基于改进MobileNet网络的多类别垃圾分类算法

针对垃圾数量繁多及一张图片包含多个垃圾物体的情况,文中提出基于改进MobileNet网络的垃圾检测与分类算法。将MobileNet网络融合进YOLOv5(You Only Look Once v5)目标检测算法,同时在主干部分引入卷积注意力模块(Convolutional Block Attention Modul,CBAM)筛选有意义的信息,利用视觉Transformer聚合形成图像特征,并加入使用了加权双向特征金字塔网络区别不同特征的贡献度,引入高效通道注意力(Efficient Channel Attention,ECA)模块对图像特征进行组合并传递给预测层。最后,为了在垃圾目标之间有遮挡的情况下获得更好的性能,使用软性非极大值抑制(soft-Non Maximum Suppression,soft-NMS)方法,并利用Alpha-IoU(Alpha-Intersection over Union)损失函数对提取的特征进行预测。实验结果表明,所提方法能够实现多目标多类别垃圾的定位与识别,mAP(mean Average Percision)值达到了90.31%,相较于YOLOv5网络提升了4.95%,处理速度缩短了约2.4 s。相较于融合ResNet(Residual Network)网络的Faster R-CNN(Region-based Convolutional Neural Network)算法,所提算法在保证准确率的前提下提升了处理效率。

基于改进MobileNet网络的AR辅助手语字母识别方法

针对手语手势姿态待规范、识别率低的问题,提出一种AR辅助手语字母识别算法MSMobileNet。设计多尺度卷积模块提取底层特征,增强网络的特征提取能力;利用ELU激活函数来保留更全面的负值特征信息;结合适用于Web的轻量级MobileNet模型,提高面向移动AR应用的手语字母识别准确率和实时性。实验结果表明:MS-MobileNet在数据集ASL-M、NUS-II和Creative Senz3D上识别准确率较原模型分别提高了2.58%、5.32%和3.04%。基于MS-MobileNet网络设计一套WebAR辅助的手语字母协同交互系统,经评估测试,用户平均参与度达到8.2分,单次识别耗时低于0.115 s,能较好地满足用户沉浸式的实时手语字母交互需求。

MobileNet网络模型在地图监管系统中的应用研究

互联网地图监管是树立全民的国家版图意识,杜绝错误表示中国版图的重要措施之一。当前互联网网站、手机应用软件上登载的地图图片存在的问题比较突出,查处此类违法违规行为首先要从海量图片中筛查出所有地图图片,然后再对是否是“问题地图”进一步审核。基于此,本文提出了一种基于Google公司提出的卷积神经网络(CNN)模型MobileNet改造的网络模型,通过该模型对海量图片进行智能化的筛选,可以大大提高工作效率。

基于U-MobileNet网络的煤矿刮板输送机故障检测方法研究

目前,基于传统图像方式的刮板机故障检测方法得到了广泛应用,然而由于实际生产过程中刮板形态多变,同时存在着被输送物质附着等会对检测结果带来较大干扰,影响检测的准确度。针对当前传统图像检测无法准确识别刮板的问题,提出了一种基于图像增强与深度网络结合的方法来准确识别刮板轮廓。首先,利用自适应直方图均衡的图像增强方法增加刮板与背景之间的对比度,提高刮板可区分度;然后,利用U-MobileNet深度网络对刮板进行轮廓分割,根据轮廓计算刮板的倾斜角度,给出故障报警。根据实验结果,本文方法分割准确度在87.32%,在单张图片的推理时间为81 ms,可以有效分割出刮板轮廓,提升检测准确度。

基于卷积注意力机制的MobileNet网络优化

深度学习技术被广泛应用于图像分类等计算机视觉领域。大型数据集通常需要大量的计算能力来训练。在实际应用场景中,人们通常只能携带和使用移动设备和便携设备,因此,在计算能力、容量、功耗等方面受到限制。本文以高效的轻量级模型MobileNet为基础,通过增加卷积块注意模块和调整网络模型结构来提高模型精度,同时基于权值大小来修剪和量化压缩模型大小,实现了基于该优化模型的垃圾分类移动终端应用,便捷地完成垃圾分类任务。

基于改进型MobileNet网络的车型识别方法

车型识别是车辆结构化系统的重要方面。针对嵌入式环境下车型识别精度的要求,提出改进型MobileNet网络模型。利用Squeeze-and-Excitation模块对MobileNet网络结构进行改进,提高车型识别精度。实验表明,所提出的改进策略可以有效地提高车型识别的精度。

