基于DenseNet迁移学习的年龄相关性黄斑变性图像的分类方法研究

针对年龄相关性黄斑变性图像的分类研究,提出采用DenseNet迁移学习的图像分类方法.对原始图像进行归一化、限制对比度自适应直方图均衡化等预处理方法,采用旋转、剪裁等数据增强方法扩增数据.在DenseNet网络模型基础上,采用数据集ImageNet首先对DenseNet网络模型进行预训练,然后将训练后得到的网络模型予以...     

基于SSD的仓储物体检测算法研究

随着信息技术和计算机视觉技术的发展,仓储管理自动化和智能化成为趋势,对仓储物体进行准确检测变得尤为重要。针对仓储环境下的物体检测应用场景,提出一种基于SSD的仓储物体检测算法,实现对仓储环境下的物体智能检测。首先采用VGG16网络进行图像特征提取,然后在仓储物体数据集上进行模型训练,最后通过优化模型参数将训练好的模型应用于仓储物体检测。在创建的仓储物体数据集上训练SSD300和SSD500两种模型,获得的仓储物体检测准确率（mAP）分别为91.83%和94.32%,表明该算法基本实现了仓储物体的准确检测。     

基于多尺度特征先验的图像拼接篡改检测

针对现有图像拼接篡改算法存在识别准确度不高的问题,提出了一种基于多尺度特征先验的图像拼接篡改检测框架。首先,训练一个环状残差网络对数据集的深度特征进行学习,将训练得到的模型作为后续网络学习的先验知识。然后,开发一个由多个外部注意力块和环状残差块组合的分支网络,该分支网络有效地利用环状残差网络训练模型中的多尺度特征先验知识,进一步学习到精确的拼接篡改图像区域信息。为了进一步解决数据不均衡问题,结合二值交叉熵损失和Dice损失来设计模型训练目标函数,最终较为精确地检测出篡改区域图。大量实验对比数据表明,所提方法可以有效检测出不同场景下的拼接篡改图像,与对比方法相比有更高的检测准确率。为了进一步检验模型的鲁棒性,对压缩和噪声图像进行了实验测试,结果表明所提方法在鲁棒性方面也能取得较好的结果。     

基于图像增强的低光照图像识别算法研究

为提高图像增强算法的图像识别有效性，提出了基于图像增强的低光照图像识别算法。首先，采用直方图均衡化的图像增强算法对开源低光照图像数据集（ExDark）进行增强处理；然后，设计卷积神经网络进行图像识别训练，通过多重卷积—池化操作，实现图像特征提取；最后，将识别结果与其他增强方法结果进行对比实验。结果表明，与其他传统方法相比，在低光照图像的处理中采用直方图均衡化的图像增强法可获得更高的图像信息熵与图像对比度，图像识别准确率提升了14.4%，对低光照条件下的图像识别具有参考价值。     

一种基于机器视觉和深度残差收缩网络的智能制造缺陷检测方法

针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks, D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor, CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory, D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明：所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率...     

基于BP神经网络的智能电网短期电力负荷预测

当前现有预测方法对智能电网短期时间内的电力负荷预测存在预测精度低、预测精度受气象条件变化影响等问题,现引入BP神经网络研究智能电网短期电力负荷预测方法：获取智能电网历史运行数据,对数据进行预处理,对样本进行归一化处理;利用BP神经网络构建电力负荷预测模型;建立模型训练网络拓扑结构,训练模型预测性能;完成电网短期电力负荷预测,并在考虑气象因素的情况下对预测进行补偿,得到预测结果。实验证明：新的预测方法在实际应用中预测精度更高,且预测精度不会受到气象条件的影响。     

集成学习与迁移学习的作物病害图像识别算法

为提高包含复杂背景信息的作物病害图像的识别准确率,解决作物病害数据集样本较少而出现的模型训练过拟合问题,提出了一种基于集成学习与迁移学习方法的作物病害图像识别算法.该算法首先在公开数据集上完成模型预训练,其次通过任务域迁移和特征空间迁移,解决农作物病害图像识别问题;进而重构集成学习中的投票机制算法,提升模型对复杂图像的...     

