一种基于神经网络的太阳能电池板缺陷检测方法

研究一种基于神经网络的太阳能电池板缺陷检测方法,利用DenseNet网络模型对缺陷进行检测,在该模型中加入转换器保证相邻模块间的大小,融入L2正则化可以在一定程度上避免过拟合现象,调整Batch Normalization层在避免梯度消失的同时加快收敛速度,使用SELU激活函数可以提高模型的鲁棒性。

一种海上弱小运动船舶实时检测方法

弱小船舶目标实时检测因在海上搜救、无人船和海上交通管理等领域中的众多应用而备受关注。虽然基于深度学习的目标检测算法,如YOLO(you only look once)和SSD(single shot multibox detector)等取得了不错的目标检测性能,但是它们仍然无法实时有效检测出海上弱小船舶运动目标。针对此问题,文章提出了一种改进的深度学习网络结构,结合SELU(scaled exponential linear units)激活函数,有效解决了已有的YOLOv2算法对弱小目标检测率较低的不足以及YOLOv3算法中残差网络结构冗余的问题。实验表明,该文提出的方法在海上弱小船舶目标检测上,比原YOLO算法具有更高的检测精度、更快的检测速度和更优良的鲁棒性。该方法在低配硬件环境中仍具有实时性的特点,因此对算法的推广应用具有实际的意义。

基于Inception深度残差网络的皮肤黑色素癌图像分类算法

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点,采用深度残差网络可以有效解决训练过程中过拟合问题,提高识别准确率.但是深度残差网络模型的训练参数多,时间复杂度高.为了提高训练效率,提高识别准确率,首先从理论上分析了深度残差网络模型的结构,通过修改网络结构,利用Inception结构代替残差网络中的卷积层、池化层,减少模型的训练参数数量,降低时间复杂度.在此基础上,提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network,IDRN),用Inception结构代替残差网络中的卷积池化层,用SeLU激活函数代替传统的ReLU函数.之后,在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证.理论和实验表明,与传统的卷积神经网络ResNet50相比,本文提出的新的分类算法降低了时间复杂度,提高了识别准确率.

基于残差的改进卷积神经网络图像分类算法

现有深度残差网络作为一种卷积神经网络的变种,由于其良好的表现,被应用于各个领域,深度残差网络虽然通过增加神经网络深度获得了较高的准确率,但是在相同深度情况下,仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法:(1)通过卷积网络进行映射实现维度填充;(2)构建基于SELU激活函数的残差模块(3)学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络,实验结果表明:所提出的网络模型在准确率上优于传统的深度残差网络.

基于1D CNN-SLSTM模型的太湖蓝藻密度预测方法

太湖中的水华爆发对太湖及其沿岸居民造成巨大影响,因此保证提前预测蓝藻密度非常重要。为精确预测太湖蓝藻密度,在长短时记忆网络(LSTM)模型的基础上,加入一维卷积模型,筛选并优化激活函数,提出一种基于1D CNN-SLSTM的预测模型预测蓝藻密度。试验结果表明,1D CNN-SLSTM模型的RR_(MSE)、M_(MAPE)、M_(MAE)值分别比单独使用LSTM模型降低30.38%、1.85%、16.89%,R值和N_(NSE)值则提升了0.08、0.17,验证了使用扩展型指数线性单元激活函数(Selu)的LSTM神经网络(1D CNN-SLSTM)预测效果最好。

基于跨层注意力Unet网络的高分辨率遥感影像建筑物提取研究

使用全卷积神经网络提取高分辨率遥感影像中的建筑物对城市规划、土地资源管理等应用具有重要意义。本文提出一种全卷积神经网络SC-Unet,以Unet架构为基础,采用SELU激活函数,放弃批标准化;使用空间金字塔池化替换最后一个卷积模块,使得SC-Unet的参数量仅为Unet的50%;使用轻量级跨层注意力模块让高层语义指导低层语义。实验在WHU建筑物数据集上进行,结果显示:SC-Unet在测试集上的IOU达到88.1,比Unet高3.2,且推理速度SC-Unet是Unet的2倍。

注意力引导的三流卷积神经网络用于微表情识别

目的微表情识别在心理咨询、置信测谎和意图分析等多个领域都有着重要的应用价值。然而,由于微表情自身具有动作幅度小、持续时间短的特点,到目前为止,微表情的识别性能仍然有很大的提升空间。为了进一步推动微表情识别的发展,提出了一种注意力引导的三流卷积神经网络(attention-guided three-stream convolutional neural network,ATSCNN)用于微表情识别。方法首先,对所有微表情序列的起始帧和峰值帧进行预处理;然后,利用TV-L1(total variation-L1)能量泛函提取微表情两帧之间的光流;接下来,在特征提取阶段,为了克服有限样本量带来的过拟合问题,通过3个相同的浅层卷积神经网络分别提取输入3个光流值的特征,再引入卷积块注意力模块以聚焦重要信息并抑制不相关信息,提高微表情的识别性能;最后,将提取到的特征送入全连接层分类。此外,整个模型架构采用SELU(scaled exponential linear unit)激活函数以加快收敛速度。结果本文在微表情组合数据集上进行LOSO(leave-one-subject-out)交叉验证,未加权平均召回率(unweighted average recall,UAR)以及未加权F1-Score(unweighted F1-score,UF1)分别达到了0.7351和0.7205。与对比方法中性能最优的Dual-Inception模型相比,UAR和UF1分别提高了0.0607和0.0683。实验结果证实了本文方法的可行性。结论本文方法所提出的微表情识别网络,在有效缓解过拟合的同时,也能在小规模的微表情数据集上达到先进的识别效果。