基于改进MobileNet网络的人脸表情识别

针对轻量级卷积神经网络MobileNet应用于人脸表情识别实时性较差、最小输入尺寸较大、准确率不高等问题,提出一种改进的MobileNet网络模型——M-MobileNet(Modified MobileNet)。M-MobileNet具有比原网络更好的轻量级特性。该网络模型基于一种改进的深度可分离卷积层,不仅具有MobileNet模型中深度可分离卷积减少卷积计算量的特点,还解决了在深度卷积层后可能会导致信息丢失的问题。在分类器选择上,M-MobileNet使用线性支持向量机(SVM)进行人脸表情分类,参数量较MobileNet网络大大减少。在CK+、KDEF数据集及移动端上的实验证明,改进后的MobileNet网络模型具有更好的识别性能。

基于SSD和MobileNet网络的目标检测方法的研究

为了提高计算机视觉中目标检测的一种基本模型SSD在多任务场景中的准确率和效率,基于深度学习的相关理论研究,结合一种轻量级的深层神经网络MobileNet的基本思想,构建了一种结合特征金字塔的多尺度卷积神经网络结构。利用Tensorflow平台完成了以下一些工作:第一,对低层卷积层的特征图进行区域放大,保留更多的目标特征信息,再对高特征层进行特征提取;第二,在对重叠目标候选区域进行过滤的时候,基于非极大值抑制的方法和思想设置阈值消除冗余的目标候选区域,使得产生的负样本的数目减少,使模型效果逐步趋于稳定;第三,针对目标检测中的预测区域与真实区域在匹配过程中所产生的正负样本进行处理,用于保证模型的稳定性等。基于以上方法研究,使得模型对多目标识别的速度有所加快,鲁棒性更好,准确率更高,同时也适当降低了对硬件配置资源的需求。

基于VD-MobileNet网络的WebAR生活垃圾分类信息可视化方法

随着我国垃圾分类制度的加速推行,基于虚拟/增强现实技术的垃圾分类应用大量涌现。受识别设备平台及居民应用习惯等方面的影响,针对目前该类应用在便捷性、实用性上存在较大不足,提出了一种基于轻量化神经网络并融合移动增强现实及可视化技术的垃圾分类应用方案。首先,提出了基于深度学习的垃圾分类可变扩张卷积VD-MobileNet模型方法能够解决移动设备中存在的计算能力有限、网络庞大等问题,通过在MobileNet模型中引入空洞卷积增加感受野、扩大垃圾的特征信息以提升分类精度,引入LeakyReLU激活函数优化网络的表达能力;其次,将该模型与WebAR技术结合,设计了一款面向移动设备的轻量级垃圾分类信息可视化系统,该系统具备跨平台特性,实现了对分类信息的多元化可视呈现,提供了灵活的交互方式。实验及评估表明,该VD-MobileNet模型在垃圾分类数据集中分类效果良好,能够在参数量不变的前提下有效减少计算量,此外结合该模型所设计的WebAR应用系统可为用户的垃圾处理事务提供合理有效地协助。

一种改进的Mobilenet网络车载图像识别方法

对行人和车辆的识别是行车记录仪识别系统的重要组成部分,为满足车载识别系统对算法模型检测实时性和简洁性的需求,以传统Mobilenet为基础网络,提出了一种车载图像识别改进算法。该算法优化了Mobilenet网络的Con DW3×3、Conv3×3卷积层相关参数,网络的计算量明显减少,识别速度有效提高。利用行车记录仪获得的实际数据集进行训练,实验结果表明,改进算法在识别速率上提高了6.6%。相比同类网络模型Squeezenet,训练的迭代次数显著降低。

利用改进MobileNet V2网络识别水稻叶片病虫害的方法

针对传统水稻叶片病虫害分类效率不高、精度低和模型占用空间过大等问题,改进MobileNet V2网络,并结合迁移学习策略对水稻叶片病虫害进行识别。实验以4种常见水稻叶片病虫害作为研究对象,利用注意力机制对MobileNet V2进行改进,通过修改模型残差结构引入通道注意力机制,并采用迁移学习策略对改进模型进行训练。实验表明,相比于原始模型,引入注意力机制并采用迁移学习的改进模型CAM_qianyi的准确率提升了0.82个百分点,达到了84.32%,其准确率也高于轻量化卷积神经网络ResNet18(82.54%)和未采用迁移学习的改进模型CAM(73.65%)。改进模型能准确提取水稻叶片病虫害特征,有效提高了识别效率和精度。

基于轻量级神经网络MobileNetV3-large的黄茶闷黄程度判别

以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3-Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3-Large识别模型,并利用Grad-CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明:经训练后的MobileNetV3-Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3-Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad-CAM热力图可视化显示,MobileNetV3-Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3-Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。

