基于边缘的双路卷积神经网络及其可视化

为提高小尺度复杂图像识别准确率,通过对LeNet-5卷积神经网络并入一个新通道,让其处理与边缘有关的信息。结合两种通道产生的不同特征构造分类器,提出一种基于边缘的双路卷积神经网络,对小尺度复杂数据集进行识别。在包含10类产品数据上分类的结果表明,双路卷积神经网络的识别准确率远高于传统网络。最后通过神经网络可视化算法对双路卷积神经网络进行了可视化分析。

融合改进残差网络和Transformer的易混淆中药饮片识别研究

目的:基于改进的残差卷积神经网络和Transformer混合架构对5组常见的根茎类易混淆中药饮片构建分类模型,探索人工智能对复杂场景中药饮片的分类价值。方法:以玉竹与知母;大血藤与鸡血藤;桔梗与黄芪;防风、前胡与板蓝根;怀牛膝、川牛膝与续断12类5组易混淆中药饮片为研究对象,构建包含8720张图片的中药饮片数据集。设计基于残差模块和注意力机制的TyNet103 CNN+Transformer模型,对TyNet103自建模型进行消融实验并与3个经典模型的准确率进行比较,结合集成学习思想进行基分类器投票得到中药饮片分类结果。结果:4个模型在测试集上的初始准确率分别为78.41%、77.83%、72.57%和80.13%,模型改进并应用组合策略优化后准确率分别达到95.35%、96.65%、96.33%、97.56%,应用集成学习方法得到的强分类器在测试集上准确率可达99.41%。结论:通过模型改进,组合优化策略和集成学习实现的中药材分类模型具有智能化、客观化、准确率高且高效易用的特点,可辅助鉴别易混淆的中药饮片。

改进的SqueezeNet网络在船舶分类中的应用

船舶分类在仿真系统中应用广泛,针对目前船舶分类准确率不高以及在提高准确率的同时无法很好兼顾实时性的问题,提出了先对输入图片预处理,经过彩色转灰度再二值化后输入改进的卷积神经网络(CNN)的方法。所改良的网络结构以SqueezeNet为基础,并将网络浅层输出和深层输出级联合并作为最终输出,使得特征内容更加丰富;同时对Adam优化器进行改进,针对模型训练时Loss是否持续降低自适应调整学习率,加快模型收敛速度。经实验对比,所改进算法的船舶分类准确率比SqueezeNet、GoogleNet、MobileNet_V3网络平均高出1.24%,运行时间平均降低3.09%。

基于生物学知识库的临床预测深度学习算法研究进展

深度学习在生物医学领域具有较高准确率和自动提取特征的优势,已广泛应用于疾病预测。由于网络复杂且参数众多,为确保预测结果的稳定性和可靠性,进一步了解疾病的发生机制,深度学习模型的可解释性成为亟待解决的关键问题。通过将现有的知识框架,如信号通路调控网络,与深度神经网络相结合,构建具有生物学可解释性的深度学习模型,即可视化神经网络。本文总结了近5年来关于可解释生物深度模型的研究成果,并阐述了可解释模型(可视化)的原理,这些模型主要应用于肿瘤、遗传疾病和药物合成等领域。可视化神经网络降低了模型的复杂度和计算成本,逐步建立起一种推动疾病诊断、治疗和药物发现的生物信息学新范式。

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释。以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证。利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释。结果表明:所构建模型在测试集中的平均识别准确率达98.89%,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力。

Visualization of flatness pattern recognition based on T-S cloud inference network

Flatness pattern recognition is the key of the flatness control. The accuracy of the present flatness pattern recognition is limited and the shape defects cannot be reflected intuitively. In order to improve it, a novel method via T-S cloud inference network optimized by genetic algorithm(GA) is proposed. T-S cloud inference network is constructed with T-S fuzzy neural network and the cloud model. So, the rapid of fuzzy logic and the uncertainty of cloud model for processing data are both taken into account. What's more, GA possesses good parallel design structure and global optimization characteristics. Compared with the simulation recognition results of traditional BP Algorithm, GA is more accurate and effective. Moreover, virtual reality technology is introduced into the field of shape control by Lab VIEW, MATLAB mixed programming. And virtual flatness pattern recognition interface is designed.Therefore, the data of engineering analysis and the actual model are combined with each other, and the shape defects could be seen more lively and intuitively.

声呐图像自动目标识别技术研究

提出了一种基于神经网络可视化的声呐图像自动目标识别技术,能够仅依靠样本类别标签实现对声呐图像目标的定位与识别,较大减少了人工成本,也使得方法容易泛化到声呐图像的不同数据集上。该方法首先使用Grad-CAM技术可视化解释神经网络,并作为可视化输入图像目标位置的基本方法,之后与ResNet-18主干模型结合实现了基于神经网络可视化的声呐图像自动目标识别技术的基础模型,并在真实声呐图像数据集上进行了实验验证。针对因为声呐数据集的不丰富而造成的模型目标定位失准的问题,该方法进一步通过迁移预训练参数,优化基础模型提取特征的能力,从而使得该方法在实际定位和识别声呐图像目标时的准确率和鲁棒性有了明显提升。