基于卷积神经网络的图像分类研究

结合现有基于卷积神经网络的图像分类算法,以CIFAR-10作为数据集,探究如何快速搭建一个满足分类精度要求的卷积神经网络模型,以及如何有目的且高效地进行网络训练与参数调整。实验以简单的三层卷积神经网络为基础,从数据增强、网络结构与优化训练3个方面对模型进行改进。实验结果表明,通过叠加这些改进方法,可使模型的拟合能力与泛化能力逐渐增强,最终获得更高的图像分类准确率。     

基于卷积神经网络的肺癌病理图像分类

确定肺癌类型对于病人后续治疗方案的选择至关重要,但肺癌诊断必须由专业病理医师在显微镜下观察活体组织切片确定,诊断过程耗时长,且病理医师之间很难取得较好的一致诊断。随着病理全切片扫描设备的普及,病理图像可在计算机上保存、观察、分析,使通过现代数字图像处理技术辅助诊断或提供决策支持成为可能。对于亿级像素的全切片病理图像（WSI）,通过在图像中提取小块、训练分类网络,并根据验证结果调整网络参数,可得到较好的分类准确率。测试时,聚合全图中小块分类结果得到最终类别。使用基于块的分类方法,卷积神经网络模型在WSI分类任务中取得了较好的效果,有望通过现代深度学习方法对肺癌提供辅助诊断及决策支持。     

基于卷积神经网络的中国绘画图像分类

绘画图像分类为绘画管理与使用提供了便利。传统图像分类大多依靠人工提取形状、颜色等特征,由于绘画图像分类需要更专业的知识背景,从而使人工提取特征的过程繁琐且复杂。基于此,提出一种基于卷积神经网络的中国绘画分类方法,并在此基础上结合SoftSign与ReLU两种激活函数的优点,构造一种新的激活函数。实验结果表明,基于改进后激活函数构造的卷积神经网络,可以有效提高分类准确率。     

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。     

基于可变形卷积神经网络的图像分类研究

卷积神经网络（Convolutional Neural Networks,CNNs）具有强大的特征自学习与抽象表达能力,在图像分类领域有着广泛应用。但是,各模块较为固定的几何结构完全限制了卷积神经网络对空间变换的建模,难以避免地受到数据空间多样性的影响。在卷积网络中引入自学习的空间变换结构,或是引入可变形的卷积,使卷积核形状可以发生变化,以适应不同的输入特征图,丰富了卷积网络的空间表达能力。对现有卷积神经网络进行了改进,结果表明其在公共图像库和自建图像库上都表现出了更好的分类效果。     

基于多尺度卷积神经网络的图像检索算法

图像检索一直是模式识别领域非常重要的研究方向,有着十分重要的研究意义。构建了一种多尺度的卷积神经网络结构并成功应用到报纸图像检索问题中。由于采用一种有监督的学习策略,因此需要提前对训练集中的图像进行人工标签,而人工标签的准确性会对图像检索效果产生很大影响。针对这个问题,提出用一种基于可视化特征方法来指导人工标签。通过这种方法提高人工标签的准确性,从而提高利用卷积神经网络算法进行图像检索的准确率。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

结合Inception模块的卷积神经网络图像分类方法

针对现有卷积神经网络模型参数量大、训练时间长的问题,提出了一种结合VGG模型和Inception模块特点的网络模型。该模型通过结合两种经典模型的特点,增加网络模型的宽度和深度,使用较小的卷积核和较多的非线性激活,在减少参数量的同时增加了网络特征提取能力,同时利用全局平均池化层替代全连接层,避免全连接层参数过多容易导致的过拟合问题。在MNIST和CIFAR-10数据集上的实验结果表明,该方法在MNIST数据集上的准确率达到了99.76%,在CIFAR-10数据集上的准确率相比传统卷积神经网络模型提高了6%左右。     

基于卷积神经网络的人脸识别算法

针对卷积神经网络(Convolutional Neural Network,CNN)在人脸图像识别中面对训练规模较大的图像集数据时收敛速度慢、效率低以及在复杂情况下识别率不高的问题,提出一种优化改进的CNN图像识别方法。该方法首先利用不含标签的图像训练一个稀疏自动编码器,得到符合数据集特性、有较好初始值的滤波器集合,然后对CNN的卷积核初始化赋值,从而大大提高其整体上使用BP算法进行训练的收敛速度,其次使用多类别SVM分类器(Multiclass Support Vector Machine)代替传统的Softmax分类器,对目标图像进行识别,在ORL和FERET等人脸图像库上的实验结果显示,所提算法与采用传统PCA+SVM算法及传统CNN算法相比,在人脸图像识别中有更好的识别效果。     

