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。     

一类具有变系数和余割核奇异积分的卷积型方程的求解

利用离散的Fourier变换首次讨论了具有变系数和余割核奇异积分的卷积型方程的求解,并首先在L2[-π,π]上得到了可解条件和一般解．     

既有桥梁车辆荷载行进过程数学模型构建

根据我国现有的车辆荷载样本模型,考虑在不同运行状态下车辆荷载出现的统计规律,提出n辆车行进于桥梁上并且连续到达的概率密度函数的通用表达式及解析表达式。解析表达式可避免通用表达式繁琐的数值计算,为确定桥上最大可能车辆数提供便利。     

基于CAR-Siamese网络的高分辨率遥感图像建筑物变化检测

准确提取建筑物变化区域对城乡规划、地理国情监测、城市扩张分析有着重要意义。传统遥感变化检测方法难以适应遥感图像复杂场景下的变化检测任务的要求。近年来广泛应用于计算机视觉领域的深度学习变化检测算法相对于传统方法在效率和精度上有明显提升。然而遥感图像上建筑物特征丰富、变化多样,且建筑物变化样本获取难度大,导致现有深度学习模型在建筑物变化检测任务上精度受限。针对这一问题,提出变化注意力残差孪生网络(CAR-siamese net),增强不同尺度下图像信息的共享交流,充分学习建筑物的变化特征,同时,提出建筑物语义分割样本预训练策略,有效利用现有建筑物分割样本,最终提升了变化检测网络对建筑物变化的解译能力。以北京昌平区影像为底图制作建筑物变化检测数据集,在该数据集和Levir-CD公开数据集上的实验结果表明,该方法能有效提高建筑物变化检测精度。     

人工智能技术在移动终端自动化测试中的应用

移动终端自动化测试过程中会出现如下问题:坐标点击方案由于版本迭代频繁需要脚本不断适配;UI界面为图片时因元素属性无法识别不能进行UI控制操作;通过图像匹配的识别方法进行用户模拟操作时无法提取文字信息进行结果分析等.为解决这些问题,基于Python语言编程平台,使用卷积神经网络文字图像识别计算模型,通过不断调整输入属性参...     

基于高维数据和深度学习的短期电力负荷预测

精确高效的短期电力负荷预测在现代化电网建设和资源分配上具有重要的作用和研究意义.随着水电、风电等新能源逐渐接入,电网中数据维度飞速增长,面对具有海量特征的高维数据,短期电力负荷预测技术面临着重大的挑战.传统的短期电力负荷预测技术仅关注了某些特定的特征,因此很难对电力负荷数据在时间维度进行建模;基于循环神经网路的方法虽然...     

基于改进的YOLOv3口罩佩戴检测算法研究

冠状病毒COVID-19的爆发引起全球健康危机,要求人们外出时佩戴口罩,因此基于深度学习的口罩佩戴检测技术也应运而生。本文提出一种高效的口罩佩戴检测算法,该算法基于YOLOv3检测框架,设计一种轻量化主干网络代替DarkNet53,该主干网络在浅层采用了一个快速降采样模块提高推理速度;为了进一步准确区分出人们是否正确佩戴口罩,在检测完成之后,使用分类网络进行口罩是否正确佩戴分类。经测试,该算法在CPU运行可达30桢/秒,比YOLOv3的CPV高5桢/秒,在目标检测中的指标（mAP）收集后的WIDER FACE、RMFD和CMFD可以达到94.4%,高于YOLOv3的93.2%。     

适用于智能工业监测的光学元件缺陷识别技术

为提高光学元件缺陷检测的效率和准确率,提出了一种基于偏振成像与卷积神经网络算法相结合的光学元件缺陷检测方法。通过分焦平面偏振相机与暗场成像方法相结合,降低高光现象对成像质量的影响,实现了结构紧凑、实时测量、成像质量高的光学元件成像光路;同时引入LeNet-5卷积神经网络进行光学元件缺陷识别,通过采用线性修正单元、多尺度卷积和卷积通道拓展等优化方法,减小网络过拟合、提高网络缺陷识别能力。经试验对比,改进型LeNet-5识别算法不需要对偏振图像进行预处理,对光学元件缺陷的识别准确率可达96.7%,并且运行速度和内存占用相比SqueezeNet网络模型存在明显优势。     

基于卷积神经网络高光谱影像土地利用分类方法研究

土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一。本文以高分五号高光谱影像为数据源,采用主成分分析（Principal Component Analysis,PCA）方法进行特征提取,并选用前六个主成分作为分类数据,利用基于卷积神经网络（Convolutional Neural Networks, CNN）的分类方法进行分类,并以支持向量机（Support Vector Machine, SVM）和RF(Random Forest,RF)分类方法进行对比。结果表明,基于CNN的分类方法获得的总体分类精度最高,达到87.67%,Kappa系数为0.84,总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00%和8.00%;基于SVM和RF的分类方法的分类结果“椒盐”噪声明显,基于CNN的分类方法可以很好地改善这种情况;基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低,错分比率较高,而基于CNN的分类方法可以有效地改善这种情况。