基于VGG-16神经网络图像风格迁移模型

图像风格迁移是人工智能进行艺术创造的一个重要方向。传统风格迁移技术通过逐像素迭代得到风格图片,训练耗时且迁移效果一般,无法广泛地应用于微端设备上。针对此问题,本文提出了一款轻量的图像风格迁移模型,该模型能够充分利用VGG-16卷积网络强大的图像特征提取功能。通过优化兼顾了图像内容和风格信息的损失函数,该模型能够在短时间内完成图像的风格学习,并迁移运用到目标图片上,所得到的迁移图片效果优于传统风格迁移技术。

基于改进的Faster R-CNN的齿轮外观缺陷识别研究

为了实现齿轮外观缺陷自动化识别,提高齿轮产品的合格率。针对传统缺陷识别算法泛化差,人工提取特征耗时,提出了一种改进的较快的基于区域卷积神经网络(FasterR-CNN)的齿轮缺陷识别模型。设计出VGG-2CF网络,提高识别较小目标的能力;引入AM-Softmax损失函数,以减小类内特征的差异性,进一步增大类之间差异性;结合机器学习算法中的F度量值(F-measure),提出一种AMF-Softmax损失函数,解决数据不平衡的问题。实验结果表明,提出的改进模型具有较高的识别率,适用于齿轮外观的自动化检测。

基于生成对抗网络的遥感图像去云算法

计算机视觉中的许多问题可以抽象为将输入图像“转换”成对应的输出图像,图像转换算法是许多计算机视觉问题的通用解决方案,例如语义分割、风格转换等。本文将以遥感图像去云作为图像转换的特例,研究基于生成对抗网络的图像转换算法。提出基于残差模块的生成模型可以对单幅遥感图像进行厚云和薄云的去除;同时提出的多尺度判别网络以及VGG损失函数,有效地解决了复杂场景的云雾遮挡问题。实验结果表明,本文提出的图像转换算法在遥感图像薄云数据集上峰值信噪比提升了1.64 dB,在厚云数据集上峰值信噪比提升了1.92 dB,同时生成的无云遥感图像和真实的无云图像具有较高的结构相似性。

基于卷积神经网络的生活垃圾图像分类模型设计

利用基于深度学习的VGG-16卷积神经网络模型,对涵盖4个大类243个小类生活垃圾的77656张图像进行分类检测识别。为了保证模型检测的准确性,先引入Retinex算法对图像进行增强处理,然后对分类交叉熵损失函数进行改进,加入L_(1)正则化和L_(2)正则化,构建新的损失函数。实验结果显示,使用原VGG-16网络模型对垃圾图像进行分类,准确率为94.43%,损失值为0.53;引入Retinex算法对图像进行增强处理后,准确率为95.56%,损失值为0.36;在损失函数中加入L_(1)或者L_(2)正则化后,分类准确率较原网络模型有较小幅度的提升;采用改进后的交叉熵损失函数之后,准确率达97.67%,损失值仅为0.18。