基于卷积神经网络的小样本图像识别方法

为提高仅包含少量训练样本的图像识别准确率,利用卷积神经网络作为图像的特征提取器,提出一种基于卷积神经网络的小样本图像识别方法。在原始小数据集中引入数据增强变换,扩充数据样本的范围;在此基础上将大规模数据集上的源预训练模型在目标小数据集上进行迁移训练,提取除最后全连接层之外的模型权重和图像特征;结合源预训练模型提取的特征,采用层冻结方法,微调目标小规模数据集上的卷积模型,得到最终分类识别结果。实验结果表明,该方法在小规模图像数据集的识别问题中具有较高的准确率和鲁棒性。     

基于模型微调的空中无人机小样本目标识别方法

空中无人机目标识别是现代军事、航空领域的迫切需求,由于目前无人机的功能和种类繁多,对于新机型很难采集大量的无人机样本用于训练目标识别模型;针对该问题,提出了一种基于模型微调的空中无人机小样本目标识别方法;方法以Faster R-CNN为基础架构,首先采用具有大量标记样本的常见机型数据预训练Faster R-CNN模型;然后将基础架构最后的分类层替换为余弦度量,构建联合新机型与常见机型的小样本平衡数据集以较小的学习率微调分类层。实验结果表明,在标记样本数量为5、10和50的情况下,基于模型微调的小样本目标识别模型的mAP分别为88.6%,89.2%和90.8%,能够满足空中无人机小样本目标识别任务需求,且优于其它小样本目标识别方法。     

一种新的不变矩与神经网络玉米病害识别系统

基于不变矩理论,对玉米病害图像进行二值化、图像归一化处理,提出一种新的、具有较好逼近能力和较强容错能力的RBF-BP神经网络识别系统。利用Hu不变矩特征的平移不变性、比例不变性、旋转不变性和对目标良好的抗干扰性等特性,处理复杂、多变的玉米病害图像,形成不变矩特征矢量样本库。根据Hu不变矩在提取图像特征过程中的可靠性、独立性及数目小的特点和RBF-BP神经网络在识别过程中较好收敛性特点,对玉米病害图像进行特征提取、网络训练和病害特征的识别。仿真实验结果表明RBF-BP神经网络系统的有效性。     

空中回转体目标识别算法的研究

为加强空中回转体目标识别的智能化程度,提高目标识别率,对目标图像的不变矩特征与BP神经网络相结合的空中回转体日标识别方法进行了研究.以给出权值的方式引入Relief算法对目标图像的7个Hu氏不变矩、3个仿射不变矩的识别性能进行科学的评估.选出权值较大的特征量作为BP神经网络的输入特征来训练网络,识别样本.模拟实验表明:引入Relief算法对空中回转体目标不变矩选择的目标识别方案是有效的,应用Relief算法选择出的特征项作为神经网络的输入特征不但减少了特征量提取的采集次数,降低了算法的计算量,而且,可使网络更易于收敛.且提高了目标物的识别率.     

基于强分类器的神经网络三维目标识别

在使用神经网络识别三维目标时,样本之间可能存在较大差异,会给准确识别带来困难;针对这一问题,提出了一种基于强分类器的三维目标识别方法;该方法首先对预处理后的图像求不变矩,并将这些不变矩作为训练和识别的样本;然后选择任意一种神经网络作为弱分类器进行训练,将首次训练的样本权值设为平均值,之后根据每次训练情况调整下层弱分类器样本的权值,之后将每次训练得到的分类器融合起来,作为最终的决策分类器;实验结果表明,在隐含层20个神经元的3层BP网络中,该方法的识别正确率比单个神经网络的平均识别正确率高2.42%。     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于注意力机制和图卷积的小样本分类网络

深度神经网络在有着大量标注数据的图像识别任务上已经占据了统治地位,但是在只有少量标注数据的数据集上训练一个好的网络仍然是一个据有挑战性的任务.如何从有限的标注数据中学习已经成为了一个有着很多应用场景的热点问题.目前有很多解决小样本分类任务的方法,但是仍然存在识别准确率低的问题,根本原因是在小样本学习中,神经网络只能接收少量有标签的数据,导致神经网络不能获取足够的用来识别的信息.因此,提出了一种基于注意力机制和图卷积网络的小样本分类模型.这个模型不仅能够更好地提取特征,而且能够充分利用提取的特征对目标图像进行分类.通过注意力机制,能够指导神经网络关注更有用的信息,而图卷积使得网络能够利用支撑集中其他类别的信息做出更准确的判断.经过大量的实验,证明了提出的模型在Omniglot数据集和mini-ImageNet数据集上的分类准确率都超过了基于传统神经网络的关系网络.     

基于四旋翼无人机的车辆自主抄牌

针对传统车辆抄牌效率低的问题,提出一种基于四旋翼无人机的车辆自主抄牌方法。使用无人机采集大量车辆俯视图样本,对图像进行预处理和下采样,然后提取车辆图像的梯度直方图特征,将图像特征输入到卷积神经网络中,训练出车辆识别模型,最后使用模型识别车辆;根据车辆的形状特征估计车辆姿态;根据车辆的位姿信息计算无人机抄牌的位置和角度;搭建无人机实验平台测试无人机自主抄牌系统。实验结果表明无人机可以自主拍摄到清晰的车牌图像,实现了车辆抄牌的自动化。     

基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

无人机目标分类的深度卷积网络设计与优化

针对传统无人机目标分类方法效率低、特征提取能力不足和适应性差等问题,通过对无人机自身特点和现有分类方法的分析,提出了引入注意力机制优化深度卷积神经网络的无人机分类方法.设计多组对比实验,根据实验效果设计出模型结构为3层卷积层、3层池化层、2层全连接层的卷积神经网络进行训练,得到最优的无人机目标分类模型,再引入卷积注意力模块对特征图元素进行加强和抑制,引入批归一化层加速模型收敛,提升泛化能力.实验结果表明:引入卷积注意力模块和批归一化层优化后的无人机目标分类模型的识别率达到92.44％,较优化前提升1.5％,相比于其它神经网络模型具有识别率高、收敛速度快的优点,可以基本满足实际场景中无人机目标分类的要求.