基于路测图像与改进ResNet50网络的自动驾驶场景天气识别算法

为了充分利用自动驾驶汽车路测图像数据,增加行驶过程中对天气情况识别的准确性,提出了一种基于改进ResNet50网络的自动驾驶场景天气识别算法。该算法将SE模块与ResNet50网络相结合,通过在ResNet50网络4组模块内加入SE模块,以便更好地拟合通道间复杂的鲁棒性。基于自动驾驶汽车路测图像数据对所提算法进行Python编程实现,结果表明:SE模块的加入能够增加算法的鲁棒性和准确性,提高了自动驾驶的天气识别精度。

上证50ETF期权隐含波动率曲面预测研究——基于融入先验金融知识的集成GRU神经网络

基于Zheng等人[1]的研究框架,即将先验金融知识纳入神经网络的设计和训练,提出了一种预测隐含波动率曲面的集成GRU神经网络模型。该模型使用了一种包含波动率微笑的激活函数,并将无套利、左右边界和渐进斜率等金融条件纳入神经网络的训练过程中。利用上证50ETF期权2015年2月9日至2023年3月31日期间的交易数据进行了实证分析。实证结果显示:与SSVI模型和基准神经网络模型相比,集成GRU模型在训练集上的平均绝对百分比误差为8.56,在测试集上的平均绝对百分比误差为11.17,是所有模型中预测精度最高的,同时满足了嵌入的金融条件。

基于卷积神经ResNet50残差网络的岩石图像岩性识别研究

深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差ResNet50网络,构建了岩石图像岩性识别模型,并依据定义的损失函数进行了网络模型的参数调优与验证;通过构建的识别模型对岩石图像岩性进行了预测,并根据识别结果进行了误差原因分析。研究表明:以深度卷积神经ResNet50残差网络为基础,按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优,从而实现岩石图像的岩性预测;结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型;模型的识别准确率,除构造节理发育的破碎岩体较低外,一般可达75%~90%;岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大,可以通过增加训练样本数量来提高识别结果准确率。

基于ResNet-50深度卷积网络的果树病害智能诊断模型研究

[目的/意义]果树病害危及农业生产安全,运用人工智能技术帮助果农及时准确地识别果树病害对保障农业安全生产具有重要意义。[方法/过程]采用10000张果树叶片病斑图像数据集,通过旋转、污化、增噪、切割等图像增强手段,提高样本图像的多样性;使用ResNet-50深度卷积网络模型,进行机器学习,获得果树病害识别模型,并基于此模型开发了应用软件提供在线诊断服务。[结果/结论]实验结果表明:该模型对4种果树病害的平均识别率达到92.9%,和相关研究成果相比具有较好的诊断效果。

一种融合多尺度技术和并行网络的DR检测方法

针对糖尿病视网膜病变(DR)检测模型在下采样过程中关键信息丢失和模型鲁棒性差的问题,构建一个PM-Net模型(Parallel Multi-scale Network)。在下采样过程中,利用信息增强的方式设计了多尺度最大池化和多尺度卷积模块并对ResNet-50改进。进一步,为了提高模型的鲁棒性,使用双分支的架构对模型进行扩展。提出的多尺度模块使得模型在下采样的过程中获得了更加丰富的视网膜眼底图像特征,从而提高了DR检测的性能,同时提出的双分支模型在DR检测过程中用局部信息辅助全局信息保证了模型的鲁棒性。模型在EyePACS、DDR和私有数据集进行了实验验证。实验结果表明:与主流的模型相比,本模型在EyePACS数据集上的准确率和二次加权Kappa分数分别提高了2.58%和1.31%。

基于改进ResNet-50残差网络的纤维分类方法

针对目前常见的纤维分类技术中,分类结果受人的主观影响大、检测设备昂贵、检测时间长等问题,提出一种基于ImageNet数据集预训练的改进ResNet-50残差神经网络分类方法,并对4种纤维结构较相似的动物毛发纤维进行分类。使用自建训练集和测试集,以TensorFlow和Keras为框架,利用ResNet-50和VGG-16的基础模型进行验证;再通过加入Dropout层和数据增强策略等方式,改进ResNet-50的网络结构和参数并重新训练;最后使用测试集进行评估,得到新网络模型在测试集上的混淆矩阵并对比各项性能指标。结果表明,改进后的ResNet-50网络模型平均准确率98.88%,综合评估分数98.88%,有更优的综合分类性能。

