基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

基于改进的卷积神经网络多姿态人脸识别研究

针对目前的人脸识别算法在面对不同姿态下的人脸图像时识别率低的问题,提出了一种基于改进的卷积神经网络的算法。该算法通过对经典的卷积神经网络LeNet-5 的卷积核数目、卷积核尺寸、池化层方式和正则化手段等参数进行了优化改进,从而能对多姿态人脸图像特征进行有效提取。仿真实验结果表明,该算法在识别率与识别时间上均有显著提高。     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

基于区域卷积神经网络的多目标跟踪算法

深度学习在目标识别、场景分割及图像内容理解上取得了不错的研究成果,但在目标跟踪的应用还较少。提出区域选择算法,先产生原始候选区域,再计算其中邻近区域对的颜色、纹理相似性,对原始候选区域进行过滤,在此基础上,将最终的候选区域作为基于区域的卷积神经网络的输入,通过深度学习的方法提取目标区域的特征,并将提取的特征通过线性支持向量机进行相似度判断,最终计算出跟踪目标的位置信息,同时,利用采样算法进行跟踪目标正负样本的采样,更新卷积神经网络和支持向量机。实验结果表明,基于区域的卷积神经网络算法在目标跟踪的准确率及算法的鲁棒性两方面均有不错的表现。     

卷积神经网络在纸币冠字号识别中的应用

基于卷积神经网络能够直接从训练样本中提取特征并且具备权值共享等优势,本文提出了利用两级卷积神经网络实现纸币冠字号的识别方法。在字符分割过程中,考虑到待识别对象因破损、脏污等情况而引起的问题,提出了窗口移动配准法。实验表明,识别率可达99.99%以上,识别时间能控制在5 ms以内。     

基于卷积神经网络的多车桥梁动态称重算法

为识别多车工况下车辆过桥时的车辆重量,采用卷积神经网络技术开发出可用于多车轴重识别的桥梁动态称重(BWIM)算法.首先,利用车桥耦合系统采集不同车辆过桥时梁底的应变信号;之后,基于深度学习开源框架KERAS搭建了包含9层卷积层、2层全连接层的卷积神经网络(CNN)模型,利用Adam优化器训练CNN模型以拟合所获得的应变信号与车辆轴重在不同工况下的变化规律,并最小化拟合误差;最后,对所开发的算法在单车和多车加载工况下的轴重识别精度进行了对比分析.结果 表明:所提出的算法在单车和多车工况下的轴重识别误差均值基本低于5％,并且识别精度对车辆速度和横向位置的变化不敏感,说明算法的轴重识别效果良好且稳定.该多车BWIM算法摆脱了对桥梁影响线的依赖,为不适用于利用影响线方法进行动态称重的桥梁提供了可替代的称重技术.     

基于深度卷积神经网络的肺结节检测与识别

应用卷积神经网络将肺结节从含有背景、噪声的胸腔区域里检测并识别出来。首先,对图像进行预处理,获得肺实质图像。然后,应用Faster R-CNN多特征融合算法检测肺结节候选区域,再利用多角度特征融合方法滤除假阳性结节。接着,通过数据增强法、残差学习法、优化初始参数等对卷积神经网络的性能进行优化。最后,应用迁移学习方法对数据集进行训练,得出最终的检测结果。抽取LIDC数据集中含有肺结节图像数据,检测并识别肺结节的准确率达到98. 1%。实验结果表明,该算法优于其他3类算法,实现了肺结节的精确检测和识别,在保证检测和识别出正确结节的前提下,降低了过拟合率及训练时间,提高了算法效率,研究成果为早期肺癌的诊断提供参考依据。     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于Dopout与ADAM优化器的改进CNN算法

在分析当前卷积神经网络模型特征提取过程中存在问题的基础上,提出了基于Dropout与ADAM优化器的改进卷积神经网络算法(MCNN-DA).设计了二次卷积神经网络结构,通过引入基于Re LU的激活函数以避免梯度消失问题,提高收敛速度;通过在全连接层和输出层之间加入Dropout层解决过拟合问题,并设计了ADAM优化器的最小化交叉熵.以MNIST和HCL2000数据集为测试数据,测试分析了ADAM优化器的不同学习率对算法性能的影响,得出当学习率处于0.04~0.08时,算法具有较好的识别性能.与三种算法的实验比较结果表明:本文算法的平均识别率最高可达99.21%;对于HCL2000测试集,本文算法的平均识别率比基于支持向量机优化的极速学习机算法提高了3.98%.     

基于深度学习的白光-热成像双通道图像识别系统设计

为解决无人机图像自动识别系统对大视场角下小目标的识别准确率及实时性问题,利用深度学习卷积神经网络对热成像-白光联合图像进行目标识别。设计了一种针对具有温度特征的目标物识别系统以及双通道目标候选提名图像识别算法。充分利用热成像图中目标热源特征的HSV值,将目标物从热成像图中进行筛选、分割。通过Canny算子勾勒目标物轮廓,并标记出目标物大致区域,导入白光图像提取含有目标物的有效图像信息。利用YOLO V2算法对候选图像内目标物进行识别。通过实验表明,提出的双通道目标候选提名图像识别算法具有可行性与实用性,能够在大视场环境下对小目标进行精准快速识别,满足无人机机载系统简易、实时和准确性要求。     

