深度学习中深度可分离卷积网络在遥感图像分类中的优化

为了优化深度可分离卷积网络在遥感图像分类中的应用,解决传统卷积神经网络在处理高分辨率遥感图像时的计算量大、参数冗余等问题。采用模块化与层次化设计方法,应用数据增强技术与特征工程,通过轻量化模型设计、参数剪枝与量化技术,并设置实验环境、选取典型数据集,进行实验设计与评估,比较不同模型的分类准确率。结果显示,优化后的深度可分离卷积网络在分类准确率、计算量、训练时间和能耗方面表现优异。得出结论,优化模型在遥感图像分类中具备高实用价值,提升了遥感图像分类的效率和准确性。

基于深度可分离残差网络的遥感影像路网检测

从高分辨率遥感影像中提取并检测路网一直都是计算机视觉研究的热点和难点。目前,基于深度学习的遥感影像路网检测方法大部分都是以卷积运算为基础的卷积神经网络,而以深度可分离卷积运算为基础深度可分离卷积神经网络作为以卷积运算为基础的卷积神经网络的替代神经网络,不仅在特征提取能力上优于卷积神经网络,而且在参数量和计算量方面也低于卷积神经网络。鉴于此,该文利用深度可分离卷积运算替换卷积运算,并引入残差模块,构造了深度可分离残差网络进行遥感影像的路网自动检测的应用。实验结果表明,在RRSI和CHN6-CUG数据集上,虽然深度可分离残差网络的准确率和损失与相对应的卷积神经网络和残差网络的准确率和损失的区别不大,但是深度可分离残差网络的训练耗时时长远远低于相对应的卷积神经网络和残差网络的训练耗时时长,而且深度可分离残差网络的路网检测实际结果也优于相对应的卷积神经网络和残差网络的路网检测实际结果。

深度可分离卷积神经网络在自动分拣中的应用

针对传统的花卉分类算法在工业自动化分拣应用中出现模型参数过大、分拣精度不高的问题,提出一种基于深度学习的花卉识别算法。介绍了花卉分类算法在工业花卉包装分拣系统中的应用;根据实际需求,采用一种深度可分离卷积神经网络提取花卉特征,并详细分析了网络的模型结构;为了提高模型训练速度,提出了一种微调的模型训练方法。实验结果表明,所采用的花卉分类算法在工业花卉自动分拣的应用中相比传统算法,准确率更高、稳定性更好、应用更加广泛。

一种基于YOLOv8的轻量化盲区检测网络

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检测和研究的不足,提出一种简洁高效的轻量化盲区检测网络BsDet和BsDet+。轻量化网络以最先进的YOLOv8为基础,结合其他YOLO网络的优点,在头部和颈部进行了轻量化重构,在特征提取部分使用改进的深度可分离卷积降低网络的参数量与计算量。在特定层使用更大的卷积核来扩大感受野,进一步提高网络的检测精度。在构建的盲区数据集进行实验,实验结果表明,BsDet拥有97.72%的mAP和300.76 f/s的FPS,BsDet+的mAP和FPS分别为99.35%和181.31 f/s,相比于SOTA方法,提高了36.8%的检测速度和1.44%的mAP。两种网络分别在树莓派、安卓手机和便携式计算机上进行部署与测试,结果显示在任何平台上,BSDet均拥有最高的检测速度。BsDet和BsDet+可适用于不同性能的硬件与检测需求,具有设备要求低、准确率高、速度快等特点,不仅为轻量化设计提供了借鉴,也能够有效改善基于视觉的辅助驾驶技术。

基于DSConvBiGRU网络和热电堆阵列的动态手势识别方法

提出了适用于嵌入式系统并融合深度可分离卷积神经网络与双向门控循环单元的DSConvBiGRU网络模型,将其用于动态手势序列的分类,设计并实现了一种使用低分辨率热电堆阵列传感器的动态手势识别解决方案,构建了动态手势数据集并在公开网站发布,完成了预训练网络模型在Raspberry Pi边缘端的部署。系统对传感器输出的连续20个温度矩阵进行区间映射、背景减除、Lanczos插值和Otsu二值化预处理得到单个动态手势序列,再由预训练的DSConvBiGRU网络进行分类。实验结果表明:网络模型在测试集上识别准确率为99.291%,在边缘端预处理耗时5.513 ms,推理耗时8.231 ms,该系统满足低功耗、高精度和实时性的设计需求。

