基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.     

基于深度学习的道路表面裂缝检测方法

道路表面裂缝检测是道路安全检测的一项重要指标,随着计算机视觉技术的不断发展,越来越多的基于深度学习的目标检测方法被应用到裂缝检测中.然而这些检测方法大都是对裂缝位置的粗略的检测或分类,无法定量的衡量裂缝为了定量衡量裂缝,提出了一种基于深度学习的像素级道路表面裂缝检测方法.使用卷积神经网络对裂缝原始图像进行分割得到裂缝的...     

基于深度学习的中文票据文本检测与识别方法

针对票据在识别时出现数据漏检率高、识别精度低的问题,提出文本检测模型ENCRAFT与识别模型DLCNN。在文本检测模型CRAFT的基础上,ENCRAFT修改其原始的特征提取网络的结构,利用未经池化的特征图进行融合,减少了细小特征的丢失,并增大监督特征图的分辨率,以提供更丰富的监督信息,从而提高模型检测率;DLCNN利用深层的卷积网络与浅层的循环网络实现对中文票据的高精度识别。实验结果表明,该方法在多个票据数据上的检测率与识别精度均有明显提升。     

基于深度学习的维吾尔文扫描体识别

基于深度学习的神经网络在中英文的图像文字识别中有着广泛的应用,而在维吾尔文识别的相关研究中应用有限.针对维吾尔文属于粘连性文字难于识别的问题,建立了维吾尔文图像识别的数据集,提出了TRBGA模型,并与主流的网络做了对比实验.实验表明:所提出的识别方法准确率达到了99.395％,优于传统的识别方法.     

基于CUDA和深度置信网络的手写字符识别

为了应对海量的字符(手写)识别,提出了一种将统一计算设备架构(Compute Unified Device Architecture,CUDA)和深度置信网络相结合的方法进行手写字符识别。该方法结合受限玻尔兹曼机和反向传播神经网络形成深度置信网络对字符图片数据进行识别,并且使用CUDA在图形处理器(GPU)上进行并行计算来完成识别过程。实验结果表明,使用该方法后,在不降低识别精度的情况下手写字符识别的速度大幅提升。     

基于改进深度学习的车牌字符识别技术研究

为解决传统车牌字符检测方法可靠性差、效率低的问题,提出采用haar级联检测结合深度学习方法的卷积神经网络车牌字符识别方法。采用haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理技术提取出车牌字符;通过收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别。实验结果表明, 该方法识别车牌字符正确率较高,在角度倾斜、光照变化和噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率。     

改进深度学习的车牌字符识别技术

针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染复杂条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别.实验结果表明,该方法识别车牌字符正确率较高,在角度倾斜、光照变化等噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率.     

基于深度学习的行为检测方法综述

行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究热点。近年来,基于深度学习的方法在行为检测领域取得了巨大的进展,引起了国内外研究者的关注,对这些方法进行了全面的梳理和总结,介绍了行为检测任务的详细定义和面临的主要挑战;从时序行为检测和时空行为检测2个方面对相关文献做了细致地分类,综合分析了每一类别中不同研究方法的思路和优缺点,并阐述了基于弱监督学习、图卷积神经网络、注意力机制等新兴研究话题的相关方法;介绍了行为检测领域常用的数据集以及性能评估指标,在这些数据集上比较了几种典型方法的性能;总结了当前行为检测方法需要解决的问题以及进一步发展的研究方向。     

基于深度学习的水下生物目标检测方法综述

水下生物目标识别对水产养殖、濒危生物保护、生态环境监测具有重要意义。综合分析了当前各种深度学习方法在水下生物目标检测中的应用情况。首先介绍了常用的水下生物目标检测数据集;然后,按照两阶段和单阶段对当前常用目标检测方法进行分类、分析和总结,详细阐述了各类检测方法的实际应用状况,并重点对上述各类检测方法优化策略的优势与不足进行了分析和总结;最后,对基于深度学习的水下生物目标检测提出今后的研究重点,为该领域的研究人员提供了资料性的参考依据。     

基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方...     

基于深度学习的肺部医疗图像识别

肺结节作为肺癌早期诊断的重要特征,对其识别和类型判断具有重要意义.目前使用迁移学习的识别算法存在着源数据集与目标数据集差距过大问题,对于肺结节特征提取不足,导致效果不佳.故此提出了基于卷积神经网络的改进神经网络模型.将预训练的GooLeNet Inception V3网络与设计的特征融合层结合,提高网络对特征的提取能力;为确定最佳组合方式,对各组以准确率为标准进行测试.实验在LUNA16肺结节数据集上进行.进行分组测试结果表明,改进的网络准确率达88.80％,敏感度达87.15％.在识别准确率和敏感性指标上,与GooLeNet Inception V3算法相比,分别提高了2.72,2.19个百分点.在不同数据集比例下进行实验,同样达到了更优的效果,具有更好的泛化能力.可以给临床诊断提供相对客观的指标依据.     