如何保护教育数据隐私？

当前，教育信息化正处于高速发展时期，教育数据隐私风险不容忽视。为有效保护教育数据隐私，文章采用系统文献分析法，首先从研究时间、研究主题两个维度梳理了教育数据隐私保护研究的发展历程，随后揭示了智能校园、智能虚拟教学空间、教育大数据平台三大教育信息化应用场景中存在的教育数据隐私保护问题，最后针对这些问题提出教育数据隐私保护的技术支持方案。该方案提供隐私泄露行为监测、隐私保护分级分类两大功能，整合3种模型训练方式与9种隐私保护技术进行三级隐私保护，可实现不同教育应用场景下模型训练方式与隐私保护技术的个性化配置，从而全场景保护教育数据隐私，促进教育信息化安全、健康发展。     

基于深度学习的细胞癌恶化程度预测方法研究

细胞癌是当今致死率最高的癌症之一,细胞癌恶化程度预测方法对治疗该病症具有重大意义。对细胞图像病理识别数据集中的癌症细胞切片进行检测,首先利用数据增加（DATA Augmentation,DA）技术,增加模型训练集和测试集,然后设计卷积神经网络训练和测试网络结构,再结合经验设置优化参数进行预测模型训练,从而为细胞癌恶化程度预测提供一个深度模型的检测手段。随着深度学习的发展和医学图像在临床上的应用,以及医学影像数据集的不断完善,该方法有望为医生诊断细胞癌恶化程度提供一种有效工具。     

基于多尺度融合GAN的水下图像增强方法

针对水下图像浑浊以及色彩失真的问题,提出了一种基于多尺度融合GAN水下视频图像增强方案,该方案主要包括生成网络和判别网络。在生成网络中,将特征融合与跳级连接引入到生成器结构中,提升网络利用上下层之间信息的能力,确保了生成图像保留更多的细节。此外,还通过对每个块进行差别的判别,实现了局部图像特征的提取和表征。通过在公开数据集EUVP和RUIE进行的定性和定量实验,发现本文方法在PSNR、SSIM、UISM、UICM、UIConM和UIQM等评价指标方面明显优于现有的水下图像增强方法,表明所提方法在水下图像数据集上应用的良好性能。     

基于迁移学习的指关节纹识别算法实验设计

针对传统机器学习算法特征提取烦琐且普遍存在特征单一、识别准确率低的问题,采用能够自行提取图像特征的卷积神经网络模型,对指关节纹识别分类的任务进行实验研究.对指关节纹图像进行预处理后,设计Vgg-16架构的预训练网络模型,对指关节纹数据集进行迁移学习,为了提高预训练网络的移植性和过拟合现象,对预训练网络的部分层解冻与分类...     

基于U-Net的结节分割方法

针对肺结节特征复杂、人工提取特征困难、分割结果不准确的问题,使用一种卷积神经网络模型U-Net对肺结节进行分割。首先对LUNA16数据集提供的肺部CT图像数据和结节标注数据进行预处理,根据结节标注数据,提取对应的肺部CT图像切片,对切片进行归一化、二值化、腐蚀和膨胀从而提取ROI区域,并根据结节位置信息生成掩膜,然后将处理后的肺部CT图像切片与对应的掩膜送入U-Net模型进行训练,最后使用测试数据集对U-Net模型分割效果进行测试。实验结果表明,U-Net模型可以对肺部结节进行有效分割。     