基于深度可分离卷积神经网络的关键词识别系统

关键词识别系统是智能语音交互系统的重要组成部分.本文使用Google语音命令数据集,探索使用传统卷积神经网络和深度可分离卷积神经网络在关键词识别任务中的应用,对两种卷积神经网络模型从识别率、计算量、内存消耗进行对比,并提出适用于受限设备的低资源、较高识别率的网络模型.实验结果显示无论传统卷积神经网络还是深度可分离卷积神经网络在关键词识别任务中的表现都优于传统的的隐马尔科夫模型和全连接深度学习模型,而深度可分离卷积神经网络进一步优于传统卷积神经网络.

使用深度分离卷积网络实现继保压板状态识别

变电站内继电保护压板的核对一直以来都是依靠人工进行操作,并且变电站继电保护压板装置众多,人工核对压板方式费时费力且易出错。文章提出一种利用深度可分离卷积网络实现继电保护压板识别的方法。首先,基于TensorFlow机器学习平台创建深度可分离卷积网络;然后,对采集的压板图像进行标注,形成数据集,并对网络进行训练,得到图像识别模型;最后,使用TensorFlow Lite对模型进行转换和优化,并将其应用于嵌入式系统。试验结果表明,深度可分离卷积网络在嵌入式系统上运行性能和识别速度达到预期效果,压板开合状态识别正确率达100%,具有广泛应用价值。

FPGA平台轻量化卷积神经网络辐射源信号识别方法

针对卷积神经网络计算资源消耗大、难以在边缘侧应用等问题,提出了一种面向FPGA(Field Programmable Gate Array)平台的基于知识蒸馏的轻量化卷积神经网络辐射源信号识别方法。该方法以信号时频图作为特征提取对象,结合改进的知识蒸馏方法对卷积神经网络进行轻量化处理,通过注意力图增强知识信息传递,并融合深度可分离卷积,进一步提高网络稀疏度。最后,将该轻量化网络在FPGA平台上进行结构优化,通过改进循环策略和流水线并行设计,加速轻量化卷积神经网络的辐射源信号识别过程。仿真结果显示,利用本文提出的轻量化卷积神经网络辐射源信号识别算法,网络参数量降低了81.8%,在信噪比不低于-12dB的条件下,信号识别准确率达到了90%以上,FPGA平台信号识别时间为86ms,平均功耗为2W,可满足边缘侧终端对信号实时检测以及低功耗的实际应用需求。

基于改进Xception实现涡旋光束轨道角动量识别

当光束在海洋中传输时,湍流的存在会严重影响光束的质量,导致接收端光场产生扭曲和退化现象。为解决该问题,提出一种基于改进深度可分离网络(IXception)的方法,用于实现通过海洋湍流传输的涡旋光束轨道角动量模态识别。采用分步相位屏的思想,基于功率谱反演法仿真涡旋光束在海洋中的传输过程,并建立入射光场发生的退化、扭曲的散斑场数据集,用数据集来训练IXception识别散斑场中涡旋光束的轨道角动量。IXception延用Xception架构思想,结合了残差结构和倒置残差结构,能够提取高度空间深度特征,减少网络结构参数的冗余,增强泛化能力。研究结果表明,IXception在20 m和80 m湍流中对扭曲光场轨道角动量的识别率达到了99.20%与97.9%。随着传输距离的增加,IXception的识别率会略有降低,但与Xception模型相比,IXception识别性能更好。