基于卷积神经网络的恶意代码API分类

恶意代码已经成为威胁网络安全的重要因素之一,安全人员一直致力于研究如何有效检测恶意代码,在动态分析方法中可以通过程序的API调用序列进行分析。通过对恶意软件的API调用序列进行编码处理,可以获得图片格式的数据,进而使用卷积神经网络训练出分类模型,从而实现对恶意软件进行分类,获得较高的准确率,针对阿里云天池上的数据集进行实验验证,实验使用有向图编码方式,采用不同的卷积神经网络架构,对比不同方法的准确性。     

基于卷积神经网络图像融合算法的电力巡检系统研究

为提升图像融合质量确保达到电力巡检精度,设计了基于卷积神经网络图像融合算法的电力巡检系统。采用幂次变换和直方图均衡法处理无人机拍摄的图像,对处理后的图像匹配、拼接缝消除,并通过卷积神经网络算法进行图像融合处理。将提出的算法应用于多丘陵、多河流地区电力巡检中。结果表明,融合后的图像清晰度高、信息保留完整,为大视场图像。该研究对无人机电力巡检系统开发具有一定的参考价值。     

基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

基于卷积神经网络的橘子分类识别研究

为了增强橘子表皮缺陷提取效果,满足橘子品质自动分类的实时性和准确性要求,构建了橘子数据集,以Re LU为激活函数,Max-pooling为下采样方法,建立了包含3个卷积层、3个下采样层、1个全连接层和1个Softmax回归分类器为输出层的卷积神经网络模型,采用小批量梯度下降法训练并优化网络模型.实验平台基于Keras深度学习框架,利用Anaconda下的Spyder编译工具进行Python编程,实验结果表明:方法分类准确率达94.34%,比现有分类方法准确率高出4.75个百分点.     

基于卷积神经网络的古玩图片分类方法

针对现有的网上古玩图片分类算法需要人工设计特征、依赖个人经验的不足,提出一种基于卷积神经网络的分类方法。将背景分离后的图片输入网络,自动提取特征进行分类,在达到较好分类结果的同时网络结构更加简单,并且设置合适的特征图个数使网络取得较好的识别率。实验结果表明,该方法应用卷积神经网络能够解决网上古玩图片分类问题,与传统卷积神经网络相比网络结构更简单、识别率更高;与常用的Hog特征相比,在测试时间相近的情况下该方法识别率更高。     

基于卷积神经网络的智能分类垃圾系统设计

该设计的目的是为了提高垃圾分类的效率,更好、更准确的完成垃圾分类工作。设计利用图像分类技术和迁移学习方法,对轻量级Mobile Net卷积神经网络进行迁移学习,构建垃圾分类模型,通过不断给机器“喂数据”的机器自学习过程,提高识别准确性。测试表明,系统对相关特征比较明显的垃圾可以达到98%左右的识别准确率,达到了预期设计目标。     

基于多特征融合和深度学习的图像分类算法

图像特征提取方法以及分类器的选择是影响图像分类精确度的关键因素.传统算法利用单一的图像特征和浅层结构对图像进行分类,算法实现简单但结果精确度不高.针对这一情况,提出基于多特征融合和深度学习的图像分类算法.算法利用颜色矩、LBP和梯度直方图等算法提取图像的颜色、纹理以及形状特征,继而通过融合算法将这些不同属性的特征进行融合,作为深度学习网络的输入层.实验结果表明,相对于单特征浅层分类,算法在保证时效性的同时,图像分类精确度得到了提高,分类效果更加可靠.     

基于深度学习的高光谱图像多标签分类算法

提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。     

基于卷积神经网络的调制信号识别算法

针对基于特征提取的调制信号识别算法准确性不高的问题,将卷积神经网络(Convolutional Neural Network,CNN)应用于调制信号识别,实现调制信号的空间和时序特征的自学习,避免了传统算法中特征选择和提取步骤,提高了识别准确率.调制信号样本为RaidoML2016.10 a国际标准数据集,实验结果表明...     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。