixel X 3 pixel的卷积层,以减小上采样的混叠效应.之后进行更深...     

基于深度卷积神经网络的红细胞识别算法研究

针对深度研究的项目特点,文章对卷积神经网络结构的研究现状进行分析,总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析,针对红细胞图像提取特征,设计群优化算法的卷积神经网络结构,以提高图像检测的科学性、准确性,展现深度卷积神经网络的识别算法技术的使用价值。     

基于深度学习的调制识别研究

调制识别是无线电通信中一个重要的研究领域,在信号检测、异常信号打击、干扰识别和电子对抗等方面有广泛的应用。目前大多数调制识别算法都是基于传统的信号分析,其特征提取算法与决策树的构建方法对效果有很大的影响。本文提出了基于深度学习的调制识别算法,基于卷积神经网络构建一个端到端的调制识别系统,这种系统不需要人为提取调制信号的特征,直接向网络中输入原始IQ数据,由网络对数据进行学习,自动提取高级特征,然后给出识别结果。实验证明该方法在低信噪比下可得到很高的识别率,其测试结果不亚于传统的调制识别算法。