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DenseNet卷积神经网络的短期风电预测方法

风能作为一种清洁、可再生的能源,在能源转型中扮演着至关重要的角色,准确预测风电出力对电力系统的安全高效运行非常重要,然而风速的波动性和随机性,对风电预测带来了挑战。为了提高风电预测的准确性,提出了一种基于DenseNet卷积神经网络的短期风电预测模型。该模型通过精简DenseNet201网络得到了拥有出色的密集连接结构和适当深度、宽度的DenseNet160网络,不仅能缓解训练过程中梯度消失现象,还能通过密集连接将浅层的信息反映到深层,实现深度监督。基于巴西纳塔尔地区378 d的风力数据集,采用DenseNet160网络以及27种算法对未来一天的风力发电情况进行预测。结果表明:DenseNet160网络的平均绝对误差、均方误差以及平均绝对百分误差比其他算法分别降低了至少10.89%,4.98%,8.68%;同时,与使用相同数据集的混合经济模型相比,DenseNet160网络的MAE值小了25.56%。说明该模型能精准地拟合风力发电数据,获得可靠的风力预测结果。

卷积神经网络的图像识别算法研究与实现

文章通过研究卷积神经网络(Convolutional Neural Networks,CNN)的架构、卷积和池化操作以及全连接等,搭建并配置五种不同的CNN模型(LeNet、AlexNet、VGGNet、InceptionNet、ReNet),利用两个数据集的训练集和测试集分别训练和测试五种模型的效果,最后使用准确率和交叉损失熵评估五种模型。

基于空洞卷积神经网络的医学超声图像去噪

散斑严重影响医学超声图像的质量,从而导致临床诊断和图像处理困难。为解决上述问题,提出一种基于空洞卷积神经网络的散斑减小方法。不同于其他的散斑抑制方法,文中通过建立超声图像和散斑图像之间的非线性映射,同时结合跳跃连接使网络不会发生梯度爆炸或消失,从而具有较好的反向传播能力。该方法可以通过超声图像预测散斑,再由超声图像与预测的散斑图像相减从而得到干净的超声图像。该方法相较于散斑减少各向异性扩散(SRAD)和细节保持各向异性扩散(DPAD),具有更好的散斑减少和结构保存性能,在对比的量化数据上提升巨大。实验结果表明,该方法在超声医学图像上具有较好的性能和鲁棒性。

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。

基于轻量卷积神经网络的车牌定位识别方法

文中提出了一种新型基于轻量卷积神经网络的车辆车牌定位识别方法.采用基于改进的YOLOv3算法对车牌进行定位,基于免分割的轻量卷积神经网络LPRNet识别车牌字符.在车牌定位方面,改进YOLOv3网络的特征提取网络以降低设备要求,同时加入密集连接网络,增加对浅层特征信息的重复利用;在损失函数方面,引入DIOU损失函数,加快网络收敛以提高YOLOv3网络的定位精度;在车牌字符识别方面,采用基于免分割轻量卷积神经网络识别车牌字符,准确率高且保证了网络的轻量.结果表明:改进的YOLOv3网络算法的平均正确率降低了2.2%在CPU上检测速度达到了35帧/s,结合字符识别网络,总体检测速度达到27帧/s,满足实时性检测要求.

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。

一种基于双通道的水下图像增强卷积神经网络

近年来各国对于海洋生物的保护意识日益强烈,用来监测海洋生物生存状态的水下机器人装备的研发是保护海洋生物资源的关键。水下相机是这类机器人在水下进行海洋生物监测时的光学感知设备。然而水下环境复杂,拍摄到的图像模糊不清,为解决水下图像模糊等问题,提出了一种基于双通道的水下图像增强卷积神经网络。在网络的编码器中采用双通道结构,其中一个通道采用了密集连接和高效通道注意力机制,提取水下图像的细节特征,另一个通道采用多尺度结构,提取原始图像的多尺度语义特征。接着,在网络中引入残差注意力模块和自适应特征融合模块,进一步优化了特征。最后将优化后的特征输入解码器重建出增强后的水下图像。试验表明:提出的网络算法在UIQM指标和Entropy指标上分别为3.0056和7.6547,较第二名的算法分别高出0.0975和0.1232。

