深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

深度学习在医学图像识别中的应用研究

对宫颈的检查图像进行识别可以有效预防宫颈癌的发生,然而,正确分辨出患癌趋势的图像对人类来说是极难掌握的技术。使用深度学习方法对宫颈检查图像进行识别分类,以辅助人类专家做出诊断;首先对图像进行手动裁剪来增大信噪比,把原始图像进行格式转换来提高数据读取效率,并在图像输入模型之前进行随机变换以增大训练集;然后建立CNN模型,进行训练并调整参数;最后在测试集上分类准确率达到了89.1%,结果表明,使用深度学习辅助专家进行宫颈癌的早期诊断是可行的。     

浅谈深度学习在图像识别领域的应用现状与优势

互联网的发展给现代的人们带来了极大的方便,现代的人们获取自己所需的信息的速度越来越快,随着互联网的快速发展,图片成为主要的信息载体,但由于我们无法对图片中的内容检索就大大降低了找到关键内容的效率。在解决这一问题的过程中计算机的图像识别技术就格外的重要。图像识别技术是依据人类本身对图像的判断能力进而产生的,而深度学习也在互联网领域影响极其重大。     

图像识别中的深度学习模型剪枝技术

为了探索用少量的图像数据指导模型剪枝,同时缩短确定裁剪哪些卷积核的时间,该文提出了一种基于卷积核输出特征图的和值的期望进行模型剪枝的策略。将少量的图像输入剪枝前的深度学习模型中,将同一层卷积核输出的特征图根据和值的期望进行排序,按照一定的剪枝率剪去较小期望值对应的卷积核。根据该文提出的模型剪枝策略,在3个通用的公开数据集CIFAR-10、CIFAR-100、ILSVRC-2012上进行了测试,并与目前主流的一些模型剪枝算法进行了对比。实验证明,该文提出的模型剪枝策略在VGG-16-BN上参数量压缩87.3%,每秒浮点运算次数(FLOPs)压缩78.6%,该模型在CIFAR-10上仍能达到93.19%的分类识别精度。在CIFAR-100数据集上,模型剪枝策略在ResNet-56上FLOPs压缩67%,仍能达到67.96%的分类识别精度。     

基于深度学习的图像识别技术研究综述

本文介绍了基于深度学习的图像识别算法,包括R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO以及SDD算法,讨论了深度学习在人脸识别、车牌识别和医学图像识别方面的应用,最后对深度学习图像识别技术的研究提出了问题与展望。     

图像识别在电力巡检中的应用与研究

电力线路设施的巡检与运维,在大量引入无人机之后,大幅提高了线路设施的运维效率,同时提高了运维质量.通过无人机携带光学设备,对塔架设施进行细节拍照,随后通过人工对照片进行分析判断故障.为了提高照片故障分析的效率,基于人工智能算法,开发了相应的图像批处理软件,将无人机作为数据采集端,识别软件作为后端算法端,通过大量的数据学...     

深度学习在网络安全防御中的应用研究

随着经济社会的不断发展和时代的进步,信息技术的变革与创新改变了当下人们的生活与生产方式,网络技术普及给人们带来了极大的便利,人们能够更加高效地搜索所需信息,也能足不出户地进行交流与购物,可以说,现在无论办公还是娱乐、生活都离不开网络技术。但是网络技术在发展的同时也给人们带来了巨大的烦恼,那就是网络安全问题。所以,为了解决这一问题,技术人员在网络安全防御研究工作中耗费了大量的时间和精力,虽然当前已经采取了一些手段用于网络安全防御中,但是其效果有限。为了能够提高当下网络安全防御工作效率,需要通过深度学习的方式来实现,以更好地应对各种病毒的入侵。     

基于深度学习的快速植物图像识别

植物分类在形态、颜色和纹理上具有高度的相似性和密集的细节信息,传统的机器学习方法无法满足这些大样本的特征提取训练,识别种类与精度受到限制。深度学习可以有效地解决植物图像识别在种类数量、准确度和速度上的难点。本文提出了基于优化的P-AlexNet模型的植物识别算法,基于卷积神经网络(CNN)中的AlexNet网络模型进行优化处理,提高模型的泛化能力、细节特征的表征能力以及识别精度。利用迁移学习热启动更新植物识别种类,利用GPU并行计算加速模型训练和图片识别速度。针对206类植物图片,训练得到验证集精度达到86.7%的模型。以此模型为基础,开发了一款智能植物图像识别平台,包含了Web网站以及Android和IOS的App应用。Web端实验测试结果表明,检测时间平均为1.282s,具有较高的准确性和泛化性以及快速的识别速度。     

基于深度学习的肺部医疗图像识别

肺结节作为肺癌早期诊断的重要特征,对其识别和类型判断具有重要意义.目前使用迁移学习的识别算法存在着源数据集与目标数据集差距过大问题,对于肺结节特征提取不足,导致效果不佳.故此提出了基于卷积神经网络的改进神经网络模型.将预训练的GooLeNet Inception V3网络与设计的特征融合层结合,提高网络对特征的提取能力;为确定最佳组合方式,对各组以准确率为标准进行测试.实验在LUNA16肺结节数据集上进行.进行分组测试结果表明,改进的网络准确率达88.80％,敏感度达87.15％.在识别准确率和敏感性指标上,与GooLeNet Inception V3算法相比,分别提高了2.72,2.19个百分点.在不同数据集比例下进行实验,同样达到了更优的效果,具有更好的泛化能力.可以给临床诊断提供相对客观的指标依据.     

