基于卷积神经网络的图像识别.pdf
努力****晓骞
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于数据增强的卷积神经网络图像识别研究.pdf
基于数据增强的卷积神经网络图像识别研究高友文;周本君;胡晓飞【摘要】针对深度学习网络在处理图像分类的过程中数据集样本数较少和样本相似度较高的问题,在卷积神经网络模型AlexNet的基础上,提出了对数据集采用数据集扩增、背景分割和主成分分析等数据预处理方法.卷积神经网络模型的基本结构为5个卷积层,2个全连接层和dropout层.实验环境是ubuntu16.04系统,Caffe深度学习框架.实验首先对原始的公开数据集Leaves和苹果表面病变数据集进行分类识别测试,分别得到84%和78%的准确率.然后对数据增
基于卷积神经网络的GIS缺陷图像识别方法研究.docx
基于卷积神经网络的GIS缺陷图像识别方法研究摘要:为了提高气体绝缘金属封闭开关(GIS)缺陷的检测效率,提出了一种基于计算机卷积神经网络的GIS中典型缺陷图像识别和分类方法。利用内窥镜获取GIS的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络,并利用预处理后的图像对卷积神经网络进行训练和测试,实现对缺陷图像的识别。应用的算法由matlab软件实现。测试结果证明,基于卷积神经网络的GIS缺陷图像识别方法的测试结果和样本图像的实际类型基本一致,该方法可以实现对GIS内部
基于数据增量的卷积神经网络前视声呐图像识别技术.pdf
本发明公开了基于数据增量的卷积神经网络前视声呐图像识别技术,包括五种不同的水下运动目标,所述五种不同的水下运动目标分别为单柱目标、双柱目标、三柱目标、四柱目标和T型目标,所述卷积神经网络前视声呐图像识别技术如下所示:步骤1、从前视声呐原始目标图像中抽取训练集和测试集;步骤2、居中裁剪目标图像并灰度旋转;步骤3、数据增量;步骤4、输入卷积神经网络进行训练;步骤5、得到已训练的卷积神经网络;步骤6、对测试集进行识别分类;本发明不需要繁琐的特征工程,可以极大的减少人工成本并且泛化能力更强,训练速度更快。
一种基于深度卷积神经网络的面部图像识别算法.pdf
一种基于深度卷积神经网络的面部图像识别算法,采用阈值法和形态学法对面部图像进行预切割处理;采用全卷积神经网络结合多示例学习方法构建基础系统结构,将多语义上下文特征融合与空洞残差操作块结合,嵌入基础系统结构中,保留系统对图像空间信息的感知,同时实现面部图像分类和怀疑区域定位;模型训练阶段的损失函数分为两方面,其一是利用图像级标签计算图像的良恶性二分类交叉熵损失,其二是利用少量定位框标签计算示例的良恶性二分类交叉熵损失,两者进行加权和,得到总损失函数,用于训练模型参数。对输入的面部图像进行预切割处理后,输入系
基于卷积神经网络与加权核特征分析的图像识别方法.pdf
本发明属于雷达目标识别领域。一种基于卷积神经网络与加权核特征分析的图像识别方法,具体步骤为:首先,对SAR图像进行预处理,包括裁剪和去噪。其次,利用卷积神经网络提取SAR图像目标的特征。然后,利用加权核特征分析,筛选提取到的特征,去除坏的特征,保留好的特征。最后,利用最近邻分类进行识别。本发明将卷积神经网络和加权核特征分析方法结合,将卷积神经网络提取的特征用加权核特征分析降维,然后用最近邻分类识别,有效的弥补了传统的卷积神经网络识别性能欠佳的特点;同时利用加权核特征分析对特征矩阵降维,提纯了特征,提高了识