基于密集连接卷积神经网络的入侵检测技术研究

卷积神经网络在入侵检测技术领域中已得到广泛应用,一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题,该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中,并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验,将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高,而且缓解了在训练过程中梯度弥散问题。

稠密融合卷积神经网络的多模态地基云状分类

为了解决现有的地基云状分类方法对多模态信息利用不充分的问题,有效融合地基云样本的视觉特征与多模态特征,提出稠密融合卷积神经网络的多模态地基云状分类方法。稠密融合卷积神经网络采用卷积神经网络作为视觉子网络提取地基云图像的视觉特征,采用多模态子网络提取多模态特征,在网络内部加入了5个稠密融合模块,用于充分融合视觉特征与多模态特征,稠密融合模块在不改变原有网络结构的同时,能够独立地加到入子网络中,具有较大的灵活性。在多模态地基云公开数据集MGCD上的实验达到了89.14%的分类精度,验证了所提出的稠密融合卷积神经网络在地基云状分类任务中的有效性。

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%。

交叉连接的少层残差卷积神经网络

最近的研究表明,卷积神经网络的性能可以通过采用跨层连接来提高,典型的残差网络(Res Net)便通过恒等映射方法取得了非常好的图像识别效果.但是通过理论分析,在残差模块中,跨层连接线的布局并没有达到最优设置,造成信息的冗余和层数的浪费,为了进一步提高卷积神经网络的性能,文章设计了两种新型的网络结构,分别命名为C-FnetO和C-FnetT,它们在残差模块的基础上进行优化并且具有更少的卷积层层数,同时通过在MNIST,CIFAR-10,CIFAR-100和SVHN公开数据集上的一系列对比实验表明,与最先进的卷积神经网络对比,C-FnetO和C-FnetT网络获得了相对更好的图像识别效果,其中C-FnetT网络的性能最佳,在四种数据集上均取得了最高的准确率.

基于卷积神经网络的拧紧曲线异形识别方法研究

针对现有拧紧曲线异形识别方法依赖人工提取特征和专业知识的问题,提出了一种基于卷积神经网络的拧紧曲线异形识别方法。首先,针对拧紧曲线数据匮乏、数据长度不均的问题,通过随机裁剪来进行数据增强,通过回归决策树重构曲线实现曲线对齐;然后,基于传统CNN模型,建立了拧紧曲线异形识别模型;最后,通过研究各项超参数与模型识别结果的关系,给出了最终的参数组合方案,并且通过分析训练过程中各个阶段的混淆矩阵,展示了模型的学习过程,通过与传统机器学习方法SVM等对比,验证了本文所提出方法的有效性。实验结果表明:该方法能够有效地识别出螺栓连接拧紧曲线的异常数据,识别正确率可以达到99%,为基于深度学习的螺栓连接件智能诊断提供了方法指导。

基于卷积神经网络的气体传感器阵列识别算法研究及应用

为解决混合气氛中气体浓度识别问题,常利用气体传感器阵列配合模式识别算法进行检测。设计了基于嵌入式处理器的传感器阵列,并利用识别算法对设备采集的混合气体进行分类识别及浓度预测。建立了以氨气、丙酮、甲醇气体为目标的混合气体数据集。使用最邻近分类算法(KNN)、三层全连接反向神经网络(BPNN)和三层卷积神经网络(CNN)分别对混合气体中的氨气、丙酮、甲醇气体进行识别分析。测试结果表明:改进的BPNN和CNN对测试数据集的分类识别率最高均可达100%,对混合气体的浓度预测均方差最低可达3.89和2.47,三层卷积层的CNN算法相对于BPNN和KNN在识别精度上提高明显。通过迁移学习思想,将该算法移植到树莓派中,并进行实际测试,实现了电子鼻应用。

