一种基于CNN的混叠光谱解调算法及FPGA实现

为了解决光纤布拉格光栅(FBG)传感网络的光谱信号混叠问题,基于现场可编程门阵列(FPGA)提出了一种利用卷积神经网络(CNN)模型的混叠光谱信号解调算法,并对其进行硬件实现与加速。通过对模型参数进行定点数量化,压缩网络模型的存储空间,提高FPGA中DSP资源的利用率;利用循环展开和数组重排等硬件优化方法,提高了系统实时性,确定了算法的并行计算方案。研究结果表明,在100 MHz的时钟下,测试集解调精度为1.19 pm,推理速度为每帧14.96μs,光谱解调速率为60 kHz,对于FBG混叠光谱信号解调具有较高的精度和速率。     

卷积混叠信号盲分离

本文讨论了卷积混叠信号盲分离问题，证明了一系列基于高阶谱的判据，指出了盲辨识和盲分离的充分条件，利用判据，发展了若干算法，模拟实验证实了判据的正确性和算法的有效性。     

基于卷积神经网络的红外光谱建模分析综述

红外光谱技术存在着数据预处理复杂、预测精度不高,且难以处理大量非线性数据的问题,适于用卷积神经网络进行处理.本文首先分析了卷积神经网络应用在红外光谱上的优点,并对卷积神经网络结构组成进行简单的概述.然后针对卷积神经网络在光谱分析建模中的输入数据维度问题进行详细阐述;针对模型设计中卷积核参数的影响、多任务处理模型以及训练...     

基于卷积神经网络的高光谱图像重建方法

为了提高高光谱图像的成像质量,满足应用需求,提出基于卷积神经网络的高光谱图像重建方法研究。通过预处理方式消除高光谱图像中的暗电流信息与噪声数据,以此为基础,获取高光谱图像SIFT特征,选择高光谱图像最优波段,最大限度地保留高光谱图像的波段特征,有效融合卷积神经网络构建高光谱图像重建模型,将最优波段高光谱图像数据输入至构建模型中,输出结果即为高光谱图像重建结果。实验数据显示：应用提出方法获得的评价指标MSE最小值为6,评价指标Q最大值为6.8,PSNR与SSIM最大值分别为40.349 dB与0.964 4,充分证实提出方法高光谱图像重建质量较佳。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

一种采用预分类式神经网络的混叠信号识别方法

在非合作通信系统中,对未知信号调制方式的识别是对此信号进行准确处理的前提。随着通信环境的日益复杂,会不可避免地接收到时频混叠信号。针对混叠信号的信号分量{2FSK, BPSK, QPSK, 8PSK, 16QAM, 64QAM}的时频、高阶特征,提出了一种预分类式分类网络,实现了对分量信号两两混合的21种混叠信号调制方式的识别。改进了传统的稠密连接网络(DenseNet),简化其结构,引入自编码(Auto-encoder)和注意力机制(Attention),提出了AttEn-DenseNet。结合双向长短时记忆网络(Bi-LSTM),组成预分类式神经网络。先对混叠信号进行预分类,而后再循环式筛选网络极易混淆的高阶调制信号。在此方法中,预分类结构和注意力/自编码机制,能够帮助网络有效提取特征。通过实验对比,验证了预分类结构对识别信号的促进作用和AttEn-DenseNet对特征的高敏性。     

基于卷积神经网络与循环谱图的调制识别方法

为提高调制分类识别精确度,降低计算复杂度,提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理,为了降低计算复杂度,将三维的循环谱转换为二维平面的RGB循环谱图,并将其用于构建数据集;将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明,所提出的智能调制识别方法能够以较低的计算复杂度,获得更高的分类精确度。     

基于卷积神经网络的大姿态人脸对齐方法

大姿态人脸对齐是人脸识别和三维人脸重构等很多重要视觉任务的先决条件.现有的对齐方法大多使用二维界标位置来进行对齐,且使用的界标数量有限,影响大姿态人脸对齐的准确性.提出一种采用三维形变模型(3DMM)来表示二维人脸图像,将具有任意姿态的人脸对齐问题建模为基于3DMM的拟合问题.采用基于卷积神经网络(CNN)的级联回归方...     