基于深度学习的交通路口自动识别

基于车辆轨迹数据提取道路信息已经成为数字地图更新的一种有效而廉价的方法，引起了广泛的研究。交通路口是道路信息的重要组成，如何快速而准确提取交通路口具有一定的挑战。深度学习的快速发展为解决这一问题提供了一种新的思路。本文针对轨迹数据在交通路口的分布特性，首先提出一种基于LSTM深度学习的转弯轨迹模式自动提取方法，通过统计航向变化规律对路口转弯轨迹进行建模分类，然后采用LSTM深度模型学习轨迹时间序列，从而实现转弯轨迹模式的自动识别，训练好的模型可以对新的未知轨迹数据实现自动快速地提取转弯轨迹。其次，针对因路口转弯点的稀疏性而影响准确定位路口中心这一难点，本文提出一种联合补偿点计算和转弯轨迹航向变化幅度的方法选取路口候选点，然后通过聚类路口候选点识别道路交叉口。为验证和评估该方法的有效性，采用福州市鼓楼区出租车实际轨迹数据进行测试。结果表明，该方法道路交叉口识别准确率达到96.7%，为电子地图实时更新及无人驾驶自动导航应用等提供关键技术支持，同时我们开放该方法源代码和实验数据，以便于其他研究者开展相关研究。     

基于深度学习的任意形状场景文字识别

场景文字识别的一个具有挑战性的方面是处理具有扭曲或不规则布局的文字.尤其是侧视文字和曲线文字在自然场景中较为常见,且难以识别.本文提出了一个带有灵活矫正功能的注意力增强网络,将其用于任意形状场景文字识别.此网络由基于卷积神经网络的文字矫正网络和基于注意力增强的识别网络两部分组成.矫正网络自适应地将输入图像中的文字进行矫正,降低识别难度,使基于注意力增强的序列识别网络直接根据矫正后的图像预测字符序列.整个模型可以进行端到端的训练,训练只需要图像和相应的文字真实标签.在各种公开数据集上进行了广泛的实验,包括SVT、ICDAR 2003和CUTE80等数据集,验证了此网络具有优异的性能.     

一种基于深度强化学习的室内声学行为识别方法

对声学行为识别的研究目前主要依赖于特定用户的数据,且需要过滤异常值,导致较难获取可用于训练的数据集.提出了一种基于梅尔频谱图与Google AudioSet中提取的embedding的新策略,保证了模型的泛化能力,摆脱了依赖特定用户数据的限制.使用深度强化学习方法对11种常见室内行为进行识别,动态控制数据分布,解决数据不平衡问题.总体识别准确率达到87.5%,对每个行为的识别准确率均超过了83%.     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

基于深度主动学习的信息安全领域命名实体识别研究

针对通用领域模型不能很好地解决信息安全领域的命名实体识别问题,提出一种基于字符特性,双向长短时记忆网络(Bi-LSTM)与条件随机场(CRF)相结合的信息安全领域命名实体识别方法.该方法不依赖于人工选取特征,通过神经网络模型对序列进行标注,再利用CRF对序列标签的相关性进行约束,提高序列标注的准确性.而且,针对信息安全领域标注数据样本不足的问题,采用主动学习方法,使用少量标注样本达到较好的序列标注效果.     

基于深度学习的网络流量分类识别研究

目前互联网上会存在海量的网络流量数据信息,这些海量的网络流量数据信息还未得到充分性的利用,如果有效的采取一些必要的方法或者手段,分析整个的网络流量挖掘信息对于后期的网络发展趋势,挖掘网络当中所存在的异常状态并且有采取针对性的措施,这对于后期的网络应急响应能力的增强、抵御网络不法攻击行为、快速的维护网络空间安全等方面都具有非常重大的价值及意义.本文基于网络流量识别的基本需求,分析了深度学习经典模型-CNN的基本原理,在此基础上将原始流量进行分层处理,并建立了基于注意力机制的改进的CNN算法的网络流量识别模型,最后在国际标准数据集上进行仿真分析.实验测试结果表明,该模型可以实现对各类网络流量有效识别.