基于ResNet50微调网络模型的混凝土表面裂缝缺陷识别方法

为精准高效地识别混凝土表面裂缝缺陷,提出了一种基于ResNet50微调网络模型的混凝土表面裂缝缺陷识别方法。首先,在数据准备阶段,通过光照变换、裁剪和翻转来有效扩增数据集;其次,通过微调全连接层和微调卷积层来构建适用于混凝土表面裂缝缺陷识别的ResNet50微调网络模型;最后,通过ResNet50微调网络模型在混凝土表面裂缝缺陷图像数据集上进行了定性和定量的实验仿真。实验结果验证了所提出微调网络模型在混凝土表面裂缝缺陷任务上的实用性和有效性。

一种基于残差网络改进的牙齿颜色分类模型

针对传统牙齿比色方法准确率低和效率低等问题,提出一种基于残差网络改进的牙齿颜色分类模型。该模型通过融合多层卷积结果以及引入压缩与激励注意力机制模块的方式,使网络能学习到更多的图像颜色特征。基于典型牙齿所建数据集进行颜色分类实验,在该数据集上对文中模型与GoogleNet、MobileNet-V1、ResNet-34和ResNet-50等模型进行颜色分类预测结果比较。实验结果表明,文中模型优于传统模型,预测分类准确度达到91.16%,有效提高了牙齿颜色分类准确率和效率。

基于改进Res-UNet的昼夜地基云图分割网络

针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResNet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。

国标麻将的多尺度骨干神经网络模型

在有多轮次、状态空间巨大、81种不同类别的番种、胡牌方式复杂的国标麻将中,普通的神经网络难以对复杂的数据进行表达和拟合。首次将多尺度骨干的深度神经网络用于实现麻将AI,以更好地捕获国标麻将的局部以及全局特征,适用于处理复杂数据,做出更准确的游戏策略。基于IJCAI 2020 Champion的对局数据,对训练数据进行数据增强。采用增强后的数据,在NVIDAI GeForce RTX3090 LapTop GPU上进行了5天的监督学习训练,训练出的模型有52 M参数,动作准确率达到93.47%,弃牌准确率达到83.93%,鸣牌准确率达到97.56%。将提出的模型部署到北京大学开发的Botzone平台上,进入天梯榜前1%。

50 Gbit/s前传光模块关键技术研究与应用展望

随着全球5G网络的规模化商用及移动互联网流量的迅猛增长,更为丰富的无线频谱资源得以释放,高速率光模块在无线前传网络中的需求日益凸显。聚焦于50 Gbit/s前传光模块的关键技术,深入剖析了前传网络的两种主要组网方式,分析了前传链路的典型传输距离及链路损耗情况,探讨了10 km场景下粗波分复用(coarse wavelength division multiplex,CWDM)中各波长的最大色散值和最小色散值,并研究了相应的色散补偿策略,通过实验验证了不同多径干扰(multi-path interference,MPI)强度下系统光功率代价的变化,详细分析了多径干扰噪声对系统误码性能的潜在影响,为前传光模块参数的优化提供了重要的理论依据。此外,深入研究了50 Gbit/s前传光模块的光电芯片技术方案,对多种不同类型光模块的参数性能进行了严格的测试,提出了针对50 Gbit/s前传光模块光电接口参数的标准化建议,详细介绍了当前50 Gbit/s前传光模块在国内外的标准现状,并展望了未来应用的发展趋势。

基于中值滤波法的ResNet50网络垛口状态识别方法研究

目前邮区中心垛口资源管理主要依托人工管理模式,无法全面客观反映垛口资源的真实使用情况,邮区中心垛口资源的管理和使用效率受到限制。文章利用深度学习方法提出一种基于中值滤波的ResNet50网络垛口状态识别解决方案,通过复用垛口已有摄像设备,识别邮区中心垛口资源忙闲状态,打造邮区中心垛口资源智能化监控系统,从而更好地提升邮区中心垛口资源利用率。

