基于卷积神经网络的绘画图像分类研究

绘画作品的数字化对有效使用绘画资源具有重要意义,传统图像分类方法并未考虑绘画作品主观特性,且大部分特征需要人工提取,存在细节特征丢失等问题.在此提出基于卷积神经网络的绘画图像分类方法,分析了卷积核大小、卷积神经网络结构宽度、训练样本数量对分类结果的影响,以优化网络结构和参数.实验结果表明,该方法对绘画图像分类的有效性,在不同绘画图像数据集的分类实验上也得到了较好的分类结果.

AlexNet网络的井下钻杆打钻动作识别

由于目前煤矿井下钻杆计数效率低下且极易出错,因此本文提出一种基于AlexNet网络煤矿井下钻杆打钻动作识别的方法。本文对原AlexNet网络的拓扑结构和参数进行修改、调整,并通过MATLAB进行仿真实验对比,最终确定其最优的拓扑结构和参数。通过实验发现,神经网络深度为2层,卷积核个数为16,卷积核大小为5*5,步长为2,激活函数为Relu,学习率为0.001,最大学习整个数据集的次数为5,调整后的AlexNet网络模型分类检测平均准确率可达99.37%。

基于多尺度注意力残差网络的图像超分辨率重建

数字图像在传递信息中起着重要的作用,图像超分辨率技术能丰富图像的细节信息.针对许多网络对低分辨率图像的有效特征复用不足和参数量过大的问题,本文结合不同大小的卷积核以及注意力残差机制构建图像超分辨率网络,用3个有差别尺度的卷积层来提取图像的特征,其中第2和第3层用小卷积核替代大的卷积核,对3层卷积融合之后引入注意力机制,最后用传统的Bicubic插值直接给网络提供低频信息.在减小参数量和减轻梯度消失的同时,让有效的高频信息得到更大的权重且能增强网络之间的非线性表达能力,这有利于网络训练的迭代收敛.实验结果表明,基于多尺度注意力残差网络能够在一定程度上增强图像的重建能力.