基于深度学习的铝厂工业自动浇筑中的图像识别

将深度学习的图像识别应用到工业生产中是一个重要的应用方向.相比传统图像处理,深度学习在图像识别中具有高识别率、抗干扰性强等特点.首先采用小波变换对图像去噪、归一化,然后利用多层卷积对图像进行特征提取并采用全连接层和softmax分类器进行分类实现图像识别.在铝厂工业自动浇注过程中,对已经浇注完成和未完成的图像进行识别、解决传统图像处理在工业生产中多干扰、亮度不足的情况下难以识别的问题.实验结果表明,采用小波变换与深度学习融合对图像进行识别的识别率可达到91. 88%,基本能满足铝厂工业生产的需要.     

深度学习在农村金融行业风险管理中的应用研究

农村金融在我国金融系统中占有重要地位,渠道广、客户多、数据大,且由于其金融主体特殊,农村经济及产业特殊,金融工具,组织结构等都较为复杂,客户群体防范意识和防范水平不高,金融业务存在巨大风险。而且,在许多欺诈案件中,欺诈分子更加狡猾,欺诈手段和技术更加先进,欺诈行为呈现集团化、流水化的特征。深度学习是近些年来学术界和工业界都较为关注的一种机器学习模型,适用于大数据、复杂场景下的数据分析和挖掘,同样在风险预警、风险管理中也有重要应用。该文结合农村金融系统中风险管理方面的实际情况,论述了深度学习在其中发挥的重要作用,同时也为同行业解决同样问题提供了一种新的思路。     

深度学习在认知无线电中的应用研究综述

无线通信业务的发展使得频谱资源变得越发紧张,而现有的频谱利用效率却不高,这一矛盾很大程度上可归结为频谱的静态分配策略.认知无线电(Cognitive Radio, CR)技术被广泛认为是解决频谱静态分配问题的可行方案.深度学习作为机器学习的新兴分支,近几年在学术界和产业界都取得了许多成果,成为人工智能的驱动性技术之一.对深度学习在认知无线电中的应用进行了调研,简要介绍了认知无线电和深度学习各自的发展,且着重介绍了深度学习算法在频谱预测、频谱环境感知、信号分析等认知无线电关键技术环节中的应用,并在最后对此进行了总结和探讨.     

模糊数学在图像识别中的应用

共晶碳化物分布的不均匀性是反映工具钢质量的重要指标之一。如何定量描述碳化物的不均性，如何客观地评定其级别，这是一个亟待解决的问题。本文应用模糊集理论，构造了三种评定碳化物不均匀性的数学模型，并编制了自动识别的计算机软件。通过实例对它们的优劣进行了比较。结果表明：模型I准确最高，为83％，模型Ⅱ次之，为65％，而模型Ⅲ仅为43％。     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

图像识别技术在实验室防疫中的应用研究

佩戴口罩是最有效的阻断病毒传播的方法。高校实验室是重要的教学和科研场所,在新冠疫情防控常态化形势下,口罩的佩戴非常关键。利用安装在实验室中的监控相机,对实验室人员的口罩佩戴情况进行实时智能识别,将有效提升实验室人员佩戴口罩的意识。YOLOv3网络是非常有效的目标检测算法。对该网络进行了改进,使之能有效应用于实验室环境下的口罩检测。     

深度学习在实测沉降数据预处理中的应用研究

基于深度学习中的长短期记忆网络LSTM,通过搭建Seq2Seq模型,提出了可对实测沉降数据进行预处理的新方法.Seq2Seq可通过观测大量有效的测点数据来自动学习沉降发展规律,并在训练完成后能对异常测点沉降进行重新计算,可有效避免异常数据对后续沉降预测的干扰.以某机场多个区域的实测沉降数据为背景,通过将Seq2Seq模型重计算出的沉降值与实测值对比,验证了该模型的可靠性.结合超参数与数据集等参数分析,研究了提升模型学习能力的影响因素.研究结果表明:在训练集选取40个测点、测试集选取15个的条件下,模型重计算值与实测值全过程平均误差3 cm.增大训练集与数据特征,且减小训练集与测试集之间的偏差时,模型的精度提升明显,误差缩小到2 cm.     

深度学习在塔吊裂缝识别中的应用

在塔吊事故频发的背景下,将阐述几种当前主流的基于卷积神经网络的目标识别算法应用于塔吊安全监督管理的可行性.将当前主流的目标识别YOLOv3算法、Faster-RCNN算法和SSD算法应用在塔吊的裂缝识别上从而降低塔吊事故的发生,通过比较分析这三种算法在塔吊裂缝识别上的优缺点,并进一步提出下一步的改进方向来更好的针对塔吊安全管理.     

深度学习在海洋大数据挖掘中的应用

 介绍了深度学习的关键发展节点和应用发展历程,分析了深度学习在国内外主要领域的发展现状;概述了多个深度学习的关键算法原理,分析了深度学习在海洋数据重构、分类识别和预测等海洋大数据挖掘中的相关应用;提出了深度学习未来可能面临的问题,并从加强顶层设计、信息安全和强化算法鲁棒性等方面,展望了深度学习在海洋大数据挖掘中的应用前景。     

深度学习在视频动作识别中的应用

快速有效地识别出视频中的人体动作,具有极其广泛的应用前景及潜在的经济价值,深度学习的火热给视频动作自动识别带来了巨大的发展。提出了一种基于深度学习和非局域平均法的自注意时间段网络,作用于剪切好的视频片段。通过构造非局域模块并将其加入到以ResNet为基本模型的时间段网络,可以得到新模型。经过在TDAP数据集上验证,该模型可较为精确地识别出人体动作,与原有模型相比在不增加时间复杂度的前提下有一定程度的提升。     

人工神经网络在目标图像识别中的应用

运用高阶神经网络的理论和模型，借助相似三角形的特征提取方法和高分辨率图像的粗编码方法，研究了目标的平面二值边缘图像的ＴＳＲＩ模式识别问题。