基于增强卷积神经网络的尺度不变人脸检测方法

针对非约束场景下小尺寸人脸检测困难的问题,提出了一种基于增强卷积神经网络的尺度不变人脸检测方法。首先,在SSD基础检测网络的两个浅层特征图上,通过协调聚合当前层特征图和前后两层特征图的特征信息,对当前层特征图的鉴别性和稳健性进行增强。然后,对两个增强特征图进行负样本筛选,通过增加分类的难度来降低由小尺寸锚框引起的人脸检测假正率上升。最后,为原始特征图和增强特征图设置了两种基于锚框尺寸的损失函数,并通过加权求和的方式对其进行融合。在FDDB和WIDER FACE数据集上的测试结果表明,文中所提方法比目前主流人脸检测方法具有更高的检测精度。     

基于多尺度卷积神经网络的交通标志识别方法

为解决交通标志目标易受复杂环境影响且呈现多尺度分布,造成识别精度低的问题,构建一种多尺度卷积神经网络模型。针对不同尺寸输入设计相应的网络结构,提取目标特征,实现对不同尺寸目标的识别,再加权融合各子网络结果得到最终识别结果,实现多尺度目标识别。经实验验证分析,提出算法模型在小尺寸目标、较小尺寸目标、中尺寸目标、大尺寸目标上识别率分别达到99.12%,99.24%,99.41%,99.35%,保障了多尺度输入目标识别的鲁棒性,综合识别率可以达到99.31%,验证了算法在平衡实时性及准确率的基础上,具有一定的实用价值。     

基于深度全卷积神经网络的文字区域定位方法

近年来,深度学习模型在各种计算机视觉方面都展现出了远远优于传统方法的性能,在自然场景中的文字区域定位问题中引入深度学习方法无疑也是大势所趋。文章提出了一种基于深度全卷积网络方法的文字区域定位方法,实现了端到端的训练、检测,使得训练更为有效,检测过程更加高效。最终文中方法在ICDAR 2015数据集上对比基于MSER等的传统方法有了很大提升,达到了86.57%的查准率和82.1%的召回率。     

基于卷积神经网络的定量磁化率图像重建

文中提出了解决定量磁化率成像中偶极子反卷积的病态逆问题和快速重建高质量无伪影的定量磁化率图像的算法。基于k空间阈值法(TKD)初步重建三维定量磁化率图像(QSM),随后将TKD重建图像输入训练完成的三维卷积神经网络(CNN)模型中获得预测图像。在k空间中将TKD重建图像与CNN预测图像进行融合重建最终QSM图像。结果表明:与金标准相比,算法能够重建视觉上误差较小和无条形伪影的磁化率图像;卷积神经网络可以恢复病态区域的信号,k空间融合方法有效解决了偶极子反卷积的病态性。测试集上的重建结果在标准均方根误差(NRMSE)和高频误差范数(HFEN)重建误差上均低于主流算法。     

基于卷积神经网络SLeNet_5的车牌识别方法

针对卷积神经网络Le Net_5用于车牌识别中存在输出层类别过少、层数过多及训练难度大等问题,构建了一种简化卷积神经网络模型(SLe Net_5),给出了其网络拓扑结构,并通过随机对角LM算法进行训练,使用其对分割后的字符进行识别。与模板匹配和BP神经网络等方法相比,所提方法具有较高的识别率。与其他CNN网络识别率相当,但具有结构简单,以及更快的识别速度等优点。     

基于卷积神经网络的手势识别

手势识别是人机交互,智能语义识别和远程人机 交流领域的热门研究课题。目前基于 视觉的手势识别问题仍是研究的难点,在多变背景下的手势姿态识别仍然存在较大问题。近 年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特 征得到了广泛关注。由于卷积神经网络具有较强的学习能力和个体特征的表达能力,本文针 对传统手势识别算法精度低,鲁棒性差的问题,提出了基于卷积神经网络的TensorFlow框架 下加入扁平卷积模块的FD-CNN网络手势识别算法。在预处理数据集后,基于FD-CNN网络的 手 势识别方法可以直接将预处理后的图像输入网络进行训练,最终输出测试结果的识别精度为 99.0％。与传统方法和经典卷积神经网络方法相比,本文方法提高了 网 络系统对样本数据的多样性和复杂性的有效识别,具有较高的识别率和较好的鲁棒性效果。     

基于半监督卷积神经网络的心律不齐分类

心律不齐早期的检测和分类有十分重要的价值.然而,由于心律不齐特征不够明显、不同人体心电信号存在较大的差异性等问题,心律不齐分类技术在现实中的应用存在很大困难.针对上述问题,提出了一种基于半监督卷积神经网络的心律不齐分类方法.首先,对心电信号进行马尔可夫变迁场变换将其变为二维图像;然后,迁移二维卷积神经网络训练得到普通模...     

Study on traffic scene semantic segmentation method based on convolutional neural network

In order to improve the semantic segmentation accuracy of traffic scene,a segmentation method was proposed based on RGB-D image and convolutional neural network.Firstly,on the basis of semi-global stereo matching algorithm,the disparity map was obtained,and the sample library was established by fusing the disparity map D and RGB image into the four-channel RGB-D image.Then,with two different structures,the networks were trained by using two different learning rate adjustment strategy respectively.Finally,the traffic scene semantic segmentation test was carried out with RGB-D image as the input,and the results were compared with the segmentation method based on RGB image.The experimental results show that the proposed traffic scene segmentation algorithm based on RGB-D image can achieve higher semantic segmentation accuracy than that based on RGB image.