基于异域数据联邦学习的金属板表面划痕检测

由于真实工业场景下的部分工业缺陷太少,导致深度学习应用在表面缺陷检测困难。针对金属板材表面缺陷检测的真实工业环境中所存在的小样本问题,本文提出了异域数据联邦检测模型,采用轻量级网络MobileNet-YOLOv3,有效利用不同领域的划痕数据,分场景训练检测模型。实验结果表明,通过异域数据结合训练的检测模型拥有一个很好的划痕检测效果,金属板训练的本地模型的mAP为94.95%,比传统数据增广方法训练模型mAP高5%,比YOLOv3的推理速度减少44.8%。     

基于大数据标签与机器学习的车牌识别算法

为了提高机器学习算法对实际场景中车牌识别能力,克服天气、车牌种类对识别的干扰,以实际场景拍摄的车牌为识别对象,设计并开发了一种基于大数据标签与机器学习的车牌识别系统。首先,在不同启用场景、不同天气下采集两万帧车牌,涵盖各省市汽车,作为大数据标签和学习基础,建立车牌图像和车牌文字字段的训练集数据库;然后,利用图像降噪、自动阈值分割、形态学处理以及边缘检测,完成车牌定位与分割;随后,通过建立支持向量机与随机森林分类器,对训练集样本进行模型学习,完成机器学习算子,完成针对车牌的最终识别;最后基于Windows系统、C++语言与OpenCV开源学习框架,编码实现算法和系统。经过与对照组的对标测试,所提算法具有更高的车牌识别能力。     

最大似然分类的国内车牌字符识别方法研究

为了满足车牌识别系统对国内车牌字符的有效识别,利用最大似然分类简单快速、实施方便的特点,提出了一种最大似然分类的国内车牌字符识别的方法。通过对样本图像进行采集和预处理,再提取字符的特征数据并建立训练集数据库,依据字符特征向量样本和最大似然分类建立字符识别模型,针对不同类别的字符提供训练模式,对训练集样本进行模型学习和训练完成机器学习算子,最后完成车牌的识别。实验结果表明,作为国内车牌字符识别的一种方法参考,该方法可以有效识别国内车牌字符。     

基于Kinect的人流监测图像采集

为实现行人运动目标检测,需要对目标运动场景进行采集,包括彩色信息和深度信息。然而在图像形成和传输过程中,会受到环境、光照等多种因素影响,采集到的信息与实际场景相比存在降质或退化问题。因此,在进行行人运动目标识别分割之前,需要对原始图像进行预处理。介绍了采集原始图像的硬件设备Kinect2.0传感器;根据深度成像原理,分析了深度图像的预处理算法。     

基于深度置信网络的酒店入住管理系统研究

为了解决当下智能酒店出现无法人证合一以及资源不必要浪费问题，通过视频流人脸识别技术与行人再识别技术应用，结合模糊集理论改进的深度置信网络模型实现人体检测，提出一种新型智能化的酒店入住管理系统模型。人脸识别技术、多数据融合技术以及“居民身份证网上功能凭证”，为模型提供了可靠的技术支持。结合模糊控制理论的深度置信网络人体检测模型相较于传统人体感应模型，可观察范围由单一场景拓展到复杂多因素场景，有效排除了各种因素的干扰。     

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。     

融合BERT与AttnGAN的文本生成图像方法

针对文本生成图像任务中文本信息与生成图像的语义一致性,以及图像细节模糊、图像要素空间搭配合理性问题,提出了融合BERT文本编码模型和AttnGAN生成对抗网络模型的文本生成图像方法。首先,在文本与图像语义一致性训练中,借助预训练BERT模型对文本进行句、字级别的特征编码,充分利用其在NLP任务中的优秀文本编码与强泛化能力深度匹配文本语义和图像区域的特征一致性;然后,在图像生成网络的第一阶段图像生成模块之前添加空间注意力模块,提高最终生成图像的语义一致性和空间位置的布局合理性。融合优化后的模型所生成的图像相比原AttnGAN模型,IS指标提升了0.17,FID指标降低了1.15,整体视觉效果更加细腻逼真,模型成功地在阿里天池服装数据集上应用,表明其具有良好的跨领域生成能力。