卷积神经网络在锚杆锚固类型识别中的应用

为了解决手工特征提取方法依赖广泛的专业知识和先验知识,难以挖掘新特征而影响识别结果的问题,将一维卷积神经网络应用于锚杆锚固系统类型识别,以实现端到端的分类过程;为了避免随机初始化卷积核会造成网络在训练时收敛速度慢、易陷入局部最优等问题,利用稀疏自编码器对网络的卷积核进行预训练,并利用实验锚杆锚固数据对稀疏自编码器一维卷积神经网络模型、传统一维卷积神经网络模型和反向传播神经网络模型进行测试。结果表明:一维卷积神经网络可应用于锚杆锚固系统类型识别,实现端到端的分类过程;在锚杆锚固系统类型识别中,稀疏自编码器一维卷积神经网络模型的准确率高于传统一维卷积神经网络模型和反向传播神经网络模型的准确率,识别率可达98.57%。     

自归一化卷积神经网络的人脸识别方法

传统的卷积神经网络(CNN)在人脸识别中应用极为广泛,然而依然存在收敛速度慢的问题,需要进行批归一化,防止梯度弥散.而自归一化卷积神经网络比普通卷积神经网络收敛速度更快,且无需进行批归一化.因此,提出采用自归一化卷积神经网络来进行人脸识别.首先算法由2个卷积层,1个池化层,2个全连接层和1个Softmax回归层组成的自归一化卷积神经网络对人脸特征进行提取并分类;然后通过对不同批次大小和不同网络层数的实验对比找出最佳的实验条件;最后与传统CNN算法和其他算法对比.提出的方法在ORL数据库中的实验识别率可达到98.3%.实验结果表明,自归一化卷积神经网络比普通的卷积神经网络在人脸识别中具有更高的识别率、更快的收敛速度.     

基于深度学习的车牌识别技术研究

近年,随着家用车辆的不断增多,交通管制已成为当前国家亟待解决的一个重要问题.考虑到传统车牌识别系统识别率低的缺陷,本文针对车牌图像识别方面提出了一种基于深度学习卷积神经网络的车牌识别技术.实验表明,通过该方案进行的车牌识别在识别率和实用方面都具有较高的价值.     

基于卷积-递归神经网络和费舍尔向量的RGB-D物体识别

综合利用彩色和深度信息,采用多数据模式的特征提取策略,提出一种基于卷积-递归神经网络和费舍尔向量的RGB-D 物体识别方法. 对于彩色图像和深度图像,分别利用卷积-递归神经网络和卷积-费舍尔向量-递归神经网络提取物体的纹理及形状特征. 为了更加全面的获取物体信息的特征表述,引入了灰度图像和表面法向量作为原始数据的补充,并利用卷积-递归神经网络提取特征. 最后,将4 种数据模式下提取到的特征融合起来,输入到softmax 分类器中实现RGB-D 物体识别. 在标准的RGB-D 数据库中对算法进行验证,所提算法可以有效提高物体识别率.     

基于卷积神经网络的肝部组织切片分类的研究

肝部组织切片分类时,传统机器学习方法都是通过提取图像特征来进行识别和预测,由于需要人工提取,具有一定的复杂度,因此识别率较低。为此,利用基于深度学习的卷积神经网络方法来识别分类。对在Keras框架下的Inception V3模型进行改进,将样本图像作为输入数据,通过卷积神经网络训练验证即可得到实验结果,省去繁琐的特征提取环节。实验结果表明,此方法识别率高于当前的传统方法,并且方便快捷。     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

基于卷积神经网络的辣椒识别

农产品检测技术一直以来都是农业领域研究的热点问题,但以往的识别的错误率都居高不下,该文采用了基于有深度学习机制的卷积神经网络方法来提高识别率.首先对采集到的图像进行预处理得到规范化的二值化图像,再利用Matlab软件进行神经网络的建模,利用其网络自学习能力进行训练与测试,通过仿真验证卷积神经网络对辣椒图像的精确识别率.并与传统BP神经网络进行比较,表明其具有很好的鲁棒性和泛化能力.     

采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法

针对传统采用人工特征的机器学习算法难以满足复杂交通场景下鲁棒车辆识别需求的问题,以视觉显著性理论为依据,提出一种利用显著图的车辆候选提取方法.在深度学习的知识框架下,提出了一种采用深度卷积网络(deep convolutional neural networks,DCNN)的鲁棒视觉车辆识别算法.该DCNN分类器采用卷积层和池层构建2组隐层,并直接以灰度图片像素作为输入,经由随机梯度下降算法进行训练,最后以全连接层输出车辆识别判断.选择KITTI标准库作为测试数据库进行了车辆识别试验.结果表明,所提出的车辆识别算法可实现98.13%的检测率和1.77%的误检率,总体性能优于已有算法.     

基于深度网络特征提取与核非线性分类的视频行为识别

行为识别是视频分析的重要任务。本文利用稀疏自动编码机和卷积神经网络这两种典型的深度网络从视频运动历史图像中提取行为特征,利用最优泛化核非线性分类器对特征进行分类,实现行为识别。实验结果表明,与常用的特征提取和分类算法相比,所探讨算法正确识别率更高;而最优泛化核非线性分类器比常用的分类器能更好地兼顾识别效果和效率。