基于ResNet-18网络的桥梁损坏图像分类研究

近些年来,传统的桥梁损坏检测方法需要大量的时间以及人力、物力和财力,同时它们具有主观性、难以量化、影响正常交通、周期长、实时性差等缺点和局限性。本研究首先使用桥梁损坏图像作为数据集,然后使用ResNet-18网络对桥梁损坏图像进行分类,并且使用Softmax作为网络输出层的激活函数,使用交叉熵函数作为网络的损失函数。接着进行模型的训练,得出模型在测试集上的准确率为82.99%。最后从模型在测试集上的混淆矩阵与分类报告两个角度,对模型进行评估,得出模型在测试集上平均的F_(1)分数达到83%。

基于神经网络的古生物化石颗粒特征鉴定

随着大数据技术的发展,古生物化石颗粒特征[footnoteRef:0]的识别和分析成为古生物学研究的重要内容之一。传统的方法需要专业人员进行人工鉴定,费时费力且存在主观的误差和人才缺乏等问题。本文提出了一种基于卷积神经网络的古生物化石颗粒特征识别方法,采用Resnet-50算法模型对图像进行预处理、模型设计、训练与预测,实现了多类生物化石的智能识别。实验结果表明,该方法对三叶虫纲和头足纲的识别准确率分别达到86.4%和91.2%,并且通过迁移学习得到的最终分类模型在数据集上的测试准确率为85.6%。该方法具有较高的准确率和效率,为古生物学的研究提供了有力支持。

50 Gbit/s PON高性能接收技术的研究

【目的】为了应对不断增长的超千兆需求,从千兆走向万兆,从第五代固定网络(F5G)走向高级第五代固定网络(F5.5G),50 Gbit/s无源光网络(PON)被认为是F5.5G的重要组成部分。故文章针对当前接入网络发展状况,对50 Gbit/s PON技术进行了深入研究。【方法】文章首先介绍了实现50 Gbit/s PON高灵敏度面临的困难,并提出了解决方案。方案中,50 Gbit/s的非归零(NRZ)信号通过雪崩光电二极管(Avalanche Photodiode,APD)探测器,在强电场的作用下形成可被检测到的宏观电流,该电流通过跨阻放大器(TIA)放大并转换成电压输出。对其进行均衡处理,采用光数字信号处理(oDSP)芯片的前馈均衡器(FFE)和判决反馈均衡器(DFE)对脉冲信号的拖尾现象进行补偿后,再通过DFE将码间干扰的影响降到最低。接着重点分析了APD、TIA和oDSP等关键技术,并采用25与50 Gbit/s APD对接收性能进行比较。【结果】两组实验测试结果显示,第1组实验25 Gbit/s APD在测试时间4 min内接收信号无误码,接收光功率为-8.48 dBm,当误码率(BER)为2.78e-2时,接收光功率达-26.61 dBm;在使用50 Gbit/s APD的情况下,4 min内接收信号无误码时,接收光功率为-8.97 dBm。当BER为2.78e-2时,接收光功率达到-27.05 dBm,第2组数据50 Gbit/s APD-2也达到了同样的实验效果。【结论】50 Gbit/s APD接收灵敏度更高,性能更好,更适合使用在50 Gbit/s PON光模块中实现高性能接收。最后文章针对未来降成本方案在均衡技术与APD上的应用提出了可行性分析。

50G-PON技术发展与应用场景

随着技术的普及和发展,光接入网正向着更高带宽、全业务承载和更强智能化等多个维度持续发展和演进。自2020年起,国内三大电信运营商相继推出“三千兆”业务,即千兆5G、千兆宽带和千兆Wi-Fi,为用户提供全场景、沉浸式千兆体验。文章结合当前EPON/GPON/10GPON网络现状和未来高清视频、工业互联网、行业数字化等新型业务场景对网络接入需求,介绍50G-PON光网的研究前景、发展需求和关键技术。

