基于并行深度卷积神经网络的图像美感分类

随着计算机和社交网络的飞速发展,图像美感的自动评价产生了越来越大的需求并受到了广泛关注.由于图像美感评价的主观性和复杂性,传统的手工特征和局部特征方法难以全面表征图像的美感特点,并准确量化或建模.本文提出一种并行深度卷积神经网络的图像美感分类方法,从同一图像的不同角度出发,利用深度学习网络自动完成特征学习,得到更为全面的图像美感特征描述;然后利用支持向量机训练特征并建立分类器,实现图像美感分类.通过在两个主流的图像美感数据库上的实验显示,本文方法与目前已有的其他算法对比,获得了更好的分类准确率.

基于并行映射卷积网络的超分辨率重建算法

针对基于卷积网络的超分辨率重建算法对不同场景下的图像存在复原质量不佳、细节信息丢失的问题,对卷积网络结构详细分析,结合重建模块和损失函数约束条件存在的问题,提出了基于并行映射卷积网络的超分辨率重建模型。该模型基于端到端的思想,构建并行映射网络及正则化约束条件,能对图像特征进行层次化自主提取,在高分辨率图像重建时极大地丰富图像特征的维数;并且将全变分正则化引入到重建模块,有效地克服了超分辨率的病态问题,从而获得鲁棒、丰富的图像信息,提升了重建图像的质量。实验结果表明,所提出的网络模型具有更优异的性能,其超分辨率算法在视觉评价和量化指标上取得了更好的重建效果。

基于并行卷积神经网络的X线图像成像部位识别

医学图像中成像部位的识别是医学图像处理的关键技术。鉴于卷积神经网络优异的特征提取和分类识别能力,该文提出一种并行卷积神经网络结构,通过使用不同尺寸的卷积核,提取X线图像中不同尺寸大小的局部特征,实现图像中成像部位识别。实验分析可知,并行卷积神经网络能够提取更多维度和有代表性的图像特征,具有较强的医学图像中成像部位分类识别能力。

基于全卷积神经网络的非对称并行语义分割模型

针对RGB图像具有丰富的色彩细节特征,红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点,提出了一种非对称并行语义分割模型APFCN(Asymmetric Parallelism Fully Convolutional Networks).APFCN上路设计了一个卷积核尺寸非统一的五层空洞卷积网络来提取红外图像目标高层轮廓特征;下路沿用卷积加池化网络提取RGB图像三个尺度上的细节特征;后端将红外图像高层特征与RGB图像三个尺度的细节特征进行融合,并将4倍上采样后的融合特征作为语义分割输出.结果表明,APFCN在像素精度和交并比等方面均优于FCN(输入为RGB图像或红外图像),适用于背景一致下地面目标的语义分割任务.

多任务并行卷积神经网络的电压暂降分类方法

针对电力系统中暂降事件引起的单相或多相电压在幅值和相位上的变化,提出了一种基于多任务学习的并行卷积神经网络的电压暂降分类方法.网络模型包括特征提取、特征融合和分类识别三个部分.首先针对三相电压之间的关联性,通过一维和二维卷积子网络分别捕获暂降信号在单相和三相电压上同一时刻的畸变特征.然后利用两个子网络的特征互补性将提取的特征进行融合,得到更具辨识力的特征信息.最后,采用多任务学习网络对电压暂降进行分类,同时辨别出其发生的相序、幅值和相位的变化.使用结果表明:所提方法能有效增强三相电压暂降信号的变化特征,实现电压暂降信号的精细化分类,显著提升现有暂降分类方法的准确率.

并行尺度裁切的深度卷积神经网络模型

针对并行卷积神经网络(PCNN)的参数过多,模型训练时间成本高的问题,本文提出了并行尺度裁切卷积神经网络(PSC-CNN).PSC-CNN算法是将并行卷积神经网络其中一路(Path A)的输入及该通路的特征提取层的输出通过Crop层裁切得到新的尺寸的图像供给另一路(Path B)网络作为输入.这样,Path A的输入图像在数据层经过一次随机裁剪,Path B则经过了两次裁剪操作,增加了输入数据的多样性,提升了模型的学习能力.算法以AlexNet为基础网络,分别设计了对应的PCNN及PSC-CNN模型,在数据集Caltech101、Caltech256上进行实验.实验结果表明,相较原始的PCNN,本文提出的改进算法有效的提升了分类准确度同时缩短了训练时间.

