内容提供者
结合注意力机制与深度可分离卷积残差网络的蚊虫识别方法及系统.pdf
2023-05-09
10金币
489KB
14页
书生****12
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共14页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
结合注意力机制与深度可分离卷积残差网络的蚊虫识别方法及系统.pdf
本发明公开了一种结合注意力机制与深度可分离卷积残差网络的蚊虫识别方法及系统,本发明方法包括:预训练阶段,(1)预处理公共数据集的图片,使用Cifar10数据集;(2)构建神经网络模型:主干网络是残差网络ResNet18,将ResNet18中的所有卷积操作替换为深度可分离卷积,并引入注意力机制模块;(3)在Cifar10数据集上预训练,训练所得的网络参数保存为.pth为后缀的参数文件中;微调阶段,(1)预处理蚊子图片;(2)修改预训练阶段获得的模型的最后一层,将最后一层全连接层的神经元数量修改为四,对应四类
2023-05-09
10
489KB
混合卷积的残差网络与注意力结合的动作视频识别方法.pdf
本发明公开了一种混合卷积的残差网络与注意力结合的动作视频识别方法。包括：1)读取动作视频中人的动作，然后将动作视频转换为原始视频帧图像；2)分别使用时间抽样、随机裁剪和亮度调整的方法对动作视频的视频帧进行数据增强，组成获得视频帧图像；3)构建注意力模块，利用注意力模块构建混合卷积块，级联混合卷积块构建基于混合卷积的残差网络与注意力结合的混合卷积残差网络模型，用混合卷积残差网络模型对视频帧图像进行时空特征学习，获取关键特征图；4)使用Softmax分类层对关键特征图进行分类。本发明在扩展网络深度的同时，保留
2023-11-12
10
680KB
基于残差网络和注意力机制的目标轨迹识别方法.pdf
本发明公开了一种基于残差网络和注意力机制的目标轨迹识别方法,属于目标行为识别领域。具体的实现步骤如下:(1)获取目标轨迹数据,进行预处理,构建目标轨迹数据集;(2)构建目标轨迹识别模型,所述的目标轨迹识别模型包括基于自注意力机制的时序特征提取模块,以及基于残差网络和通道注意力机制的深层特征提取模块;(3)使用步骤(1)中构建的目标轨迹数据集,对步骤(2)中构建的目标轨迹识别模型进行多轮迭代训练;(4)利用步骤(3)中训练好的目标轨迹识别模型,识别目标运动的行为模式。本发明充分利用残差网络和注意力机制的优势
2023-05-12
10
716KB
基于注意力机制和深度残差网络的系统故障诊断方法.pdf
本发明公开了一种基于注意力机制和深度残差网络的系统故障诊断方法，本方法，通过使用人工蜂群算法进行网络结构设计，从而获得最优网络层数和卷积核数目，从而充分发挥卷积操作对大型工业系统时序、多维、噪声干扰数据的特征提取能力，同时在残差块之间增加基于通道注意力和空间注意里的注意力机制，从而使得网络能够自动学习不同通道的重要程度和输入数据不同像素点的重要程度，从而加速模型训练收敛速度和故障诊断准确率。本方法通过将汽水分离再热系统的状态变量时序数据输入模型，在噪声干扰下，获得了较高的故障诊断准确率。
2023-06-20
10
747KB
结合残差卷积结构和循环神经网络的乐谱图像识别方法.pdf
本发明涉及一种基于残差结构卷积神经网络和循环神经网络的乐谱图像识别方法，包括：1)建立乐谱图像的数据集；2)构建模型：将残差结构卷积神经网络和循环神经网络结合，构建深度学习网络模型，设置模型结构参数；3)训练模型：利用数据集对构建好的深度学习网络模型进行训练，深度学习网络模型输入为数据集中乐谱图像，真值标签为乐谱图像中各音符对应的语义信息，通过链式时序分类损失函数逐步调整网络各参数并达到最优，最终输出音符语义信息的预测值。
2023-12-04
10
570KB