基于密集连接带孔卷积网络的初级特征提取器及提取方法.pdf
一只****呀9
亲,该文档总共19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
基于密集连接带孔卷积网络的初级特征提取器及提取方法.pdf
本发明属于图像信息处理技术领域,公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法,初级特征解码器由多个不同卷积核的反卷积层组成,输出的特征图由多个反卷积层进行处理;特征结合层:由kernel为1×1、stride为1卷积层构成,进行降维处理;特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构,能够同时获得带孔卷积和DenseNet的优势,既保留了传统神经网络的优点,又能够捕获更多的稠密特征,提升图像语
基于卷积神经网络的水下目标特征提取方法.pdf
基于卷积神经网络的水下目标特征提取方法王念滨;何鸣;王红滨;郎泽宇【期刊名称】《系统工程与电子技术》【年(卷),期】2018(040)006【摘要】针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构.该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失.以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果.在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他
基于卷积神经网络的水下目标特征提取方法.pdf
基于卷积神经网络的水下目标特征提取方法王念滨;何鸣;王红滨;郎泽宇【期刊名称】《系统工程与电子技术》【年(卷),期】2018(040)006【摘要】针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构.该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失.以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果.在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他
基于压缩的卷积神经网络模型的图像特征提取方法及装置.pdf
本文公开基于压缩的卷积神经网络模型的图像特征提取方法,包括:构建卷积神经网络模型,对卷积神经网络模型进行压缩:将卷积神经网络模型多个卷积层的权重压缩比作为蜜源,利用人工蜂群算法搜索适应度值最高的蜜源,根据蜜源确定对应的卷积神经网络压缩模型,利用压缩模型计算蜜源的适应度值;将适应度值最高的蜜源对应的压缩模型作为最终的卷积神经网络压缩模型;利用卷积神经网络压缩模型对图像进行特征提取;其中,根据蜜源确定对应的压缩模型包括:将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵,根据每层的权重压缩比对该层
基于卷积神经网络的滚动轴承故障特征提取方法、装置.pdf
本发明公开了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置,方法包括:依据采集的原始振动信号构建样本,获得样本集;对样本集进行预处理,划分训练集与测试集;基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;使用训练集训练构建好的神经网络模型,冻结网络权重;调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。将本发明所述方法,成功应用于故障模拟实验台的滚动轴承振动数据,在保证了分类率的同时可以有效提取到轴承的故障特征频率,证明了该方法的可行性和有效性。