基于轻量化VGG16和注意力机制的骨龄预测研究

本研究旨在提高儿童骨龄预测的准确性,通过引入轻量化VGG16和CBAM(Convolutional Block Attention Module)注意力机制,我们设计了轻量化VGG16网络,通过迁移学习初始化模型,同时利用CBAM注意力机制提取关键特征。在儿童骨龄预测数据集上,轻量化VGG16网络相较于传统VGG16、Res Net34和Mobile Net V2,表现出更高的预测性能,MAE(MeanAbsolute Error)为5.01(月)。实验结果及图像对比验证了模型的优越性,为提高儿童骨龄预测提供了可靠的支持。

基于轻量型卷积神经网络的交通标志识别方法

交通标志识别设备的功耗和硬件性能较低,而现有卷积神经网络模型内存占用高、训练速度慢、计算开销大,无法应用于识别设备.针对此问题,为降低模型存储,提升训练速度,引入深度可分离卷积和混洗分组卷积并与极限学习机相结合,提出两种轻量型卷积神经网络模型:DSC-ELM模型和SGC-ELM模型.模型使用轻量化卷积神经网络提取特征后,将特征送入极限学习机进行分类,解决了卷积神经网络全连接层参数训练慢的问题.新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快的优点.实验结果表明.与其他模型相比,该混合模型能够更加快速准确地完成交通标志识别任务.

基于改进的SqueezeNet直升机滚动轴承故障诊断

针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题,提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想,在经典的SqueezeNet基础上,采用3个3×3卷积核代替1个7×7卷积核,实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量,采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层,在保障特征提取能力的情况下,进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验,结果表明该模型诊断精度达到99.65%,与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当,而计算量与参数量最大缩减约6倍和36倍。