基于改进卷积神经网络的身份证信息识别

针对身份证信息识别中的文字定位和文字识别问题,提出基于改进卷积神经网络的身份证信息检测与识别方法。基于文字识别系统的主流框架并进行以下改进:针对目标检测网络定位文本精度低的问题,依据身份证的样式特点采用模板匹配方法进行文本定位。针对卷积核提取的特征表示能力弱的问题,采用残差模块结合卷积神经网络进行文字识别,使用预训练-微调范式解决证件数据集匮乏问题。针对文本间距离计算效率低的问题,采用集束搜索和语义处理优化识别结果。实验结果表明,该算法与对比方法相比,识别准确率有较大提升。

从全连接网络到卷积神经网络的教学探讨

在深度学习课程的学习中,从全连接神经网络到卷积神经网络是一个大的跨越,初学者首次接触卷积、权值共享、特征提取、池化等很多陌生的概念往往没有头绪,也很难从前面的学习内容中顺畅过渡,需要设计一条前后衔接和呼应、贯穿始终的明确主线,使学习曲线变得平缓。以经典的MNIST手写字符识别案例为引导,以识别精度提升为目标,用设问的方式,逐步深入,理解解决问题的逻辑,同时也掌握核心概念,并提炼出一条从单个神经元的最简单全连接网络到卷积神经网络的学习路径。

全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算

左心室射血分数是临床上用于衡量心脏健康的一项重要指标.为提高左心室分割和射血分数计算的精度,提出一种基于改进的全卷积神经网络和全连接条件随机场的方法.首先利用预训练的全卷积神经网络模型对心脏核磁共振影像进行左心室分割并输出概率图;之后采用3D全连接条件随机场对概率图进行后处理,完成像素级的精准密度预测;最后对左心室分割结果进行3D重建,并计算左心室舒张末期容积和收缩末期容积,进而计算出射血分数.实验结果表明,该方法能够实现左心室射血分数的精确且高效的计算,对左心室射血分数的平均预测误差为4.67%,各步骤耗时短.

自学习稀疏密集连接卷积神经网络图像分类方法

通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。

密集连接扩张卷积神经网络的单幅图像去雾

针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题,提出了一种端到端的密集连接扩张卷积神经网络。首先,通过使用多层密集连接结构来增加网络的特征利用率,避免网络加深时的梯度消失现象。其次,通过在密集块中使用不同扩张率的扩张卷积,使网络在充分聚合上下文特征信息时不损失空间分辨率,并避免了网格伪影的产生。最后,为了提高算法的去雾能力,将该网络划分为多个阶段,并在每个阶段引入侧输出模块,从而获得更精确的特征信息。实验结果表明,所提出的去雾算法无论是在合成数据集上还是在真实数据集上都取得了较好的去雾效果,恢复的色彩更接近无雾图像,并且定量评价指标峰值信噪比(PSNR)和结构相似性(SSIM)均优于其他对比方法。

基于稠密卷积神经网络的烟雾识别方法

针对传统烟雾检测方法中提取的图像特征鲁棒性较差的问题,提出了基于稠密卷积神经网络(DenseNet)的烟雾识别方法。首先,利用卷积操作和特征图融合构建稠密网络块,在卷积层之间设计稠密连接机制,以增强稠密网络块结构内的信息流通和特征重利用;然后,将已构建的稠密网络块叠加成稠密卷积神经网络用于烟雾识别,节省计算资源的同时提升对烟雾图像特征的表达能力;最后,针对烟雾图像数据量较小的问题,采取数据增强技术进一步改善训练模型的识别能力。在公开烟雾数据集上对提出的方法进行实验验证,实验结果表明,所提方法的模型大小只有0.44 MB,在两个测试集上的准确率分别为96.20%和96.81%。