共查询到20条相似文献，搜索用时 468 毫秒
1.
为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。 相似文献
2.
为了弥补经典LeNet-5卷积神经网络模型在交通标志识别中易发生过拟合的不足,克服其识别准确率与训练效率较低的缺点,采用GTSRB德国交通标志数据集,并对数据集进行扩充,使训练集数量达到6 312 649张,同时对经典LeNet-5卷积神经网络模型在激活函数、池化策略、随机丢弃及网络结构等方面进行改进,使用基于交叉熵的梯度下降算法对模型的误差反向传播过程进行优化。实验结果表明,改进后的模型较改进前在识别准确率与训练效率上都有所提高,识别准确率最高可达97.04%。因此,基于交叉熵的卷积神经网络不仅能够提高模型的交通标志识别准确率,有效防止过拟合,还能够提升网络训练效率。 相似文献
3.
结合现有基于卷积神经网络的图像分类算法,以CIFAR-10作为数据集,探究如何快速搭建一个满足分类精度要求的卷积神经网络模型,以及如何有目的且高效地进行网络训练与参数调整。实验以简单的三层卷积神经网络为基础,从数据增强、网络结构与优化训练3个方面对模型进行改进。实验结果表明,通过叠加这些改进方法,可使模型的拟合能力与泛化能力逐渐增强,最终获得更高的图像分类准确率。 相似文献
4.
针对人工目视检测机场助航灯故障诊断效率较低且存在主观因素的弊端,提出一种基于卷积神经网络深度学习的助航灯故障自动诊断方法。该方法通过卷积网络模型自动提取图像特征,并对故障进行分类,最终实现助航灯故障自动诊断。用采集到的助航灯等光强图对网络模型进行训练,再用测试集对模型测试,测试集诊断结果准确度高达94.84%。通过理论和实验数据分析说明,训练后的卷积神经网络模型能对助航灯故障进行高效、准确的自动诊断。 相似文献
5.
针对现有卷积神经网络模型参数量大、训练时间长的问题,提出了一种结合VGG模型和Inception模块特点的网络模型。该模型通过结合两种经典模型的特点,增加网络模型的宽度和深度,使用较小的卷积核和较多的非线性激活,在减少参数量的同时增加了网络特征提取能力,同时利用全局平均池化层替代全连接层,避免全连接层参数过多容易导致的过拟合问题。在MNIST和CIFAR-10数据集上的实验结果表明,该方法在MNIST数据集上的准确率达到了99.76%,在CIFAR-10数据集上的准确率相比传统卷积神经网络模型提高了6%左右。 相似文献
6.
《浙江大学学报(A卷英文版)》2020,(3)
目的:由于高光谱成像的特性,高光谱遥感影像较光学、多光谱影像具有更多的光谱信息,因此对高光谱影像地物的分类也相对困难。为提高分类精度,本文提出一个新的高光谱遥感影像分类模型。创新点:考虑到不同的地物覆盖对不同波段范围的电磁波有不同的敏感度,本文提出一个基于卷积神经网络和光谱敏感度的深度学习模型,以提高对高光谱遥感影像地物分类的准确率。通过在最终的分类器后添加一个光谱权重,该模型能够更准确地分类地物。方法:1.将带标记的样本在光谱维度上分为可见光和红外波段,并将部分样本作为训练集和测试集输入到网络中进行训练。2.训练完成后利用模型对全图进行预测,并通过部分预测结果计算出未识别率δ和误识别率γ两个参数。3.利用δ和γ可计算出不同光谱范围的光谱权重并将其置于分类器前(图5)。结论:1.模型加入光谱权重后的分类准确率较之前提高了约2%。2.利用公共数据集测试后显示,使用了光谱权重的卷积神经网络模型的分类精度比未使用光谱权重的模型高约1%。3.本文结果显示,利用不同地物对电磁波的敏感性差别可以增加不同地物间的差异,从而提升分类模型的性能。 相似文献
7.
《实验室研究与探索》2020,(2):34-38
提出了一种结合卷积神经网络和仿生模式识别的改进判别算法,以仿生模式识别为基础,首先构建一个基于卷积神经网络的特征提取网络。将图像特征提取之后,利用仿生模式识别构建并训练一个分类网络用于图像的分类。为证明方法的有效性,进行了3组对比实验,第1组为算法在少量数据下的对比分析,其改进后算法平均准确率比传统算法高了10%;第2组为算法在稍多数据下的对比分析,本算法平均准确率达到92%,高于传统算法;第3组为算法在较多数据下的对比分析,其平均准确率达到88%,高出传统算法10%。 相似文献
8.
