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。     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

基于改进的卷积神经网络的负面表情识别方法

为了解决传统的基于人工特征的负面表情识别方法在面部无遮挡、姿态非倾斜的人脸表情图像上表现良好,但是在复杂场景下的识别效果较差的问题,提出了一种基于改进的卷积神经网络的负面表情识别方法.首先利用卷积神经网络的无监督特征学习的特性,预训练两个不同拓扑结构的卷积神经网络,用以提取表情特征;然后融合这些特征,训练分类性能更强的支持向量机.改进后的卷积神经网络算法具有较好的鲁棒性和泛化能力,在训练数据库ICML-fer2013上取得了86.2%的识别率,在测试数据库CK+,GENKI和JAFFE上分别取得了81.6%,87.0%和80.8%的识别率.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

基于改进的卷积神经网络LeNet-5乳腺疾病诊断方法

针对计算机辅助乳腺疾病诊断方法准确率低、耗时长等问题,提出一种基于改进的卷积神经网络(CNN)的乳腺疾病诊断方法.该方法从以下3个方面做了改进:(1)设计双通道卷积神经网络来解决单通道特征提取不充分的问题;(2)采用Dropout技术有效地防止过拟合现象;(3)采用支持向量机(SVM)代替传统的Softmax分类器以减少运算量,提高运算速度.测试结果表明:所提出的分类模型平均准确率高达92.31%,平均训练时间为968s,充分验证了该方法的有效性.     

一种特征融合的小目标车辆检测算法

针对目前基于深度卷积神经网络的目标检测中,高维特征会遗失小区域特征及目标位置信息,从而导致对小目标的识别率很低的问题,提出了一种利用特征层融合进行检测的算法。利用图像插值方法,将高维特征图与低维特征图转化为同样尺寸,通过设置一个网络自学习参数来对各特征图进行有效融合,使得最终进行检测的特征图同时具有丰富的语义信息与尽可能多的目标特征信息。构建了一个简单的卷积神经网络模型,对道路场景中的远距离车辆进行检测,在KITTI数据集上进行测试。测试结果表明:与主流的FasterRCNN和SSD检测框架相比,该模型的检测召回率分别提高了5. 9%和14. 6%。     

基于改进型C3D网络的人体行为识别算法

针对原始C3D卷积神经网络参数量庞大,以及在压缩网络参数的同时进一步提高视频数据集中人体行为的识别率的问题,提出一种改进型C3D卷积神经网络模型。首先,采用全局平均池化和卷积分类操作取代全连接层,形成全卷积网络形式,之后在模型中分别引入卷积核为(3×3×3)和(1×1×1)的三维卷积层,并在此基础上采用卷积核为(3×1×7)和(3×7×1)的三维卷积层对多个(3×3×3)卷积层合并。最后,将所提方法在数据集UCF101和HMDB51上进行训练测试,并与当前深度学习现有流行算法进行比较。实验结果表明,本文所提方法与原始C3D网络模型相比,在UCF101数据集和HMDB51数据集上识别率分别提高了8.9%和7.9%,参数量压缩为原来的32.9%,并且在模型压缩和识别率上也均优于其他方法。     

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.     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。     

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。     

基于InceptionV3卷积神经网络森林火灾检测方法

卷积神经网络算法已广泛运用在图像识别的领域中,基于深度学习的森林火灾检测也逐渐兴起,传统的卷积神经网络算法存在计算速度慢、噪声影响大、传统全连接权重多等问题.本文将使用更好的优化器来提高计算速度,并通过调整模型权重的方式来获得更好的识别效果.     

基于卷积神经网络的服务机器人听觉隐私信息分类算法

为获得机器人听觉行为隐私感知方法,解决语音监听设备存在的隐私泄露风险,本文提出了基于卷积神经网络的服务机器人听觉隐私信息分类算法(APICA)。首先,设计了基于卷积神经网络的服务机器人听觉隐私信息分类算法及其卷积神经网络模型;其次,给出了机器人的听觉隐私信息监听系统工作流程;最后,为评估该听觉隐私信息分类算法性能,构建了训练和测试数据集,并在服务机器人平台上部署和实现了该算法。测试结果表明:系统识别隐私信息的平均精确率P、召回率R和F1值分别为96.35%、93.20%和94.53%,具有良好的识别和分类效果。     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。     

一种基于浅层卷积神经网络的隐写分析方法

为提高隐写分析的检测准确率,提出了一种基于浅层卷积神经网络的图像隐写分析方法。与深度卷积神经网络相比,浅层卷积神经网络通过减少卷积层和禁用池化层,来加快神经网络收敛速度和减少隐写特征丢失,同时采用增加卷积核数、使用批正则化以及使用单层全连接层的方式,提高隐写分析网络的泛化性能。实验结果表明,针对S-UNIWARD隐写算法,在嵌入率为0.4 bpp和0.1 bpp时,检测准确率分别能达到96%和81.7%,同时在载体库源及嵌入率失配情况下,该方法仍能保持较好的检测性能。