一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。     

基于卷积神经网络DL算法的文字图像识别研究

为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提...     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

基于改进CNN的增强现实变压器图像识别技术

研究了增强现实变压器图像识别技术,为解决增强现实中变压器图像识别问题,首先在介绍深度学习的经典模型之一,即卷积神经网络CNN的基础上,提出基于两个并行结构的改进卷积神经网络模型(改进CNN),利用改进CNN模型对增强现实摄像头扫描得到的图像进行分类,实现变压器图形化识别。与普通卷积神经网络、SIFT图像识别算法等对比,改进CNN具有更低的错误率,并对变压器图像识别的准确率更高,通过仿真实验验证了此方法的准确性。     

基于卷积神经网络的鱼类图像识别与分类

当前非法、无序的渔业捕捞严重威胁海洋生态环境和全球的海产品的可持续供应。有关部门和组织已经开始探索利用摄像头大规模监控渔船的捕捞活动。为了准确高效的对采集的图像数据进行鱼类的识别与分类,利用计算机视觉技术,设计了一种基于卷积神经网络的鱼类图像识别与分类系统。针对复杂神经网络过拟合严重的问题,运用了一系列有效降低过拟合的方法来优化神经网络模型,其中包括了数据集扩增方法,dropout方法,batch normalization方法。利用该模型对8种鱼类进行了识别分类,结果显示准确率达到了96.24%,从而可以准确快速的进行鱼类的分类。     

基于卷积神经网络的档案分类与识别技术

文中基于卷积神经网络,研究了档案分类与识别技术,旨在提高档案管理的效率和准确性。首先,介绍了卷积神经网络在图像分类任务中的应用,总结了现有研究的主要成果。然后,阐述了档案分类与识别的概念,详细介绍了卷积神经网络的基本原理和特点。接着,提出了基于卷积神经网络的档案分类与识别技术的基本流程,包括数据预处理、特征提取、分类归档等步骤。最后,详细讨论了数据采集、数据预处理、模型设计、模型训练、模型测试、结果分析等关键环节。     

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。     

深度卷积神经网络图像识别模型对抗鲁棒性技术综述

近年来,以卷积神经网络为代表的深度识别模型取得重要突破,不断刷新光学和SAR图像场景分类、目标检测、语义分割与变化检测等多项任务性能水平。然而深度识别模型以统计学习为主要特征,依赖大规模高质量训练数据,只能提供有限的可靠性能保证。深度卷积神经网络图像识别模型很容易被视觉不可感知的微小对抗扰动欺骗,给其在医疗、安防、自动驾驶和军事等安全敏感领域的广泛部署带来巨大隐患。该文首先从信息安全角度分析了基于深度卷积神经网络的图像识别系统潜在安全风险,并重点讨论了投毒攻击和逃避攻击特性及对抗脆弱性成因;其次给出了对抗鲁棒性的基本定义,分别建立对抗学习攻击与防御敌手模型,系统总结了对抗样本攻击、主被动对抗防御、对抗鲁棒性评估技术的研究进展,并结合SAR图像目标识别对抗攻击实例分析了典型方法特性;最后结合团队研究工作,指出存在的开放性问题,为提升深度卷积神经网络图像识别模型在开放、动态、对抗环境中的鲁棒性提供参考。      

基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。     

基于密集卷积神经网络的全卷积池化算法

目前用于图像识别的大多数卷积神经网络(CNN)都使用相同的原理构建,即:卷积层、池化层、全连接层.文中使用密集卷积神经网络重新评估了用于图像识别的所有组件,并对池化层不存在的必要性提出了质疑.经过实验,分析发现池化层可以由步幅增加的卷积层代替,却不会降低图像识别的准确率.研究中则在DenseNets上训练提出的由卷积层替代池化层的方法,组成新的卷积神经网络体系结构,并在多个图像分类的数据集(CIFAR-10,SVHN)上产生了先进的性能.本文提出了基于密集卷积神经网络(DenseNets)的全卷积池化算法,提高了图像分类的准确率.最后,在多个经典数据集上进行比较,实验结果验证了全卷积池化算法的高效性.