基于卷积神经网络的食品图像识别

目的探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法选取包含20类食品和19609张的食品图像建立数据集Food-101,通过卷积神经网络(convolutional neural networks,CNN)提取图像候选区域的视觉特征,并自动进行分类,使其具有较高的识别率;此外,采集来自kaggle库中已标注的食品图像集做预测对比实验,以保证Inception_V3-CNN模型检测的准确度。结果该方法能够去除背景噪音,且仅需部分提取视觉特征,可以有效解决网络食品图像的分类问题,与多视图支持向量机(support vectormachine,SVM)+方向梯度直方图(histogram of oriented gradients,HOG)和传统CNN方法相比,在测试时间相近、设备计算能力相同的条件下,该方法识别率更高,迭代次数为15000次时,Loss值降至4.92,准确率可达93.89%。结论此方法可以快速识别食品图像,在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。

基于深度学习的颅脑损伤机制自动化鉴别

目的应用卷积神经网络Inception_v3模型进行基于颅脑CT图像的加、减速性损伤自动鉴别,探讨深度学习技术在法医学颅脑损伤成伤机制推断中的应用前景。方法收集190例加、减速性脑损伤的影像学资料作为实验组,另选取130例正常颅脑的影像学资料作为对照。将上述320例影像学资料根据随机抽样的方法分为训练验证集和测试集。采用准确率、精确率、召回率、F1值及AUC值评估模型分类性能。结果模型在训练过程和验证过程中对3种图像(加速性损伤、减速性损伤及正常颅脑)分类的最高准确率分别为99.00%、87.21%,满足要求。使用优化后的模型对测试集数据进行测试,该模型在测试集中的三分类准确率为87.18%,识别加速性损伤的精确率、召回率、F1值及AUC值分别为84.38%、90.00%、87.10%、0.98,识别减速性损伤的各值分别为86.67%、72.22%、78.79%、0.92,识别正常颅脑的各值分别为88.57%、89.86%、89.21%、0.93。结论Inception_v3模型在基于颅脑CT图像区分加、减速性损伤中具有应用潜力,有望成为推断头部致伤方式的一种辅助工具。

基于卷积神经网络的小样本树皮图像识别方法

针对在树皮图像分类过程中图像训练数据数量少、识别准确率低的问题,提出一种基于卷积神经网络的小样本树皮图像识别方法。以5种常见树种的树皮图像作为研究对象,在基于卷积神经网络的Inception_v3模型基础上,对原始数据集进行数据增强的一系列操作,扩大数据集的数量;在此基础上,对所有数据集进行白化处理,以降低数据之间的冗余性,使得特征之间相关性较低;采用ReLU激励函数和Dropout方法,防止训练时引起的过拟合现象;同时,在模型的最后添加3层全连接层,增强模型的特征表达能力,采用softmax分类器。最终确定了一个10层CNN模型:5个卷积层、2个池化层、3个全连接层。结果表明,上述网络模型对数据集的识别准确率为94%,并且为验证本研究方法的可行性,分别在MNIST数据集、ImageNet数据集、CIFAR-10数据集进行测试,识别准确率分别为92%、90%、93%。因此,提出的方法在小样本的识别试验中具有较高的识别准确率和一定的可行性。

深度卷积神经网络在品牌服装图像检索中的应用

品牌服装图像检索目的是根据用户需求输入图像从而直接查找出与目标图片相似的服装,以满足客户查找需求。服装图像检索步骤分两步,首先利用卷积神经网络模型提取数据集图像特征并保存到数据库,然后提取待检索图像的特征向量并与保存好的的图像特征逐一进行相似度匹配。从深度卷积神经网络模型设计出发,通过卷积核删减方法改进VGG16网络模型并对比分析Inception_v3和原VGG16模型结构,通过实验验证他们的性能表现。实验表明,在获取的品牌服装数据集上,改进的modify_vgg准确率达81.7%,比原VGG16模型准确率提高1.4%,比Inception_v3模型提高3.5%。

深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法

空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。