一种传感图像特征快速挖掘算法设计

传感图像采集因曝光而损失图像特征,导致特征错误挖掘率高和精准率召回率(Precision-Recall,PR),曲线表现较差,针对该问题,提出一种新的传感图像特征快速挖掘算法。该方法将参数化修正线性单元函数作为激活函数,融合修补图和输入图像,并在训练阶段使用L1损失函数和结构相似性指数(Structural Similarity Index,SSIM)损失函数约束图像,采用softmax回归挖掘图像特征,构建卷积神经网络传感图像特征挖掘结构,在训练过程中,使用自适应梯度更新结构参数,设计挖掘步骤,实现传感图像特征快速挖掘。实验结果表明,设计的卷积神经网络图像特征挖掘方法的PSNR值较高、SSIM值接近1,错误挖掘率为1.0%,PR曲线最接近右上角,面积最大,并且图像视觉效果更好,特征挖掘时间最高仅为1.3 s,实现了快速挖掘。

融合注意力机制和二次特征提取的ResNet小样本农作物病虫害识别

针对传统机器学习方法对于小样本和多类别的农作物叶片病虫害识别效果和时间不理想的问题,本文利用改进的ResNet模型来实现农作物病害识别.通过加入dropout层、激活函数、最大池化层和注意力机制来提高模型的鲁棒性、特征捕捉能力、实现了用较低的模型参数量来提高病虫害识别的准确率.首先对从公共数据集Plant Village获取的图像进行预处理和增强,将ReLU激活函数替换为PReLU,解决ReLU函数在小于0部分神经元坏死的问题;然后在全局平均池化层之前加入dropout层,设置合理的阈值,有效避免过拟合现象的发生,增强模型的鲁棒性;此外,在dropout与全局平均池化层之间加入最大池化层,不仅能扩大神经元的感受野,还能帮助模型获取局部病虫害的最显著特征,减小图片背景的噪声影响,实现二次特征提取;最后嵌入CBAM注意力机制,使模型自动学习输入特征图中最重要的通道信息,并对其进行通道与空间之间加权,从而更好地捕捉图像中的语义信息.实验结果表明,改进后的模型对测试集识别准确度达99.15%,模型参数量仅为9.13M,与Xception、InceptionV3、原ResNet等模型相比,准确率分别超过了1.01,0.68,0.59个百分点,降低了模型参数量,为农作物病虫害识别提供了一种先进的深度学习方法.

改进的Alexnet模型在水稻害虫图像识别中的应用

深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。

超深卷积神经网络的图像超分辨率重建研究

针对VDCN网络结构在大尺度因子上超分辨率效果较差的缺点,提出一种高精度单图像超分辨率重建方法。将ReLU激活函数更换为PReLU激活函数,增加网络层数,使用25个带PReLU激活函数的卷积层进行训练和测试。实验结果表明,与VDCN方法相比,该方法耗费时间较少,且性能更稳定。

卷积神经网络中激活函数的一种改进

卷积神经网络中激活函数的作用是激活神经元的特征,然后保留并映射出来,这是人工神经网络能模拟人脑机制,解决非线性问题的关键.针对传统卷积神经网络出现的震荡、不收敛甚至过拟合的情况,对激活ReLU函数进行优化.提出一种新型矫正激活函数,称其为ReLU阈值函数.通过对数据集caltech101和caltech256进行训练,证明其在图片分类上的性能要优于ReLU函数.其中用Alexnet网络模型对caltech101数据集进行训练时的分类准确率由之前的97.7%提高到99.3%,对caltech256数据集进行训练时的分类准确率由之前的65.4%提高到92.3%.

面向驾驶场景的多尺度特征融合目标检测方法

针对驾驶场景中目标检测卷积神经网络模型检测精度较低的问题,提出一种基于改进RefineDet网络结构的多尺度特征融合目标检测方法。在RefineDet网络结构中嵌入LFIP(Light-weightFeaturizedImagePyramid,轻量级特征化的图像金字塔)网络,将LFIP网络生成的多尺度特征图与RefineDet中的ARM(AnchorRefinement Module,锚点框修正模块)输出的主特征图相融合,提升特征层中锚点框初步分类和回归的输出效果,为ODM(ObjectDetectionModule,目标检测模块)模块提供修正的锚点框以便于进一步回归和多类别预测;在RefineDet网络结构中的ODM之后嵌入多分支结构RFB(ReceptiveFieldBlock,感受野模块),在检测任务中获得不同尺度的感受野以改善主干网络中提取的特征。将模型中的激活函数替换为带有可学习参数的非线性激活函数PReLU(Parametric RectifiedLinearUnit,参数化修正线性单元),加快网络模型的收敛速度;将RefineDet的边界框回归损失函数替换为排斥力损失函数RepulsionLoss,使目标检测中的某预测框更靠近其对应的目标框,并使该预测框远离附近的目标框及预测框,可以提升遮挡情况下目标检测的精度;构建驾驶视觉下的目标检测数据集,共计48260张,其中38608张作为训练集,9652张作为测试集,并在主流的GPU硬件平台进行验证。该方法的mAP为85.59%,优于RefineDet及其他改进算法;FPS为41.7 frame/s,满足驾驶场景目标检测的应用要求。实验结果表明,该方法在检测速度略微下降的情况,能够较好地提升驾驶视觉下的目标检测的精确度,并能够一定程度上解决驾驶视觉下的遮挡目标检测和小目标检测的问题。