排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
为解决传统的卷积神经网络的卷积结构单一、分类精度不佳且模型参数和计算量较大等问题,本文对经典的传统网络Alexnet进行网络结构优化进行多通道改进,构建了Tra-net、Mynet v1、Mynet v2三条不同的网络。将三种不同的卷积神经网络在公开数据集Caltech256上进行识别性能测试,其中Mynet v2网络最高识别准确率可达59.56%,且模型缩小至25MB左右。实验结果表明改进后网络Mynet v1、Mynet v2的识别性能均优于传统的神经网络Tra-net,使用瓶颈结构卷积模块的网络在提高识别准确率的同时大幅度降低了网络模型参数。 相似文献
2.
3.
针对卷积神经网络结构单一,模块中卷积核使用单一,网络特征提取不充分导致图片分类准确度不够,以及模型大的问题,提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组,每一组采用不同数量、不同大小的卷积核进行特征提取,然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比,在食物101food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明,该文设计的网络结构性能优越,且网络模型较小。 相似文献
4.
传统的卷积神经网络的网络结构单一或模块单一,网络提取特征时都是以同一种模式持续进行,导致分类精度不够理想,且模型参数和计算量较大。针对这一问题,提出一种使用多样化模块的轻量型卷积神经网络结构Diverse-net,使用Reduce Module和Slice Module两种卷积模块,通过交替叠加使用两种不同的卷积模块来代替传统网络的单卷积核结构,增加网络的深度和宽度,并在不同模块之间加入残差学习。使用文中搭建的卷积神经网络Diverse-net,与其他网络模型在GTSRB和101food数据集上进行测试来对比网络性能与模型大小,Diverse-net网络模型大小减少至20.8 MB,在数据集GTSRB上识别率可达到98.72%;在数据集101food上识别率可达到68.09%。实验结果表明,所设计的卷积神经网络Diversenet在图像分类方面性能更优,且网络的模型较小。 相似文献
5.
文中设计一种搭建在可WiFi远程控制移动勘测船上的超声波除藻系统。利用超声波发生器加超声波振子联用产生空化效应,藻类细胞会急剧膨胀和收缩,细胞壁发生破裂后自然死亡降到水底,不产生二次污染。使用WiFi无线控制技术,勘测船上搭载的摄像头可以实时传输视频到上位机手机或电脑等控制终端,在终端又可以远程控制勘测船的移动和机械臂抓取物体,勘测船装载MPPT太阳能自发电装置,绿色环保又节能减排。实验结果表明,太阳能除藻勘测船控制灵活,操作方便,除藻效果较好,可长时间在水面作业。 相似文献
6.
7.
智能自动循线小车采用32位单片机LPC54606为核心控制器,通过智能车上搭载的传感器识别赛道中间的电磁线,以最快的速度完成巡线行驶,采用工字电感完成对赛道信息的采集检测,通过算法提取中线,使用PID控制算法调节舵机的打角,实现智能车运动过程中的方向闭环控制,同时,车上搭载TFT显示模块和按键,可以对车内参数实现快速调... 相似文献
1