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明:在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。

基于交叉并行卷积神经网络的货物列车车厢号识别系统

现有的车厢号识别系统常存在着效率不高、改造困难、维护复杂等缺陷。利用深度卷积神经网络设计货物列车车厢号自动识别系统。通过搭建深度卷积框架LPCNN,缩减模型结构,采取交叉并行的数据传输方式,对图片集进行训练测试,识别的最终结果表明该系统与现有的Alex-Net模型对比,参数的数量仅需其1/50,且识别结果精度和准确率得到有效提升。

基于并行卷积神经网络的人群密度估计方法

人群密度自动估计是智能视频分析的研究内容之一.目标之间相互遮挡、背景复杂等因素影响了人群密度估计的准确性.随着数据规模的不断扩大,深入学习已经成为数据处理中非常有用的工具.本文提出了一种并行卷积神经网络模型,对人群密度进行估计并分类.首先,将图片进行分块并将之作为并行卷积神经网络的输入;然后,基于不同区域采用不同的卷积核提取不同的特征,并进行特征融合;最后,将其进行分类,并得到分类结果.实验表明:该网络具有较好的学习及分类效果和较高的运算速度,对人群密度能够进行较为准确和快速的估计.

基于并行双路卷积神经网络的安全帽识别

文章针对人工监看视频判断是否佩戴安全帽的低效率现状,改进LeNet_5,提出一种并行双路卷积神经网络方法识别安全帽。该方法在输入通道添加图像的HOG特征通道,然后通过两路输入图像尺寸和层次深度不同的卷积神经网络并将所得图像特征进行串接融合,输入SVM识别人体,最后结合目标区域的颜色特征判别安全帽。实验结果表明,文中方法能更有效识别多姿态施工现场人员,并且适应多样的施工场景,达到0.867的安全帽识别率。

基于并行卷积神经网络的图像美学分类

针对传统的图像美学分类大多基于手动提取图片的美学特征,利用神经网络等方法对图像进行分类,存在分类效果不佳的问题,提出一种基于深度学习的并行卷积神经网络算法,改进图像美学分类的方法。从图像的不同角度出发,自动提取有用的图像美学特征,提高对图像美学的分类效果。实验结果表明,与其它算法实验结果相对比,所提算法增加了图像美学分类的准确率,有一定的实用性。

基于并行卷积神经网络的军事目标图像分类技术

针对军事战场背景下不同军事目标相似度较高,使得复杂环境中目标识别率较低,且军事目标与作战环境相似度也比较高,因此对作战环境中的军事目标图像分类技术进行研究是有必要的,本文利用卷积神经网络在静态图像上稳健的特征提取能力,提出一种基于卷积神经网络的并行网络模型,用于军事目标图像分类,该方法利用两种边缘检测算子分别提取目标图像特征,之后输入卷积神经网络中进行深度特征提取,与传统卷积神经网络相比,分类识别率提高了1.2%,达到了97%。理论分析与实验数据说明,通过该模型能够对军事目标图像数据进行有效区分,对准确提供军事作战信息有重要意义。

基于并行深度卷积神经网络的图像美感分类

在当前计算机信息技术的发展背景下,社交网络发展速度逐渐加快,人们对于图像美感的自动评价也更加关注。但图像美感评级系统在实际运行的过程中存在一定的复杂性与主观性,难以使用传统手动方式对图像美感进行合理分类,难以实现图像美感准确量化。为此,本文通过对并行深度卷积神经网络的结构以及实现进行分析,从而合理做好图像美感分类工作,提高图像美感分类准确率。

应用卷积神经网络的人脸活体检测算法研究

生物特征识别系统必须拥有快速准确的分类能力。针对传统人脸活体检测方法的特征提取单一和基于深度学习的检测算法中的网络训练时间长、梯度容易消失以及过拟合等问题,提出一种新型人脸活体检测算法BM-CNN(based on mixnetwork-convolutional neural network)。算法首先采用人脸分割技术和基于曲率滤波的图像增强技术对人脸图像进行预处理,然后使用优化卷积神经网络(convolutional neural network,CNN)对预处理图像进行特征提取与决策分类。对卷积神经网络,提出一种复合的并行卷积神经网络,CNN使用二均值池化策略,并综合批量归一化BN(batch normalization)方法和多类型非线性单元提高算法检测性能,通过双线并行的卷积神经网络对活体人脸进行检测。在NUAA数据库和CASIA数据库上对算法进行对比实验,实验结果显示该算法能对人脸图像进行准确的分类,并在样本数量和训练时间上有较大的提升。