基于补偿注意力机制的Siamese网络跟踪算法

为了应对视觉目标跟踪中常见的目标尺寸变化、运动模糊、目标被遮挡、目标受相似物干扰等问题,提出一种基于补偿注意力机制的Siamese网络跟踪算法CDAM-Siam。首先采用Res Net-50网络构建Siamese的骨干网络以进行不同层次的特征提取,加深网络同时充分利用不同层所提取的特征;其次在骨干网络中融入具有补偿机制的双重注意力网络CDAM,强化特征图中的有效特征并减弱一些边缘特征,以提高CDAM-Siam算法面对复杂场景时的鲁棒性;最后构建特征融合网络并将其添加到主干网络中,对来自不同层次的特征图进行有效融合以获得高分辨率和信息丰富的特征图,最终实现准确的目标跟踪。在GOT-10K和You Tube-BB数据集上对CDAM-Siam算法进行训练后,在OTB100数据集上进行检测,结果表明,CDAM-Siam的跟踪成功率和精度分别达到68.3%和89.5%,在面临跟踪任务中的常见挑战时其仍能保持较好的跟踪效果,跟踪速度可达56帧/s,满足实时跟踪需求;在VOT2018数据集中的测试结果显示,该算法的准确率、鲁棒性和平均重叠率分别可达53.8%、39.4%和26.5%。

基于ResNet50与通道注意力的遥感图像场景分类

卷积神经网络广泛应用于图像分类,但传统的卷积神经网络直接应用于遥感图像场景分类有一定的局限性。遥感图像中存在类内差异大、类内相似度高的现象,导致网络无法准确地提取到图像中的特征,给遥感图像分类任务带来巨大的困难。通道注意力机制有专注于提取主要特征而忽略次要特征的优点,将其加入网络模型可以增强卷积神经网络的识别图像特征能力,因此,提出了一种基于ResNet50与通道注意力结合的网络模型(ResNet50+Attention),在UCMD数据集上使用初始化网络参数的方法进行遥感场景图像分类任务,对比了经典网络模型AlexNet、DenseNet、VGG16和GooLeNet,ResNet50+Attention在总体准确率、精确度、召回率和特异度分类指标上,明显优于其他模型。并进行了与基础ResNet50模型的消融实验,包括对比了准确率曲线、混淆矩阵和单独类的分类指标。结果表明,ResNet50+Attention在总体准确率、精确度、召回率和特异度上分别达到了91.7%、92.1%、91.8%和99.6%,相比于ResNet50分别提高了4%、3.8%、4%和0.2%,证明了该网络模型的有效性。

基于CBAM-ResNet50模型的水果图像识别

针对传统水果分类识别精度低,人工成本高等问题,提出一种基于CBAM-ResNet50模型的水果图像识别算法。首先,采用迁移学习技术,将ImageNet数据集上训练好的权重参数迁移到ResNet50网络水果图像分类模型中,保留卷积层和池化层,去掉分类器,作为主干网络模型;其次,在主干网络模型后添加混合注意力机制模块,根据不同的输入特征分配不同权重,提取有效特征,忽略无关信息。然后,用全局平均池化(GlobalAvgPool2D)替换平均池化,将高维数据转化为低维数据,提高计算效率并简化模型训练过程。最后,添加dropout正则化,随机失活权重参数比例,以确保网络对噪声和异常值的鲁棒性,构建Batch Normalization层对输入数据进行归一化,帮助网络更好地学习数据信息的特征分布,进而提高网络模型性能。把收集到的水果图像按照随机取样的方法划分为80%训练集和20%测试集两部分,采用旋转、平移和裁剪等技术扩充水果图像数据集的多样性和变化性,本文提出CBAM-ResNet50网络模型与MobileNet-v3、VGG16、AlexNet、Xception、ResNet50网络模型的识别效果进行对比,试验结果表明,该模型能够有效识别出几种常见的水果图像,相较于初始网络,识别准确率增加了6个百分点,测试准确率高达99%。为了进一步验证模型性能,分析了基于迁移学习下的数据集扩充与未扩充,添加混合注意力机制对网络模型的影响,由此得出,该研究方法在水果分类识别中具有很好的实践意义。

基于深度卷积神经网络的汽车图像分类算法与加速研究

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针对上述问题,提出一种基于深度卷积神经网络的公交分类算法,该方法在现场可编程逻辑门阵列上实现了公交车图像分类算法的加速。通过基于迁移学习方法对ResNet50预训练模型进行微调,采用嵌入式端的推理加速实现对模型的推理,并对FPGA加速方案进行推理部署实现。结果表明,该算法具有硬件配置灵活、信息处理加速快的优点,这为实现神经网络在嵌入式平台的高效、高速应用提供了有效解决方案。