基于交叉熵的CNN交通标志识别方法研究

为了弥补经典LeNet-5卷积神经网络模型在交通标志识别中易发生过拟合的不足,克服其识别准确率与训练效率较低的缺点,采用GTSRB德国交通标志数据集,并对数据集进行扩充,使训练集数量达到6 312 649张,同时对经典LeNet-5卷积神经网络模型在激活函数、池化策略、随机丢弃及网络结构等方面进行改进,使用基于交叉熵的梯度下降算法对模型的误差反向传播过程进行优化。实验结果表明,改进后的模型较改进前在识别准确率与训练效率上都有所提高,识别准确率最高可达97.04%。因此,基于交叉熵的卷积神经网络不仅能够提高模型的交通标志识别准确率,有效防止过拟合,还能够提升网络训练效率。     

基于迁移学习的家猪图像识别研究

为实现家猪图像识别并提高识别准确率,提出一种基于迁移学习的家猪图像识别方法。首先对现有数据集进行数据增强,然后迁移 VGG16 模型并对其进行微调,从而更好地提取图像特征并缩短网络训练时间。采用自归一化神经网络解决了梯度消失和梯度爆炸问题,在网络构造时使用全局平均池化代替全连接层,以达到降低模型过拟合的效果。实验对比结果表明,该方法分类效果较好,准确率达到了 84%,召回率和 F1 值分别提升至 0.8、0.82,各项指标相比基础模型均有所提升。     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

基于迁移学习的GoogLenet煤矸石图像识别

已有的煤矸石识别方法具有一定效果,但无法满足实际需求。为了寻找新的煤矸石识别方法,提出了基于深度学习的煤矸石图像识别方法。采用Inception模型,并通过迁移学习共享已训练模型卷积层权值和偏差。从煤矸石图像库中随机抽取煤矸石图像作为训练集和测试集,最后将该方法与传统图像识别方法进行比对。实验结果表明,该模型可以有效识别煤矸石,准确率为93.5%,有效提高了煤矸识石别准确率。     

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%.     

基于改进E-EfficientNet的古陶瓷纹饰分类模型

为进一步提高古陶瓷纹饰分类精度，提出一种基于改进EfficientNet的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0,有效捕获通道间的交互信息，利用跳跃连接在特征提取的最后一层加入ECA模块，获得古陶瓷纹饰注意力特征图，并利用迁移学习和Adam优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明，改进后的E-EfficientNet模型在古陶瓷纹饰数据集上的识别准确率达到了99.26%,较改进前提高了2.48%;与同类轻量化模型ShuffleNet-V2和MobileNet-V3对比，识别准确率分别提高了2.10%和2.91%;与其他经典模型VGG、ResNet对比，不仅参数量大幅度减少，识别准确率均明显提高，可有效用于古陶瓷纹饰分类。     

基于深度信念网络的入侵检测模型（英文）

研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDD CUP 1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法.     

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EfficientNet的视网膜OCT图像分类方法研究

视网膜OCT图像能够观察到眼底视网膜各层组织及其厚度，为早期眼底疾病筛查提供准确的临床依据，但现有标注样本少导致分类精度较低.针对此问题提出一种基于迁移学习的EfficientNet视网膜OCT图像分类算法.首先，对视网膜OCT图像进行数据增强与预处理操作；其次，将预训练好的EfficientNet-B3模型进行训练，再通过部分过采样和类权重的方法进行微调训练.最终分类准确率可达99.2%,表明该模型具有较高的分类识别准确率，具有一定的临床指导意义.     

基于不变矩和小波神经网络的交通标志识别研究

研究了用于交通标志识别的小波神经网络模型,并描述了相应的算法,给出实验结果。实验结果表明,采用不变矩提取道路交通标志的特征,再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力,对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比,小波神经网络的训练速度更快和识别率更高,能够满足在车辆自主导航系统中对交通标志识别的要求。     

基于深度学习的交通标志检测系统仿真

交通标志是规范驾驶员驾驶的重要指标信息,如何检测交通标志是无人驾驶和辅助驾驶中的关键一环。利用 PYQT 开发一套基于深度学习的交通标志检测系统,系统包括 4 个主要模块：用户信息模块、摄像头采集模块、检测模块和保存结果模块。对比目前主流的深度学习目标检测算法 YOLOv3 和 Faster-RCNN 在交通标志上的检测效果,并采用 YOLOv3 作为系统仿真算法,仿真结果表明,YOLOv3 兼顾了实时检测和检测精度要求,对无人驾驶和辅助驾驶研究具有一定应用价值。     

刍议交通标志识别技术在智能交通系统中的应用

传统的交通系统虽然在历史的进程中做过巨大贡献,但随着时代的发展,它已有所局限,所以智能交通系统应运而生。交通标志的识别在智能交通系统中占据着十分重要的地位,拟从交通标志识别技术在智能交通系统中的地位和作用入手,探讨交通标志iY,,54的相关技术,侧重于交通标志识别的几类算法,以期提高交通设施的运行效率及行车安全。     

