基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于深度卷积神经网络的人脸年龄分类

人脸包含了较多的可区分生物特征信息,这些信息除了可用于身份认证和识别外,还可用于人脸年龄分类等应用.为克服人脸所表征年龄信息会受到复杂的非线性因素例如个体的基因差异、居住环境、健康情况和种族差别等因素的影响,本文使用深度卷积神经网络,通过设计一系列的卷积、池化、全连接和归一化层,对人脸的年龄进行了有效地分类.本算法能克服传统SVM分类算法不能有效处理人脸图像和实际年龄间复杂的非线性关系而带来的准确率下降问题,在FG-NET人脸数据测试集上达到了94.4％的准确率,能有效地应用在安防、人机交互和娱乐影音等领域.     

基于改进网中网神经网络的交通标志识别

针对在实际交通环境中交通标志识别中提高识别准确率和降低计算成本需求,文中提出一种基于网中网(Network in Network,NIN)神经网络的交通标志识别算法。相比卷积神经网络模型,NIN模型增加了MLP结构,并使用全局均值池化层替代全连接层,同时使用ELU函数代替Re LU修正单元。在德国交通标志数据集(GTSRB)进行分类识别研究。研究结果表明,算法在GTSRB基准数据集上获得98. 31%以上的识别准确率,同时能够有效地解决过拟合和梯度弥散等问题,文中算法有一定的先进性和鲁棒性。     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

基于卷积神经网络的现场勘查照片分类方法

随着人工智能技术的迅速发展与广泛应用,智能化勘查方法正成为刑事科学技术领域新的研究热点,而实现现场勘查照片自动识别与分类是智能化勘查的重要研究内容。面向公安机关实战应用需求,提出了一种基于卷积神经网络的现场勘查照片自动分类算法。基于真实案件照片,建立了现场勘查照片数据集,包含现场勘查照片13164张,负类照片4008张。根据现场勘查照片数据特性,设计了现场勘查照片分类网络（CriSNet）,通过对卷积层增加归一化处理以及改进bottleneck模块,实现对现场勘查照片的精确分类。实验结果表明：CriSNet模型的分类精度优于基准网络1个百分点,具有较好的鲁棒性,同时在分辨率低、品质较差的情况下,仍能保持较好的分类性能。     

轻量化卷积神经网络在船舶分类中的应用

为权衡船舶分类模型的分类精度和模型大小,提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类。首先,提出一种融合非对称卷积的Ghost模块,用于提升AGNet卷积过程的特征提取能力;然后,结合瓶颈结构,设计一种非对称Ghost瓶颈模块,在维持模型表达能力的同时能进一步降低计算成本;最后,去除GhostNet-50中的一层1×1卷积,以降低整体模型的参数冗余。实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比。实验结果中,AGNet模型在33个类别的测试集中精度达到了93.87%,模型参数量仅为0.72×10⁶,相比GhostNet-50压缩了46.67%,且精度提升了2.93个百分点。实验结果表明：AGNet在较低模型大小的前提下能达到更优的分类效果,可较好应用到船舶分类任务中。     

基于批归一化与AlexNet网络的水稻病害识别

为实现多种类水稻病害的自动识别,采用卷积神经网络对水稻干尖线虫病、白叶枯病、细菌性条斑病等8种水稻叶部病害图像进行识别.将病害图像通过随机旋转以及亮度和对比度随机改变等方法进行样本扩充后,随机划分80％的图像作为卷积神经网络的训练样本,20％的图像作为测试数据.将训练样本直接输入AlexNet网络与LeNet5网络中进...     

基于卷积神经网络的砂石骨料分类方法研究

针对目前在检测商用砂石骨料的过程中,人工检测的效率低下且受到主观因素的影响较大以及检测的准确率不理想,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的砂石骨料图像分类模型CNN13,该分类模型参考经典卷积神经网络VGG16(Visual Geometry Group 16)模型进行网络结构的改进和参数优化,利用TensorFlow深度学习框架搭建一个13层的卷积神经网络结构.实验数据集采集于某商用混凝土生产企业日常生产中的砂石骨料,共5000幅数字图像,模型在训练过程中采用GPU进行高速计算.相比于VGG16模型,CNN13模型的卷积层和参数量较少,对GPU内存的要求更低,训练速度更快,分类的准确率更高,每个等级的砂石骨料的分类准确率都达到99％以上.     

基于VDNet卷积神经网络的羊群计数

为了避免传统羊群计数任务中,羊只之间相互遮挡带来的干扰,提高羊群计数的准确度,采用了视觉几何群(VGG-16)与空洞卷积(DC)相结合的VDNet神经网络羊群计数方法.该方法在网络前端采用去除了全连接层的VGG-16网络提取2-D特征,后端采用6层具有不同空洞率的DC提取更多的高级特征;DC在保持分辨率不变的同时扩大了...     

基于深度学习的车辆分类检测

本文所要谈论的是如何识别车辆的分类以及检测,首先,我们阐述了车辆检测的发展意义及发展背景,其次,对其中涉及的深度学习理论基础以及几种经典的神经网络算法进行简洁的介绍。最后对车辆进行检测分类,并对每组数据的请准度做出统计,以便总结实验优缺点以及未来该系统的改进方法。