排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
在深度学习模型中,为了进一步提高网络的收敛速度和识别精度,提出一种学习率自增强的图像识别算法.当距离极值点比较远时,以大于1的常数进行学习率自增强,加快网络向极值点附近逼近的速度.随着模型接近收敛,根据代价函数的变化情况调整学习率,学习率的变化和代价函数的变化情况成反比.在MNIST数据集和CIFAR-10数据集上进行实验.实验结果表明,结合该算法的深度学习模型在进行图像识别时,能有效地提高识别的准确率和收敛速度,并具有较好的表现能力. 相似文献
4.
现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,分类精度较低,难以同时适用于简单纹理和复杂纹理分类。提出一种基于自适应纹理特征融合的深度学习模型,能够结合类间差异性纹理特征做出分类决策。首先,根据纹理特征的最大类间差异性,构建图像的纹理特征图像;然后,采用原始图像与特征鲜明的纹理特征图像并行训练改进的双线性模型,获取双通道特征;最后,基于决策融合构建自适应分类模块,连接原图与纹理集的平均池化特征图进行通道权重提取,根据通道权重融合2个并行神经网络模型的分类向量,得到最优融合分类结果。在KTH-TIPS,KTH-TIPS-2b, UIUC和DTD 4个公共纹理数据集上对模型的分类性能进行评估,分别得到了99.98%、99.95%、99.99%和67.09%的准确率,表明所提模型具有普遍高效的识别性能。 相似文献
5.
针对基于样本的图像修复技术在修复井下煤岩图像时存在纹理过渡延伸和边缘结构不连续的问题,提出一种强化边缘结构的分段自适应图像修复算法,其在Criminisi算法中引入基于ISEF的数据项和等照度线曲率信息构成新的优先权函数,解决了修复顺序不当的问题;并利用局部方差特征与信息熵划分的区域类型自适应选择样本块大小,解决了边缘保持的问题。在常用测试图像与孟村煤矿的煤岩图像上进行了修复实验,相较于传统的Criminisi方法,该算法的平均PSNR分别提升了0.37 dB与1.33 dB,平均SSIM分别提升了0.002 3与0.002 7。实验结果表明,该算法对纹理结构信息复杂的图像具有较好的修复效果,为煤壁图像的修复奠定了基础。 相似文献
6.
考虑到外力引起的孔隙结构改变,将导致煤体渗透性发生显著变化,利用原煤试件的三轴渗透实验数据建立反应瓦斯非线性渗流规律的数学模型,采用基于改进遗传算法赋初值的拟牛顿法求解建立的模型,对瓦斯在原煤试件中的非线性渗流规律进行了求解和分析。结果表明,改进的遗传算法大幅提高了初值寻找的速度和精度,为利用拟牛顿法进行模型最终求解提供保障,从而使得新型优化算法可以有效解决非线性最小二乘问题。采用该方法研究煤体的非线性渗流规律发现,在一定压力范围内,煤体的渗透系数随孔隙压力增加而增加,随体积应力的增加而减小,渗透系数是孔隙压力的二次函数与体积应力的负指数函数的乘积。 相似文献
1