改进 SSD 的交通标志目标检测算法

以 Faster R-CNN 为代表的 two-stage 目标检测算法检测速度慢,而 one-stage 目标检测算法中的 SSD算法虽然检测速度快,但对交通标志类小目标的检测效果不佳。因此在 SSD 算法 VGG16 骨干网络上引入感受野块（RFB）结构,既提升检测速度又可在小目标检测上达到良好的检测精度。与此同时,为提高网络分类精度,在损失函数中加入中心损失。将 SSD 算法与改进的 SSD 算法在 VOC 数据集上进行训练,对比其性能可知,改进后算法 mPA 值达到 80.7%,相比 SSD300（VGG16）算法提高了 3.5%。该算法在 LISA traffic sign 数据集上训练,在迁移学习的基础上得到的 mPA 值为 78.4%,检测单张图像平均耗时为 20.5ms,可满足实时性要求。     

基于维纳复原的道路限速交通标志检测

超速引发的交通事故数量急剧增加,为了提高道路驾驶安全性,提出一种基于维纳复原的道路限速交通标志检测方法。首先,对原始街景进行维纳滤波复原图像预处理;然后,根据道路限速标志牌轮廓形状和颜色等特征,在 HSI 彩色空间进行红色阈值分割、Canny 边缘检测和 Hough 圆检测,对图像中的道路限速交通标志进行检测,定位出可能是道路限速交通标志的区域;最后,根据限速标志的内部特征排除定位出的非限速交通标志区域。实验结果表明,该方法对于我国常见的 6 类限速标志检测正确率达到了 98.76%,符合限速标志检测系统的准确率要求。     

基于被动式Wi-Fi的实验室人流密度监测系统设计

针对当前高校实验室突发情况下人员流量监测困难的问题,设计了一种高精度、无感知探测的被动式实验室人流密度监测系统。该系统采用多个Wi-Fi传感器对人员携带的移动设备信号进行被动式Wi-Fi探测,运用长短时神经网络进行特征学习,提取不同实验室环境中不同位置与移动设备对应Wi-Fi信号特征,生成人员定位模型;将实时采集到的Wi-Fi信号输入模型中输出对应的人员位置信息,生成实时人员流量热点图,实验测试说明该系统具备较高的定位精度,能够有效地实现实验室人员流量密度的监测。     

基于深度学习的数字识别方法研究

近年来,手写数字识别是计算机视觉与模式识别中一个广受关注的问题。该问题的主要挑战是如何设计一种有效方法,以识别用户通过数字设备提交的手写数字。目前,深度学习算法在计算机视觉领域非常流行,被用于处理诸如图像分类、自然语言处理及语音识别等问题。以几种深度学习常见算法,包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络等为研究对象,分析其在手写数字识别方面的优缺点,并引入Google 第二代人工智能系统 TensorFlow,对比相同算法在不同框架下的识别速度及准确率。实验结果表明,几类深度学习算法都能明显提高识别准确率,且在训练数据集时不会损耗过多计算资源。     

The MacArthur Communicative Development Inventory: Normative Data for American Sign Language

To This is a 1 test per thousand learn more about normal language development in deaf children, we have developed the MacArthur Communicative Development Inventory for American Sign Language (ASL-CDI), a parent report that measures early sign production. The ASL-CDI is an inventory of sign glosses organized into semantic categories targeted to assess sign language skills in children ages 8 to 36 months. The ASL-CDI uses a recognition format in which parents check off signs that their child produces. The form has demonstrated excellent reliability and validity. To date, normative data have been collected from 69 deaf children with deaf parents who are learning sign language as a first language. We discuss the development of the ASl-CDI and preliminary cross-sectional and longitudinal findings from this early data collection with particular focus on parallels with spoken language acquisition. We also discuss the acquisition of first signs, negation, wh-questions, and fingerspelling with developmental patterns provided based on age, as well as vocabulary size.     

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。     

基于TS-NN模型的道路交通车流量预测

针对现有的智能交通系统预测方法,基于道路交通的关键参数车流量预测,提出了一种基于深度学习的时间序列交通流预测方法,进一步提升道路交通车流量预测准确率。在对道路交通数据集进行清洗后,使用时间序列和神经网络的结合算法TS-NN 进行车流量预测,实验表明,在城市路段的预测中,TS-NN 相对时间序列模型ARIMA、神经网络模型LSTM 准确率分别提升了1.62%和2.13%?在高速公路数据集上测试上,TS-NN 有更加明显的改进,相对ARIMA、LSTM 分别提升了20.87%和3.53%,在一定程度上,TS-NN 算法确实有助于改进智能交通系统核心算法。