基于卷积神经网络的人脸表情识别研究

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。     

基于卷积神经网络情感识别的表情包输出

网络社交中的表情包越来越丰富。有一种新的寻找网络社交表情包的方法,通过使用卷积神经网络的图像处理能力,进一步根据实时表情来寻找合适的表情包,目的在于节约网络社交上寻找合适表情包的时间和效率。通过实验表明,该方法具有较好的识别精度,能够在较短时间内找到与用户实时表情相匹配的表情包,缩短了用户查找表情包的时间,增加了网络社交的乐趣并提高了效率。     

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...     

人脸情绪识别原理与深度学习模型研究

随着人工智能技术的持续升级,卷积神经网络在人脸情绪识别方面得到广泛应用,研究人员据此设计出多种深度学习模型,并不断优化模型性能,提升模型识别的精准度和拟合能力.通过将Swish激活函数、S-ReLU激活函数引入模型,分别设计出Swish-FER-CNNs与S-mobile-CNNs两种人脸情绪识别深度学习模型,并借助各类实验对模型进行分析,获得大量有效数据,明确两种模型的优缺点.     

基于双卷积神经网络的行人精细化识别

针对监控场景的行人属性识别问题,提出了基于双卷积神经网络的属性识别方法,给定1幅行人图像,首先对行人的头、上身、下身、鞋、包、帽子等部件采用基于单次检测器(single shot multibox detector,SSD)的深度卷积网络框架进行检测,对于检测出的部件采用VGG-weights(visual geometry group)的深度网络进行精细化的属性识别,如行人的性别、头发长度、衣着款式、背包款式等;最后设计了行人属性识别系统,实现了行人部件的自动检测与属性识别。实验表明,所提出的识别方法性能好、识别度高、系统检测时间短、应用价值高。     

基于卷积神经网络的菜心病害程度识别算法

菜心作为广东省的一种特产蔬菜,在当地蔬菜生产上占有重要地位.在种植过程中,菜心容易发生大规模的病虫害,给种植户造成巨大的损失.以菜心病虫害程度的识别为需求,构建一个小规模的菜心图像训练集,通过常用图像处理方法扩增数据集.根据菜心叶片上的虫洞数和虫洞面积来进行病害程度分类.利用深度学习中卷积神经网络LeNet-5构建一个...     

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。     

基于卷积神经网络的海洋平台损伤识别实验系统开发

将卷积神经网络(CNN)引入到海洋平台损伤识别应用中,开发了基于一维CNN的导管架式海洋平台损伤识别实验系统。构建一维CNN结构损伤识别模型,基于振动台规则波激励获取导管架式海洋平台模型的应变响应实测数据,将实测数据分为训练集和测试集,进行CNN网络的训练和测试。在此过程中,考虑了完好工况、单损伤、多损伤等不同损伤位置共7个模拟工况。实验结果表明,一维CNN可以有效地识别海洋平台结构损伤位置,开发的实验系统可进一步扩展其功能。     

基于卷积神经网络的复杂网络加密流量识别

通信中的流量识别工作将直接影响网络管理整体效率。针对复杂网络中的加密流量识别问题,结合网络流量与文本结构相似性,提出一种基于卷积神经网络的优化识别模型。综合考虑数据包的多样性,对原始网络数据进行预处理,以保证算法输入数据结构的一致性。同时,算法增加卷积操作,以提高模型特征提取效率。仿真结果表明,提出的卷积神经网络模型在复杂网络环境中,加密流量的服务识别与应用识别都有较高准确率。     

以学生为中心的初中人工智能课程的教学研究——以“基于卷积神经网络的人脸性别识别”为例

本文将复杂的卷积神经网络内容化繁为简,将理论讲解部分设置为不同的师生互动环节,激发学生对人工智能的兴趣。在实践应用环节引导学生将人工智能技术应用于身边的生活,让课程更适合学生,增强学生的信息意识和社会责任感。     

