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。     

基于遗传-BP神经网络的手写数字识别

简要介绍了遗传算法和BP算法,并结合手写数字识别的实际应用,提出了手写数字识别的遗传神经网络算法。实验表明,多种算法综合使用比单独使用一种算法得到的图像识别率要高。     

深度学习算法应用于岩石图像处理的可行性研究

近年来，机器学习领域中的“深度学习”开始受到国内外学者的广泛关注。借助深度学习，具有多处理层结构的计算机模型可通过多层抽象来学习数据表征。这些方法推动了语音识别、视觉识别、目标检测以及许多其它领域的技术发展。深度学习被应用到计算机视觉、语音识别、自然语言处理、在线广告等领域，并取得了良好效果。将计算机技术与地质勘探相结合，在岩石处理方面已取得了不少成果，不断有新的或者改进方法用于提高处理效率和改善效果，以更好地投入到实际生产中去。针对目前传统的岩石薄片图像处理方法，试图将深度学习中典型的两类算法模型：深度信念网络（Deep Belief Networks，DBNs）、卷积神经网络（Convolutional Neural Networks，CNNs）引入到岩石图像的处理中，分析算法在操作中的可行性及优势。     

手写数字识别方法研究

提出了一种用BP神经网络识别手写数字的方法。论述了其良好的监督学习功能,并结合轮廓特征提取进行训练,给出了一种基于梯度下降法训练BP神经网络的手写数字识别方法。实验结果表明,该方法简单且有较好的识别效果。     

深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

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CNN的多尺度特征在手写数字识别中的应用

在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.     

基于CiteSpace的计算机视觉领域研究热点与前沿分析

以Web of Science收录的文献题录作为数据样本,基于文献计量学方法并利用CiteSpace工具对1990-2019年计算机视觉领域的文献进行可视化分析,从时空层面揭示计算机视觉领域在不同国家（地区）、机构的发展程度;从共引文献层面把握计算机视觉发展脉络;从关键词和突变词角度探测计算机视觉的热点前沿。研究结果显示,从全球范围看,美国对计算机视觉的研究起步较早且一直处于领先地位,中国近年来发展迅速且在总体发文量、高校研究力量层面进步明显,英国、法国、日本、加拿大、瑞士等国近年来发展态势也较突出;马尔视觉计算理论、Canny边缘检测算法、张氏标定法、YOLO算法等许多经典算法对计算机视觉领域的发展具有里程碑式的意义;模型、分类、图像分割、追踪、识别等方向是计算机视觉领域的热点话题;深度学习、卷积神经网络、压缩感知、机器学习是计算机视觉领域近10年的前沿研究方向。     

基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。     

基于人体骨架信息提取的学生课堂行为自动识别

利用计算机视觉技术和机器学习技术对学生课堂行为进行自动识别,是过程性评价的一种新方法,近年来逐渐引起了研究者的关注。文章以监控设备拍摄的实际课堂教学视频为数据源,采集、标注了学生课堂行为数据,提取了学生的人体骨架信息。在此基础上,文章采用Boosting算法和卷积神经网络算法,对基于这两类不同机器学习算法的5种模型进行了学生课堂行为自动识别准确率实验。实验结果表明,在学校教室这种识别比较困难的场景,基于人体骨架信息提取的学生课堂行为自动识别可以达到较高的精度,其中基于Boosting算法的XGBoost模型识别准确率最高。文章的研究推动了计算机视觉技术和机器学习技术的进一步应用,有助于解决学生课堂行为自动识别难题,并助力教师优化教学策略、提高教学效率。     

基于深度学习的手势识别研究

目前一些相对成熟的手势识别算法,如基于模板匹配的方法、基于人工神经网络的方法以及基于隐马尔科夫模型的方法,都存在计算复杂的劣势,而基于深度学习的手势识别具有一定优势。通过深度学习提取多层网络简化的高价值易用特征,通过向量等表示,简化算法以实现良好的识别效果。通过摄像头采集室内复杂背景下的手势图像,在计算能力、存储能力强大的PC平台通过深度学习处理图像,提取特征,然后进行分类识别,能提高识别准确率。通过改进硬件或算法还可提高识别效率及安全性。     

基于深度学习的视频目标检测算法的实现

由于光照变化、物体遮挡和复杂背景条件等众多因素的影响,目标检测一直是机器视觉领域最具有挑战性的问题。首先对视频目标检测算法中的孪生网络系列算法进行分析比较;然后将孪生网络与深度学习相结合,提出并构建全新的孪生网络跟踪器;最后将视频输入到设计好的孪生网络跟踪器中,通过网络对每一帧图像中物体的类别与位置进行准确地实时框选标注。分别将该算法和当前广泛应用的YOLOv3算法在OTB数据集上进行验证测试。测试数据表明:该算法的视频目标检测成功率和准确率均优于YOLOv3算法。     

Two Criteria for Learning in Feedforward Neural Networks

ＴｗｏＣｒｉｔｅｒｉａｆｏｒＬｅａｒｎｉｎｇｉｎＦｅｅｄｆｏｒｗａｒｄＮｅｕｒａｌＮｅｔｗｏｒｋｓＰｅｎｇＨａｎｃｈｕａｎ（彭汉川）１，２ＧａｎＱｉａｎｇ（甘强）１ＷｅｉＹｕ（韦钰）１１，２（ＤｅｐａｒｔｍｅｎｔｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅ...     

国内深度学习领域研究进展与热点分析——基于CiteSpace与VOSviewer的综合应用

为了探究国内深度学习领域的研究进展和热点前沿,综合利用CiteSpace和VOSviewer两款软件对中国知网数据库中2005-2019年深度学习领域相关文献进行科学知识图谱分析,绘制关键词时区图谱、突变检测图谱以及关键词共现权重图谱。通过对所绘知识图谱的分析,可知国内自2014年开始对深度学习领域进行集中研究,理论模型研究热点为卷积神经网络和循环神经网络,应用领域研究热点为计算机视觉、自然语言处理等。其中,深度置信网络应用广泛,至今仍是研究重点。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

基于神经网络的大数据分析方法

基于不同视角和情境特征的大数据定义诠释了大数据的 5V 特性,在扩展大数据价值空间与应用模式的同时催生了以“数据驱动+模型驱动”范式转变为代表的核心问题。为解决大数据分析核心问题,引入神经网络,采用性能优越的卷积神经网络设计对比实验,运用两个公开数据集对其进行训练,并在输出层分别使用L2-SVM 和 Softmax 激活函数。在手写数字识别和彩色图像识别中,L2-SVM 的识别错误率分别为 0.87%和11.9%。实验结果表明,基于 L2-SVM 的神经网络大数据分析方法可以获得更高的识别精度。