基于MobileNetV3网络的龋病和根尖周炎根尖片的诊断

目的研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值。方法以2298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1573张训练集图像,233张验证集图像以及492张测试集图像。通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型。采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析。结果基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果。可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征。结论基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求。

基于MobileNetV3卷积神经网络的供水管道漏损音频分类

为了对城市供水管网漏损音进行准确识别,提出一种基于MobileNetV3的供水管道漏损音频分类识别方法。首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与MobileNetV3网络训练识别并提取图像特征;最后使用Softmax函数对漏损音频进行分类。实验结果表明,该方法可以使漏水类别的分类精确度达到99.40%,召回率达到99.20%。

基于MobileNet和NAM注意力机制的轻量级OpenPose网络

针对深度学习下的人体姿态识别技术,分析了OpenPose网络参数量巨大,容易产生梯度消失;MobileNet网络识别准确率较低等问题,研究了人体姿态识别、卷积神经网络以及注意力机制的工作原理。分析了OpenPose模型、ShuffleNet模型、GhostNet模型、MobileNet模型的卷积神经网络模型和NAM注意力机制的各自特点,提出了基于MobileNet网络和NAM注意力机制的人体姿态识别技术,解决了OpenPose网络参数量大运算和速率较低,MobileNet网络识别准确率较低等问题,通过实验对比识别准确率和识别速率,结果表明添加了NAM注意力机制的MobileNet网络具有识别精度高,识别速率快等特点。

基于改进轻量卷积神经网络MobileNetV3的人脸表情识别

人脸表情识别在授课中应用的及时检测可有效提升教育质量和学生参与度。为实现人脸表情识别在授课中的实时检测,该研究基于卷积神经网络MobileNetV3进行学习,对SE和卷积层进行了改进,以构建人脸表情识别模型,可识别八种不同的表情类别。研究空洞卷积的位置对模型性能的影响,发现将空洞卷积放在网络的前部对性能有积极影响,而放在后部则会导致性能下降。同时,通过引入SSE(space squeeze-and-excitation)模块并优化其位置和结构,进一步提高了模型性能。最终提出的MobileNetV3改进版本在参数数量和模型文件大小上有显著减小,但精度下降了1%左右。对模型进行了多次随机试验,鲁棒性良好。该研究可为人脸表情识别在授课中的实时应用提供理论基础和技术支持,未来将致力于开发可在移动端应用的人脸表情识别系统。

基于改进MobileNet的公路行车环境安全风险源识别

为了检测公路行车环境安全风险源,为公路风险源智能化管控和随机不确定场景下实时安全风险评估提供依据,研究了基于深度卷积神经网络模型的公路行车环境安全风险源识别算法。通过改进MobileNetV3的输出层激活函数和损失函数,将网络输出的风险源类别数量由一个变为多个,解决了同一图像中存在多种风险源的识别问题。利用空间注意力机制加强MobileNetV3网络的特征提取能力,解决了MobileNetV3通道注意力机制无法关注到通道内部风险源特征信息的问题,提升了模型识别准确率。通过通道剪枝方法去除冗余扩张通道,减少网络参数量,提升了模型预测速度。实验结果表明:该方法能够有效识别行车环境安全风险源,检测率达0.829,平均分类准确率达0.833,且具备实时检测效果。

广义确定性标识网络

随着智能制造、智能交通等重大国家战略实施,确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素(带宽、时隙等)来保障数据流的确定性传输.然而,仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如,在算网融合场景,智算任务要求同时保障传输与计算要素的确定性来实现高性能通信;在绿色通信场景,需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求,本文基于前期提出的标识网络技术,研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构,包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层,分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述,并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递;智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法,即使仅考虑单一网络内的基本确定性要素,仍面临计算时间长、求解复杂性高、灵活度低等问题,为了支持更加复杂的多确定性要素、多种异构网络的协同适配,设计了基于深度强化学习的端到端的确定性调度(End-to-end Deterministic resource scheduling,E2eDet)算法,该算法可统一化、端到端地为混合数据流协同分配多种确定性网络资源,满足不同应用的差异化确定性需求.实验表明,E2eDet比DeepCQF和Random算法分别提升了28.4%和6.38倍数据流调度数量,同时E2eDet可以较好地权衡计算时间和调度能力.

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

基于改进MobileNetV2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题,在MobileNet V2网络的基础上,提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图,通过调整网络中深度可分离卷积模块,使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks),对行人步态进行分组实验。实验结果表明,改进后的网络模型能有效进行数据集的分类识别,模型大小为12.55 M,在测试集上的平均识别准确率达到94.27%,比原始网络提高了2.29%。同时,在精度和复杂度上获得了较好的平衡,为步态识别方法在移动端等资源受限的设备上提供思路和参考。