【摘 要】
：
针对小样本数据难以构建深度学习模型，以及实际工况下多尺度形态、颜色煤矸的识别率低的问题，提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台，采用CCD工业相机实时获取煤和矸石图像，利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发，提出一种迁移权重&简化神经元(Transfer Weight-Reduce Neu
论文部分内容阅读
针对小样本数据难以构建深度学习模型，以及实际工况下多尺度形态、颜色煤矸的识别率低的问题，提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台，采用CCD工业相机实时获取煤和矸石图像，利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发，提出一种迁移权重&简化神经元(Transfer Weight-Reduce Neurons，TW-RN)模型优化方法改进预训练CNN模型，构建了改进后的Im＿Alexnet、Im＿VGG
其他文献
针对目前端到端的立体匹配算法在具有挑战性的复杂场景中出现的误匹配现象，提出一种多尺度注意力特征融合立体匹配算法(MGNet)。设计了一个轻量级的组相关注意力模块，该模块采用组相关融合单元来有效地结合空间注意机制与通道注意力机制，同时捕获丰富的全局上下文信息和远距离通道依赖关系。设计了多尺度卷积全局注意力模块，它能够在多个尺度下处理局部和全局信息，在全局特征处理阶段引入非局部操作，该模块可以同时捕获
针对小样本条件下水下目标分类准确率低、计算资源量大的问题，提出一种声光图像融合目标分类方法。首先，对MobilenetV2网络进行改进，去掉第9层之后的网络层，并将该层卷积通道数改为128，通过Flatten层进行数据降维，增加一个全连接层得到分类结果；其次，设计一种融合网络结构，将声光图像成对输入网络进行特征提取，在中间层利用通道拼接算法实现特征图融合，使用融合特征进行目标分类。在真实数据集上对
近年来，以卷积神经网络为代表的深度学习方法因不用进行复杂的数据预处理和特征设计逐渐成为高光谱图像分类领域的研究热点。本文在现有的神经网络模型基础上，结合高光谱图像数据特点，提出了一个注意力卷积神经网络模型。该模型通过残差结构构建深度卷积神经网络提取空谱特征，引入通道注意力机制对提取的特征进行重标定。根据特征重要性的不同，注意力机制对不同通道上的特征赋予不同的权重，突出重要特征，抑制次要特征，从而提
虽然CIEDE2000色差公式已经取代CIELAB颜色空间预测色差，但CIELAB以其简单且较为均匀的颜色空间，受到颜色科学家和工程师的青睐并广泛应用于颜色相关领域。颜色科学的发展依赖于感知现象和实验数据。随着视觉色差试验数据的扩充，人们试图探索研发与CIELAB颜色空间一样简单，但更加均匀的颜色空间。本文分析了CIELAB颜色空间的特性，并基于这些特性提出包含4个参数的颜色空间，称为MLAB颜色
甲状腺癌的发病率近些年来不断上升，早期确诊甲状腺结节可以有效降低甲状腺癌死亡率。超声检查通常做为甲状腺医学成像的首选方案，本文根据近些年国内外发表的相关文献系统概述了卷积神经网络（Convolutional Neural Network,CNN）针对超声图像的甲状腺结节诊断算法，主要内容包括CNN在甲状腺结节的病灶区域提取、良恶性分类以及钙化点识别三个方面的应用。各算法的基本设计思想、网络架构形式
本文从学科领域入手，对指纹自动识别技术在发展过程中受人工智能技术影响所产生的新变化进行简述。指纹识别技术作为一种计算机应用技术，其发展与计算机科学的新技术密切相关。人工智能技术，特别是基于深度学习的图像技术的发展使指纹识别算法开启了全新的模式。本文将人工智能在指纹领域的发展分成三个阶段，并对当前所处的第二阶段的发展趋势进行了分析。基于深度学习的指纹识别技术使用图像特征而不是传统细节点特征的方式，改
针对γ辐射环境下COMS图像传感器所获场景图像中存在斑块噪声的问题，提出了一种基于视频时序相关特性的γ辐射场景图像噪声去除方法。先根据γ辐射场景视频时序相关特性中的背景相关特性与前景噪斑的瞬态特性，使用帧差法与统计分析法从视频序列图像的残差中得到γ辐射场景图像中亮、暗噪斑的位置分布。然后通过依据CMOS图像传感器承受的累计辐照剂量所设计的帧数判断模型，得到对当前帧图像实现有效修复所需的临近帧图像，
利用X射线影像进行胸部疾病诊断是一种常用的诊断方法，具有重要的临床诊断价值。随着大规模可用数据集的发布，已经提出了几种方法来对胸部X射线影像上的疾病进行预测。然而大多数现有的预测模型大都仅考虑输入单个视图，忽略了多视图影像对于临床医生诊断的支持作用。此外使用单个模型进行影像特征抽取，存在有效特征提取不全的问题，进而导致疾病预测准确率较低。为此，本文提出了一种新的深度相关多级特征融合方法(DFFM)
视网膜血管的结构和形态是计算机辅助系统诊断眼科疾病的重要依据.针对细小血管分割精度低的问题,提出了一种融合残差密集模块与三端注意力模块的改进型U-Net算法.首先,将残差模块与密集模块相结合,充分利用每层的特征,提高网络提取细小血管特征的能力.在解码阶段引入三端注意力模块,利用空间注意力机制自适应地对特征进行空间校正,抑制背景噪声,突出目标区域.同时,通过多尺度特征融合的方式,利用高级语义特征改善
针对传统方法在室内场景目标检测中存在检测精度低、检测速度慢等问题，提出一种改进的YOLOv4算法模型。构建室内场景目标检测数据集，使用K-means++聚类算法优化先验框参数，提高先验框与目标的匹配度；调整原始YOLOv4的网络结构，将跨阶段局部网络结构融入模型颈部网络中，消除在特征融合阶段梯度反向传播时导致的梯度信息冗余现象，提高对室内目标的检测能力；引入深度可分离卷积模块，取代模型中原有的3×