基于稠密连接卷积神经网络与混合注意力的烟叶图像分级方法

针对烟叶实际收购过程中受环境与个人状态影响而导致分级准确率下降的问题,提出一种结合稠密连接卷积神经网络与混合注意力机制的深度学习模型。该模型通过改进残差注意力网络,在原网络注意力模块的主分支残差模块与网络输出阶段的多个残差模块上,使用稠密连接卷积模块进行替换,以增强分支特征学习性能并降低参数量,缓解梯度消失问题。同时,使用两个残差注意力网络的注意力机制模块,并添加空间注意力模块加权提取烟叶特征图在空间、通道维度的信息,以获取更全面的特征信息。通过10个等级共5 000张烟叶图像的实验表明,该网络在降低网络深度的同时,提升了检测速度与识别精度,分级正确率相较于原网络与VGGNet19分别提升8.19%、7.72%,网络参数量相较于ResNet34减少45%,训练速度提升38.11%,可证明该方法对不同等级烟叶均具有较好的识别效果和较快的识别速度,能较好地对生产中的烟叶进行分级。

基于卷积神经网络的人脸表情识别算法

人脸表情识别是图像识别的一个重要领域。传统人脸表情识别主要基于人工提取特征,由于人脸表情丰富、背景复杂、差异范围大等问题,其存在算法鲁棒性较差、易受人脸身份信息干扰等问题,以及传统卷积神经网络易发生过拟合、梯度弥散、梯度爆炸等问题的现状,因此本文提出一种多层特征融合非反向传播稠密卷积神经网络的人脸表情识别算法。该算法应用了改进的HSIC (Hilbert-Schmidt Independence Criterion,希尔伯特–施密特独立性)-bottleneck来代替传统反向传播(Back Propagation, BP),具有诸多独特的优点。在特征提取过程中,为了充分利用得到的特征图像,将卷积层稠密连接并引入attention机制,最终通过softmax分类器分类,得到分类结果。在FER2013数据集上进行了多次实验,与传统BP算法的卷积神经网络算法相比,不仅有效减轻过拟合现象,并且在模型收敛速度上更快、计算量更小、内存占用更小,证明了在人脸表情识别问题中非反向传播稠密卷积神经网络模型结构有效、提出的分类优化方法可行。

基于语谱图与稠密卷积神经网络的性别与年龄识别研究

针对传统的特征提取算法与分类识别模型对说话人年龄的识别精确度较低,且受外界噪声影响较大等问题,提出了一种结合改进型语谱图与自建DenseNets网络对性别与年龄识别的方法。首先制作语谱图数据集并改进语谱图的特征提取方式,然后搭建网络模型对语谱图进行分类识别,最后对算法模型的性能进行分析,并实现在线识别说话人的声纹特征。实验结果表明:该算法模型可以有效识别说话人的性别与年龄区间,具有一定的实用意义。

一种基于改进稠密卷积神经网络的表情识别方法

人的表情包含大量信息,可用于显示人的很多情感状态,例如疲劳和疼痛的表情等。卷积神经网络(CNN)是一种识别人脸表情的有效方法,它可以同时执行特征提取和分类,并可以自动发现数据中的多个表情特点。针对卷积神经网络参数大以及传统表情识别方法准确率不高的问题,提出一种基于改进的稠密卷积神经网络的面部表情识别模型。首先通过使用Gabor滤波器初始化第一层卷积层;然后采用一种对数线性函数(LLU)进行网络优化,该模型中的特征重用和参数压缩技术提高了网络的学习能力,大大减少了模型参数;最后基于此模型设计了一个表情识别系统,该系统能够准确地识别照片上的表情和在线识别人脸表情。实验结果表明,该模型可以显著提高三个表情数据集的准确率,并能很好地识别人脸表情。

卷积神经网络物体检测算法在物流仓库中的应用

针对传统物体检测算法在复杂环境下检测准确率较低的问题,提出一种新的托盘检测算法。采集真实仓库中包括人和托盘的大量图片进行标注,构建物流仓库的托盘数据库,并将单次多箱探测器检测算法中的基础网络改进为DenseNet网络,利用所标注的托盘数据库进行训练和测试。在测试阶段,结合不同分辨率的多尺度特征图,以增强网络对被检测物体的适应能力,并使用单一网络实现检测任务。实验结果表明,与YOLO算法相比,该算法检测准确率提高了6.1%。

基于离散小波变换的细节增强的图像修复优化方法

针对现有基于小波变换的深度图像修复方法存在的不足进行优化,提出了一种基于离散小波变换的细节增强的深度图像修复优化方法。首先,采用一种求和方法将现有方法中的冗余高频信息加以利用,进一步增强修复图像的高频细节;其次,提出一种基于稠密神经网络(DenseNet)的判别网络结构,改进原有方法中的判别网络结构,以提高修复图像的质量;最后,在多个公共数据集上进行大量实验,实验结果表明,所提出的优化方法具有有效性。

基于分段重标定的稠密卷积神经网络的分带染色体图像类型识别

人类染色体核型分析是诊断遗传疾病的重要手段,染色体图像类型识别是分析过程的关键步骤,准确高效地识别对自动核型分析具有重大意义。本文提出了一种分段重标定的稠密卷积神经网络模型(SRDenseNet),模型各阶段先利用稠密连接的网络层自动提取染色体不同抽象层次的特征,再用压缩激活(SE)结构对汇集了局部所有特征的层进行特征重标定,对不同特征的重要性显式地构建可学习的结构;提出了一种模型融合方法,构建了染色体识别模型专家组。在国际公开的哥本哈根染色体识别数据集(G显带)上进行了实验验证,该模型的识别错误率仅为1.60%;采用模型融合方法后,识别错误率进一步降低到0.99%。在意大利帕多瓦大学的数据集(Q显带)上,识别错误率为6.67%;模型融合后,进一步降低到5.98%。实验结果表明本文所提方法是有效的,具备实现染色体类型识别自动化的潜力。

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明:基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.

基于多特征卷积神经网络的手写公式符号识别

提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。

基于并行LSTM-CNN的化工过程故障检测

为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。

基于DenseNet的人脸表情识别方法研究

在人脸识别方向,文章提出了一种基于稠密卷积神经网络的人脸表情识别方法。该方法通过特征复用与旁路连接的策略,实现低计算资源的高效特征表达,从而达到提高表情识别系统准确率的目的。文中提出的人脸表情识别方法,使用GPU运算优化模型,最终在拓展的KDEF人脸表情数据集上取得了96.88%的准确率,优于目前已公开的大部分人脸表情识别方法。文章利用预先训练好的人脸表情识别模型,设计出表情识别原型软件,通过使用摄像头实时捕捉人脸表情进行识别,能够取得很好的识别效果。

基于SE-DenseNet的变压器故障诊断

由于变压器故障数据有限,采用神经网络诊断容易出现过拟合。通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深度稠密神经网络(Densely Connected Convolutional Networks,DenseNet)进行数据融合,特征重复利用以及挤压和激励模块(Squeeze-and-Excitation,SE)的特征图权重值校准的优点,运用指数衰减学习率、dropout、L2正则化、损失函数Adam收敛算法等优化方法,并且在同样数据集下将深度卷积神经网络、DenseNet与SE-DenseNet的三者性能进行定量对比分析。实验结果表明,三者之中本文提出的SE-DenseNet模型收敛速度快,准确率最高,泛化能力最强。

基于多尺度特征损失函数的图像超分辨率重建

在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。