基于卷积神经网络的商品图像分类研究

卷积神经网络是深度学习的一种高效识别方法,将卷积神经网络引入商品图像识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,以避免对图像进行复杂的预处理工作。首先介绍了卷积神经网络的各层作用,然后设计了多种基于卷积神经网络识别商品图像的模型,从多方面测试了卷积神经网络的分类性能。为提高训练速度,卷积层的激活函数采用线性修正函数(Rectified Linear Units,ReLU)。为确保模型的判别性,对下采样层的特征图进行局部对比度归一化,所设计的网络模型在实验中均达到90%以上的平均分类正确率。     

基于3D卷积神经网络的人体行为识别方法

为了提高视频中人体行为识别的准确率,更好地利用视频中的原始信息,提取出更具有代表性的特征,提出一种基于3D卷积神经网络的人体行为识别方法。该方法构建了一个深层三维卷积神经网络模型,使用三维卷积核进行卷积操作,提取视频中人体行为的时域和空域特征,通过多层卷积操作对底层特征进行再组合,得到抽象的高维特征。在KTH数据集上的实验结果表明,该方法有较好的识别效果。     

卷积神经网络在手写字符识别中的应用

随着人工智能的发展,计算机对于输入的手写字符识别需求越来越大,采用改进的卷积神经网络对手写字符进行识别分类。用VGGNet16模型构造卷积神经网络模型,每一层都加上批标准化,通过平均值池化对卷积层进行下采样,利用PRELU激活函数代替ReLU激活函数,最后通过Softmax分类器对手写字符图像进行分类。在MNIST手写数字数据集和EMNIST-bymerge手写字母及数字数据集下进行实验,改进的卷积神经网络模型在MNIST数据集中识别准确率提升到99.65%,在EMNIST数据集中识别准确率为90.37%。因此,改进模型识别准确率较高,适用于手写字符识别。     

一种基于改进卷积神经网络的玉米病害高效识别模型

目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题,提出一种改进的卷积神经网络模型,以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型,利用Dropout策略、L2正则化、早停法等优化网络,通过设置不同的初始学习率和批大小,对复杂环境下的6种典型的玉米病害进行分类试验研究,并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比,新模型的识别时间最短,测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点,为玉米病害的精准高效识别提供了新的方法。     

协同KPCANet模型在人脸识别中的应用

为解决手工提取图像特征过程繁复和参数复杂问题,提出一种基于深度学习的协同KPCANet模型。该算法能够对现场采集到的人脸数据和特征进行提取和分类,通过提取分块直方图特征进行编码协同表示,将测试样本归于残差最小的类中对人脸数据进行识别和运算。实验结果表明,协同KPCANet模型在滤波器数量L1=10时一层卷积层与L2=15时二层卷积层的正确率分别达到99.17%和99.44%。协同KPCANet模型不仅能使运算过程简洁,还能提高识别结果准确度,提升识别效率。     

基于迁移学习的遥感影像树种类型分类

提出了基于迁移学习思想的卷积神经网络遥感影像树种类型分类算法。采用ImageNet上训练的Inception-v3模型对树种影像特征进行提取,使用AID标准数据集和自行采集的东北林业大学实验林场数据集训练一个新的全连接层和Softmax层,更改输出层的节点数量;引入Dropout函数改善过拟合现象;通过反向传播优化模型。实验结果显示,模型在两种数据集上总体分类精度分别达到了98. 8%和97. 2%,Kappa系数分别为0. 987和0. 984,表明实验算法不仅降低了卷积神经网络的参数数量,还提高了目标分类识别的准确性。与传统方法相比,实验算法无需进行复杂的预处理技术即可实现树种的自动特征提取,同时解决了只有依赖大规模样本才可达到较高分类精度问题,在树种类型分类上具有很高的应用价值。     

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。     

基于语义分割的高速公路天气识别算法

为了实现高速公路场景下天气图像的准确识别,文章提出了一种基于语义分割的高速公路天气识别方法,通过设计一种结合语义分割模型提取道路区域特征的方法,构建了基于语义分割的结合道路天气图像全局特征及道路特征的融合网络,实现对高速公路的天气识别。在道路预处理阶段,应用具有密集连接结构的多尺度特征提取模块DASPP到Deep Labv3+网络,增大模型在不同尺度特征上的分辨率密集程度和特征图在不同维度的感受野,进而有效改善道路提取的效果。在特征提取阶段,基于引入深度可分离卷积层的Xception网络,设计了天气特征提取网络WFCN,分别提取输入图像和道路区域图像的全局天气特征和道路天气特征并进行融合分类,有效降低模型参数量和运算量,并增强模型的性能。在构建的高速公路数据集上,对设计的算法分别进行了消融实验和对比实验,实验结果证明了该算法的有效性及相比现有天气识别算法的优越性。     

基于反向卷积的Bi-LSTM语音识别

语音本身具有一定的上下文相关性,而传统语音识别系统中的语言模型对历史信息记忆能力不足,无法充分学习语音序列的相关性。为解决该问题,提出一种基于反向卷积的双向长短时记忆(Bi-LSTM)网络的语音识别方法,该模型在反向长短时记忆单元通路末端增加了一个卷积层,再经过两个全连接层,最后通过分类器输出识别结果。将该模型与目前主流的深度学习模型进行实验对比,结果表明该模型能有效提高语音识别正确率。     

基于迁移学习技术的面部表情识别算法

针对面部表情识别算法存在模型结构复杂、训练参数过多等问题，在对卷积神经网络各层分析的基础上，将迁移学习算法融入到面部表情识别模型中，从而对面部表情进行识别和分类.该文提出的算法首先通过数据增强的方法扩充面部表情图片的数量，然后将VGG16模型在ImageNet图像数据集上训练得到的权重参数，通过参数微调的方法，传递到面部表情识别模型中.最后采用全局平均池化层代替传统的全连接层，对表情图片通道信息进行求和运算实现降维，减少模型的网络参数.实验结果表明：提出的模型在KDEF数据集中取得了优异的识别效果，平均测试准确率达到96.23%.