基于密集卷积神经网络的遥感影像超分辨率重建

针对传统遥感影像超分辨率重建方法依赖同一场景多时相图像序列且需预先配准等缺点,本文提出了一种基于密集卷积神经网络的遥感影像超分辨率重建的方法。该网络直接将低分辨率遥感影像作为网络的初始输入,通过密集卷积神经网络学习影像的高阶表示,获得更具有表达能力的深层特征;同时,在网络中采用并行的1×1卷积滤波器结构,通过该结构减少模型参数;在重建网络中使用亚像素卷积可以更快地实现特征图的重建。在UCMerced_LandUse公共数据集上的实验表明:本文的网络模型提升了传统深度网络的影像重建性能,增强了重建图像的纹理细节并改善影像边缘失真,提升了重建影像的性能。

基于GADF-CWT-GCNN的滚动轴承故障诊断方法研究

针对滚动轴承故障诊断在小样本环境下引起的模型泛化能力差、诊断精度低的问题,提出一种基于格拉姆角分场(GADF)和连续小波变化(continuous wavelet transform,CWT)与并行二维组归一化卷积神经网络(parallel convolutional neural network,P2D-GCNN)的滚动轴承故障诊断方法。对采集的数据进行预处理,采用格拉姆角场和连续小波变换将一维振动信号转换成二维图像作为模型输入,再选用数据增强技术扩充样本子图,满足网络输入要求,并将其导入搭建的组归一化卷积神经网络中进行诊断检测。结果表明:文中数据处理方法与搭建模型在小样本环境下泛化能力远高于SVM和1D-CNN等其他网络模型。为进一步验证模型在小样本数据下的识别能力,取数据集的70%,40%和20%样本量进行多次实验,所对应的训练准确率及测试准确率分为99.38%,99.02%,99.47%,98.29%,99.05%,97.08%。结果证明,文中模型在小样本环境下对轴承故障诊断具有很高的准确率。

基于并行全连接卷积神经网络模型的室内可见光信道的最优灯源布局

针对室内LED灯源光强分布不平坦、传统Lambert模型未考虑非直射信道、环境中噪声和干扰、障碍物遮挡、室内边界及不规则房间布局等问题,提出基于并行全连接-卷积神经网络(PFCNN)模型的室内可见光定位(VLP)最优灯源布局方案。通过采集现场灯源坐标、功率和朝向角等灯源信息及其对应的接收平面光强分布构建指纹库数据集,并用蒙特卡罗方法衡量光强分布平坦度参数;提出采用全连接神经网络和并行全连接神经网络建立可见光信道模型;基于PFCNN模型构建光强平坦度预测模型;采用动量粒子群优化K-Means++(Mot-PSO-K-Means++)算法实现最优灯源布局。仿真分析可知:并行全连接神经网络相比全连接神经网络精确度提升84.69%;在5 m×5 m×3 m的室内空间中,4-LED布局下光强平坦度达到92.00%,光强范围为340~440 lx;12-LED布局下光强平坦度达到91.00%,光强范围为980~1120 lx。该方案有更高的平坦度、较强适用性,可应用于实际室内VLP场景,为室内VLP深入研究提供理论支撑。

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。

基于双模式分解多通道输入的VSC-STATCOM逆变器故障诊断模型

针对传统电压源型静止同步补偿器中逆变器故障诊断存在的信号特征提取不充分,深度学习网络识别能力不足以及高噪声情况下识别率较低等问题,提出了一种基于双模式分解、多通道输入(MCI)、并行卷积神经网络(PCNN)、双向长短时记忆(BiLSTM)网络和自注意力(SA)机制组合的逆变器故障诊断方法。首先利用变分模态分解和时变滤波经验模态分解对逆变器输出的三相电流进行分解,降低原始信号复杂程度,实现不同模态分量间的规律互补;其次,利用MCI-PCNN-BiLSTM-SA组合模型对特征矩阵进行深层特征提取、学习和识别;最后,通过仿真进行验证,结果表明所提方法特征提取能力较强,在无噪声情况下平均识别率高达99.48%,在高噪声情况下平均识别率达95.59%。