基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

改进卷积神经网络在腺癌病理图像分类中的应用

针对传统卷积神经网络(CNN)稀疏的网络结构无法保留全连接网络密集计算的高效性和在实验过程中卷积特征利用率低造成的分类结果不准确或收敛速度较慢的问题,提出了一种基于CNN的多尺度方法结合反卷积网络的特征提取算法(MSDCNN)并对腺癌病理图像进行分类。首先,利用反卷积操作实现不同尺度特征的融合,然后利用Inception结构不同尺度卷积核提取多尺度特征,最后通过Softmax方法对图像进行分类。在腺癌病理细胞图像进行的分类实验结果表明,在最后的卷积特征尺度相同的情况下,MSDCNN算法比传统的CNN算法分类精度提高了约14%,比同样基于多尺度特征的融合网络模型方法分类精度提高了约1.2%。     

采用ACGAN及多特征融合的 高光谱遥感图像分类

为解决标记样本缺乏、提升分类精度及增强模型容错性等问题,提出一种基于辅助分类器生成对抗网络(ACGAN)的分类方法.首先,将预训练的ACGAN模型作为光谱特征提取器,采用局部二值模式(LBP)算法提取图像的纹理特征;然后,融合光谱特征和纹理特征,由卷积神经网络(CNN)进行分类.在2个广泛使用的数据集上进行实验,结果表明:相较于其他方法,文中方法可显著提高分类精度.     

基于双层卷积神经网络的步态识别算法

提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法.首先,对足底压力数据采集系统采集的图像作相应预处理;然后,用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征;最后,将卷积特征训练分类器得到分类结果.实验结果验证了该算法的有效性.     

基于卷积神经网络的文本分类算法

为了解决分类算法在文本分类时出现特征维度过高和数据稀疏的间题,提出了一种基于卷积神经网络(convolutional neural network,CNN)的文本分类算法,该算法结合卷积神经网络论中的邻接矩阵对文本分类进行动态建模。对文本的词向量进行训练,并且通过分类邻接矩阵得到群的结构和个数分类。在提取出文本抽象特征的基础上用CNN分类器来进行分类。仿真分析表明:该算法在在进行文本分类效果显著。     

基于深度学习的网络攻击检测

针对现有的网络攻击检测方法检测精度不高的问题,提出一种基于并行卷积神经网络的在线网络安全攻击检测方法.该并行的深度卷积神经网络一共包含2个深度卷积神经网络用于提取特征:CNN1和CNN2,然后通过全连接层两个特征提取层,并通过软最大化操作将网络攻击的检测转换为攻击的分类模型.采用KDD Cup99作为仿真数据集,并采用训练数据来对深度模型进行训练,当模型的训练误差小于一定阈值时,采用测试数据进行测试.结果表明:将本文所提方法与文献[8]以及文献[9]所提的卷积神经网络进行比较,其结果表明了所提方法不仅具有较高的检测准确率而且具有较低的误报率上.     

基于CNN多层特征加权融合的闭环检测算法

针对深度学习用于闭环检测中存在空间细节特征丢失的问题,提出基于卷积神经网络(CNN)多层特征加权融合(CNN-F)的闭环检测算法.首先,采用预训练的CNN模型作为特征提取器,从网络中提取输入图像的浅层几何特征和深层语义特征;然后,调整特征图数据进行加权融合,将融合的特征图进行主成分分析(PCA)降维处理后,计算相似性得分用于闭环检测;最后,将算法在数据集New College和City Centre上进行测试.实验结果表明:CNN-F可以有效改善图像特征描述效果,相比于直接使用CNN的闭环检测算法,该算法有更好的准确性和鲁棒性.     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于Haar-CNN模型的自然场景图像分类的研究

研究基于Haar-CNN模型的图像特征提取用于自然场景图像分类的问题.Haar小波变换是图像处理中常见的一种变换,可以提取图像的局部和空间信息,并把彩色图像的颜色、轮廓和纹理信息进行分层次的表达.卷积神经网络(CNN)是一种得到广泛研究与应用的深度学习模型,对图像特征具有很好的表达能力.基于Haar小波变换和CNN模型的优势,提出一种新的图像特征提取方法,即Haar-CNN模型;利用该模型提取得到图像更丰富的特征信息;然后比较基于Haar-CNN和CNN模型提取的自然场景图像特征在分类中的效果,探究Haar-CNN模型对于自然场景图像特征提取的优势.再对比在不同颜色空间上Haar-CNN模型对自然场景图像的分类效果,实验结果表明YCb Cr颜色空间上的分类精度最高,为96.2%,比灰度图像的分类精度提高了7.8%.同时,进一步分析Haar-CNN模型中图像块大小、隐藏层神经元个数、池化区域大小、模型深度等参数对图像分类精度的影响,实验结果表明参数选择对图像分类很重要,合适的参数选择可以提高分类精度.     

一种加权词向量的混合网络文本情感分析方法

针对文本中关键信息被忽略以及分类准确率不高的问题,提出一种加权word2vec的卷积神经网络(CNN)与ATT-BiGRU混合神经网络情感分析模型.由于word2vec生成的词向量无法突出文本关键词的作用,因此引入词频-逆文档频率(TF-IDF)算法计算词汇权重值.然后,将加权运算后的词向量输入CNN与ATT-BiGRU混合模型提取隐含特征.该模型通过卷积神经网络(CNN)和基于注意力机制的双向门限循环单元(ATT-BiGRU)分别提取文本特征,以此来提高文本的表示能力.多组实验对比结果表明,与其他算法相比较,该模型的分类准确率最高且耗费时间代价小.     