基于GAN轻量化改进的红外与可见光图像融合算法

普通神经网络难以生成符合人眼视觉的红外与可见光融合图像,且网络模型复杂、占用内存过大。本文改进现有的生成对抗网络(GAN)框架:首先,在生成器中融入深度卷积和逐点卷积,设计小卷积核的卷积网络以减少网络参数;其次,对源图像进行掩膜处理以减少提取特征过程中源图像信息的丢失;然后将处理后的图像和生成器得到的融合图像共同输入到鉴别器中,以增强网络对可见光图像保留源图像信息的能力;最后,在性能评价阶段将损失函数设置为梯度损失、对抗损失和内容损失函数,以约束融合图像,使其包含更多的可见光图像的背景信息以及红外图像的目标信息。在TNO image fusion dataset上进行了仿真实验,结果表明所提算法在降低网络复杂度、减少运算参数的同时可得到细节丰富、目标明确的融合图像。

基于Android和深度学习的彝汉翻译系统实现

本文设计了一个基于Android平台和深度学习框架的彝语翻译系统,该系统结合了深度可分离网络、LSTM网络等算法构建深度学习框架。同时利用phpMyAdmin来进行对彝语和汉语语料库的存储和管理,以及利用Flask框架来实现数据传输,进而实现彝语和汉语之间的互译功能。根据实验结果表明,该系统的准确率可达到86%,可以满足在实际应用中解决彝族地区的语言交流沟通障碍的需要。

基于深度学习的语音门禁系统设计

基于深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,DS-CNN)设计一个嵌入式离线语音门禁系统.系统首先利用深度学习库TensorFlow搭建DS-CNN声学模型并完成模型训练,然后将训练好的模型移植到嵌入式平台实现离线式语音识别,最后根据识别结果控制继电器执行相应动作.为避免人工设计的滤波器在特征提取时造成信息损失,系统采用语音信号的语谱图作为声学模型输入,通过多层卷积单元自动提取说话人语音特征进行分类判断,并引入语音唤醒机制,保证系统的安全性和低能耗.系统测试结果表明,该门禁系统1次识别成功率达95%以上,平均响应时间满足设计要求,具有较好的实用性.

基于深度可分离稠密网络的新型冠状病毒肺炎X线图像检测方法研究

新型冠状病毒肺炎肆虐全球,为了更加快速地诊断新型冠状病毒肺炎(COVID-19),本文提出一种深度可分离稠密网络DWSDenseNet,以2905例COVID-19胸部X线平片影像作为实验数据集,在网络训练前使用限制对比度自适应直方图均衡化(CLAHE)算法对图像进行预处理,增强图像的对比度,将预处理之后的图像放入训练网络中,采用Leaky ReLU作为激活函数,调整参数以达到最优。本文引入VGG16、ResNet18、ResNet34、DenseNet121和SDenseNet模型进行比较,所提出的网络在三分类实验中相较于ResNet34在准确率、灵敏度和特异性上分别提高了2.0%、2.3%、1.5%。相对于改进前的SDenseNet网络,本文模型的参数量减少了43.9%,但分类效果并未下降。通过对比实验可以发现,本文所提出的深度可分离稠密网络对COVID-19胸部X线平片影像数据集具有良好的分类效果,在保证准确率的情况下,深度可分离卷积能够有效地降低模型参数量。

基于DSC-YOLOv5s的煤矸目标检测算法

针对现有的基于图像处理的煤矸分选检测方法准确度低、速度慢、参数量和计算量大等问题,提出了一种基于DSC-YOLOv5s的煤矸目标检测算法。实验结果表明:DSC-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升1.3%,参数量降低15.6%,浮点计算量降低2.5%,可为煤矸智能分选场景中的煤矸目标检测提供借鉴。

轻量级CNN实时跌倒预测及嵌入式系统实现

为了实现实时而准确的跌倒预测,同时将深度学习模型移植到于可穿戴端设备中运行,提出了一种轻量级卷积神经网络模型。借鉴深度可分离网络的轻量级模型思想,设计了网络结构,并优化通道数和卷积核尺寸,在保证准确率基本不变的情况下大大减小了模型计算复杂度。为将算法部署于可穿戴跌倒保护设备,提出了模型在嵌入式端的实时运行框架,并将算法编写为C程序,移植到了STM32单片机中。此模型在Sisfall数据集中获得了97.5%的准确率,204.3 ms的裕量时间。移植的模型仅有11.65 KB大小,在STM32单片机中的算法延时仅为8.24 ms。实验结果表明,该模型具有较高的预测精度和很好的实时性,为跌倒预测算法和跌倒保护装置的开发提供了进一步的参考。