基于Adaboost算法的人脸图像情绪识别

提出一种基于Adaboost算法对人脸图像进行情绪识别的方法。先将视频进行图像数据采集,再通过基于Haar特征值的自适应增强计算,即Adaboost计算检测人脸特征,将迁移机器学习技术运用到多任务的卷积式神经网络,然后利用卷积神经网络的情绪回归计算人脸表情的效价和唤醒度得分。不但可以解决对复杂背景图像的高误检率问题,而且还可以解决对多姿态单人脸图像的低检率问题。经仿真试验证明,该方法对单人脸、多人脸和复杂背景多人图像都有较好的测量效果,实用性较强。     

基于学生情绪动态识别的课堂教学研究

现代高校课堂教学大多仍是一对多的教学模式。受教师资源的限制,有些基础课程的班级人数可达数百人。对于这种授课情境,教师难以实时获取全体学生的学习反馈,因此提出采用基于阵列摄像头获取全体学生课堂面部表情、判断知识点教学效果的实时反馈系统,可以辅助教师动态了解学生的学习状态,以便及时调整教学方式或进度。通过课堂实验及课后问卷调查结果,表明此反馈系统可有效提高教学质量,从而达到更理想的教学效果。     

基于卷积神经网络的苗语孤立词语音识别

苗语作为西南少数民族的主要语种之一,其语音研究存在语言文字缺失、语音语料库不健全、地域差异等问题,因此苗语的语音识别难度较大.针对语音语料库不健全的问题,借助汉语拼音对苗语语音进行标注,构建不同地域的苗语语音语料库.基于拼音媒介传递的思想,设计苗语孤立词汇识别模型,该模型利用卷积神经网络对提取的语音特征进行训练和测试,...     

端到端增强卷积网络的视频人脸表情识别研究

视频人脸表情识别在无人驾驶、智慧医疗等多领域都有广泛应用.针对视频单帧特征提取存在信息损失的问题,提出单帧增强卷积网络,该网络采用浅层特征与深层特征融合实现特征增强,其中浅层特征为CNN中间层外延卷积模块实现浅层特征提取,深层特征为CNN网络最后一层融合空洞卷积和基于通道间注意力机制,实现特征通道重定位和强弱信息结合....     

基于自建表情数据集和深度神经网络的人脸表情识别方法

为了更好地将现有深度卷积神经网络应用于表情识别,提出自建表情数据集和深度网络结构改进相结合的方法．首先构建了当前行业最大的人脸表情数据集,解决了表情数据集存在的类别不平衡和数据集合噪声问题;然后通过修改网络结构,实验不同的神经网络基础模型,并调节各个分类在损失目标函数的权重,在CK+数据集上的验证实验表明,所提出方法获得超过SOTA的人脸表情识别准确率,达到97.5%.     

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。     

基于卷积神经网络的车牌识别技术研究

车牌识别是智能交通管理系统中的重要组成部分,能有效地提高车辆管理效率。文章在分析传统的LeNet-5卷积神经网络技术的基础上,提出通过增加卷积核个数,增大卷积核,采用softmax分类器,使用Dropout正则化方法和Adam优化算法对卷积神经网络进行改进,然后对车牌中汉字和字母(数字)的数据集分别进行训练。最后通过实验进行验证,改进的LeNet-5卷积神经网络对车牌具有很好的识别性能,使车牌识别正确率得到提升。     

基于卷积神经网络的人体行为识别方法

为提高基于智能手机三轴加速度传感器的人体行为分类模型准确率,提出了一种卷积神经网络人体行为识别方法,通过固定时间窗口对连续样本数据进行切割分片,构造多层神经元网络结构,优化调整关键核心参数,使用新方法训练出的人体行为识别模型平均交叉准确率可达91.7%,较其他传统机器学习算法有较大提升.     

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

基于卷积神经网络的病虫害可视化监测系统设计

病虫害监测是提高农业生产效率和产量的有效措施。提出一个基于卷积神经网络的农作物病虫害智能监测系统。该系统以移动端为媒介实现监测众包化,基于 GIS 平台对相关区域病虫害发展态势进行数据可视化分析,显示病虫害位置与规模,代替人工识别常见农作物病虫害。实验证明,该系统对农作物病虫害常见的 10 个物种与 27 种病虫种类识别率达 95%,病虫害严重程度识别率达 85%。移动端采集地理定位信息误差5~10m,系统还可对变化趋势进行可视化展示,为农作物病虫害识别、防治及决策提供有效方案。