融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征,最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明,该方法的分类准确率达到82.3%,较FV-SIFT算法在分类准确率上提高了15.4%。     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

基于CNN-GCN模型的扫描电镜图像分类

通过对矿物扫描电镜图像进行分类与鉴定，能够获取矿物的微观信息，确定矿物的组成与类别，对于油气田生、储、盖类型的研究具有重要的意义.由于在一幅图像之中有时不止有一种矿物，且不同矿物之间具有相关性或共生性的特性，而普通的神经网络只提取图像特征或只注意图像局部的特征关系，忽略了矿物之间的相关性.因此如何利用标签之间的关系进行更优秀的多标签图像分类成为扫描电镜图像分类的重要任务.鉴于上述情况，通过构建基于Resnet50的图像特征学习模块与基于图卷积神经网络的分类器模块构成的引入图卷积的卷积神经网络模型可以很好地完成上述任务.使用卷积神经网络模块提取图像特征，并利用GCN模块学习矿物标签之间的相关性，达到提高分类准确率的目的 .此模型相比普通的CNN模型准确率提高了5%，相比引入注意力机制的CNN模型，此模型的准确率仍有3%的优势.实验表明，CNN与GCN相结合的分类模型在扫描电镜数据集分类任务中优于其他的分类模型.     

基于卷积神经网络和稳定性选择的农作物植被光谱分析方法

光谱特征提取是遥感植被精细化识别研究的关键.现有光谱分析方法大多无法直接高效的提取特征波段用于分类,往往依赖特征选择和预处理操作,目标识别精度不高.本文整合卷积神经网络(CNN)和稳定性选择改进光谱分析方法实现统一高效的光谱分析,以玉米、大豆、豆角、葡萄、大枣、辣椒、秋葵、芥蓝、韭菜和草皮10种农作物植被叶片光谱为实验对象,构建适用于农作物分类的CNN模型,获得植被分类结果.利用稳定性选择方法可视化CNN卷积-池化过程的特征选择结果,获得表征不同植被生化参数的特征波段.结果表明:1)改进的光谱分析方法很好的适用于光谱识别,分类准确率维持在97%～100%之间;2)该方法对光谱预处理依赖性最小,对光谱识别表现出较强的鲁棒性和泛化能力;3)特征波段的可视化结果证明了改进的光谱分析方法能够精准的提取农作物植被的敏感特征波段,间接说明了CNN模型卷积池化操作能够准确地提取光谱重要特征波段用于农作物光谱分类.     

基于稀疏联结卷积递归神经网络的RGB-D图像识别算法

RGB-D传感器能够同时获取图像的彩色信息和深度信息,深度信息的引入有效提高了图像分类的精度。文章提出了一种基于稀疏联结卷积神经网络的RGB-D图像目标识别方法。该方法以卷积递归神经网络(convolutional and recursive neural networks,CNN-RNN)深度学习网络为基础,利用一种尺度归一化方法对图像进行处理,并且对CNN滤波器层进行改进;在CNN滤波器层,通过加速稳健特征(speeded up robust features,SURF)算子得到归一化图像中特征点的位置;然后以特征点为中心选取图像块,对所有训练图像的图像块进行训练,从而获取CNN滤波器组层的卷积核;以归一化图像的SURF点为中心确定滤波器层在图像的感受野,所得感受野与卷积核形成局部联结网络,构成了CNN的滤波器组层。实验结果表明,该方法有效地提高了图像的识别精度,具有较强的鲁棒性。     

一种基于注意力导向CNN的晶粒缺陷检测方法

针对半导体生产过程中的晶粒缺陷检测任务,提出了一种融入多头注意力机制的新型CNN模型(Attn-Net).该模型使用深度可分离卷积和标准卷积累加的卷积结构提取输入图像特征,借助多头注意力机制更新特征权重,输出注意力机制筛选的图像分类结果.在13513张晶粒图像构成的数据集上训练、验证及测试,并与VGG-16、ResNe...     

卷积神经网络与人工水母搜索的图特征选择方法

目前，卷积神经网络（Convolutional Neural Network,CNN）模型在处理图像数据时分类效果较差，人工水母搜索（Artificial Jellyfish Search,AJS）算法收敛速度慢，迭代次数多，特征选择的效果不理想.针对上述问题，提出一种基于CNN和AJS的图特征选择方法 .首先，使用CNN来提取特征，将生成的特征图进行图嵌入降维，再使用AJS算法进行特征选择，把得到的特征输入分类器，进行模型训练和评估；然后，在图嵌入阶段，将特征图进行随机游走，并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率，提高分类精度；最后，在AJS算法中引入余弦公式对人工水母的位置进行更新，充分考虑特征向量之间的相似性，提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验，结果表明改进的AJS算法具有较好的优化性能.在四个数据集上，将提出的算法与其他算法进行对比实验，实验结果表明，提出的算法能提高分类精度，减少迭代次数.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于深度学习的闪烁探测器信号故障识别研究

传统核探测器故障信号诊断研究都需要提前提取信号特征,然后用机器学习、支持向量机、统计方法等对特征进行分类。为了实现对探测器输出信号进行实时识别和故障诊断,本文基于Matlab平台构建了一个用于对图像进行分类的卷积神经网络模型,对核探测器故障信号进行分类诊断。从分类准确率和算法运行时间两个方面对Adam、Sgdm、Rmsprop三种优化算法进行了比较。结果表明Rmsprop算法运行时间最少,但准确度和损失的训练迭代曲线不平稳;Sgdm模型对十组非正常信号图像分类的准确率最高为93.10%,准确度和损失的训练迭代曲线平稳。虽然,本文方法诊断准确率略低于文献报道值,但是不需要对信号进行预处理和特征预提取,使用更为简便。