基于移动边缘计算的车联网车牌号码识别算法

车联网视频采集终端在复杂环境下会出现准确率较低的问题,对此提出基于神经网络的车载视频采集终端车牌号码识别算法。依托移动边缘计算优势,在车联网侧添加边缘层MobileNet可分离卷积核,在采用滤镜算法对采集图像进行数学形态学预处理后,结合云端的深度神经网络,设计一种基于车联网边缘计算的车牌号识别算法。实验结果表明,该方法较传统方法有着更高的准确率与速率,更好满足了公安应急处突中移动车辆实时定位的要求。

TensorFlow在图像识别系统中的应用

人工智能将是未来发展的大方向,深度学习则是人工智能领域的一个重要分支。随着深度学习在国内外的快速发展,以及深度可分离卷积神经网络模型的提出,极大地推动了深度学习在图像识别、文字处理和语音识别等领域的广泛应用。基于Google人工智能系统TensorFlow的深度学习开发平台,可以快速搭建出深度可分离卷积神经网络。文中采用MobileNet模型,Ubuntu16.04开源Linux操作系统,CUDA9.0运算平台,cuDNN7.0.5并行架构,设计Python爬虫程序构建数据集,运用TensorBoard对模型进行可视化。通过对此类模型进行重建和训练,保存训练完成的模型,对图像实现了较高准确度的识别。完成在不同迭代次数下模型性能的测试和分析,通过与Inception_v3模型的准确度与迭代周期进行对比,表明MobileNet在移动端、嵌入端以及网络规模大小和内存限制时具有较好的推广应用价值。

基于MobileNet的敏感图像识别系统设计

目前人工智能技术已经渗透到媒体日常生产的全部环节,研究面向内容安全的图像识别技术,对网络中的违法不良图像信息进行识别和监管,具有重要的现实意义。本设计利用深度可分离卷积神经网络和MobileNet模型,配合cuDNN的GPU并行计算架构,对构建的敏感图像数据集进行训练。保存训练完成的模型,对敏感图像实现较高准确度的识别。

基于改进SegNet模型的斑马线图像语义分割

无论是在智能驾驶系统中,还是在智能导盲系统中,道路标线的检测都是一项重要内容。针对传统斑马线识别方法精度低、速度慢的问题,提出了利用深度可分离卷积网络改进SegNet模型的语义分割方法,通过网络爬虫以及手动数据标注,经过Tensorflow深度学习框架训练,其模拟检测达到了较好的结果。试验结果表明,由自行构建的斑马线数据集,训练后的模型每帧运算速度在59 ms内,对斑马线区域分割的像素精度达98.1%,交并比达91.6%。此运算速度以及分割精度满足大部分智能导航系统的需求,为斑马线识别的机器视觉识别提供了技术支持。

一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法

针对频分双工大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统中信道状态信息(Channel State Information,CSI)反馈方法复杂度高、精度低和开销大的问题,本文提出了一种基于深度学习的低复杂度CSI反馈方法.该方法通过端到端的方式构建了一种从用户设备编码器到基站解码器相结合的网络结构.编解码器利用连续的平均池化层和上采样层完成特征图的降维和升维,同时引入深度可分离卷积神经网络减少网络参数量.在解码器部分,本文利用残差网络构建连续的拥有大卷积核的残差块逼近原始CSI矩阵.仿真结果表明,和已有的代表性方法相比,本文所提方法在归一化均方误差上有2 dB~5 dB的性能提升,在余弦相似度上也有2%~5%的提升,并且在时间复杂度和空间复杂度上均有更好的表现.