随着人工智能的发展,计算机对于输入的手写字符识别需求越来越大,采用改进的卷积神经网络对手写字符进行识别分类。用VGGNet16模型构造卷积神经网络模型,每一层都加上批标准化,通过平均值池化对卷积层进行下采样,利用PRELU激活函数代替ReLU激活函数,最后通过Softmax分类器对手写字符图像进行分类。在MNIST手写数字数据集和EMNIST-bymerge手写字母及数字数据集下进行实验,改进的卷积神经网络模型在MNIST数据集中识别准确率提升到99.65%,在EMNIST数据集中识别准确率为90.37%。因此,改进模型识别准确率较高,适用于手写字符识别。 相似文献
9.
目的:针对现有玉米病害种类繁多、识别方法耗时耗力等问题,对传统卷积神经网络结构进行改进和优化,提出Corn＿Modle新型玉米病害自主识别模型。方法:构建含有6种玉米病害种类的数据集,并对其进行数据增强和预处理;将新建模型在训练集上进行训练,利用测试集对其进行试验验证。结果:Corn＿Modle模型的准确率为96.85%,参与对比的AlexNet、LeNet-5、ResNet50、MobileNet等4种经典模型的准确率分别为93.98%、77.06%、63.44%和87.25%,在准确率、精准度、召回率等评价指标上优于对比模型。结论:新构建的Corn＿Modle模型在准确率、鲁棒性和稳定性方面比传统的经典模型表现更好,可为玉米等农作物病害识别技术的发展提供参考。 相似文献
10.
已有的煤矸石识别方法具有一定效果,但无法满足实际需求。为了寻找新的煤矸石识别方法,提出了基于深度学习的煤矸石图像识别方法。采用Inception模型,并通过迁移学习共享已训练模型卷积层权值和偏差。从煤矸石图像库中随机抽取煤矸石图像作为训练集和测试集,最后将该方法与传统图像识别方法进行比对。实验结果表明,该模型可以有效识别煤矸石,准确率为93.5%,有效提高了煤矸识石别准确率。 相似文献
11.
卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。 相似文献
12.
为了提高行人检测的准确性和鲁棒性,针对现有行人检测方法准确率低且实时性不佳等问题,参考目标检测算法中快速区域卷积神经网络Faster RCNN算法,首先采用K-means聚类算法得到合适的宽高比,然后优化区域建议网络（RPN）结构,降低计算量,并通过比较MobileNet、VGG16、ResNet50特征提取网络效果优劣,提出改进Faster RCNN的交通场景下行人检测方法,在Caltech-NEW数据集上进行训练与测试。实验结果表明,该方法大幅提高交通场景下行人检测的实时性和准确性,在测试集上检测准确度达到87.5%,单张图片检测耗时为0.187s,相比现有其它方法,其检测效果更好。 相似文献
13.
《实验室研究与探索》2018,(11)
为提高铁路轨道扣件状态检测的效率和准确率,提出基于卷积神经网络的轨道扣件状态检测算法。通过原始图像数据增强、采用修正线性单元、引入弃权技术等优化方法,减小过拟合,提高卷积神经网络的泛化能力。经试验对比,该算法不需要进行特征提取等预处理操作,有效地解决了训练精度和泛化能力差的问题,准确率达到98. 1%,优于传统基于特征提取的图像识别算法。 相似文献
14.
为准确、高效地获取城市建设用地信息,利用目前应用广泛的深度学习技术对该领域的提取效果进行对比。选用曲靖市主城区作为研究区域,以Landsat8 OLI_TIRS多光谱影像为原始数据,使用卷积神经网络和BP神经网络两种分类器对影像进行城市建设用地信息提取。使用对象个数、对象面积和地表覆被吻合度3项评价方法提取精度。结果表明,应用卷积神经网络模型的城市建设用地提取具有最高精度,其测试集精度依次达到了92.99%、94.78%和89.64%,均高于常用的BP神经网络。因此,基于卷积神经网络的多光谱影像建设用地提取方法是准确获取城市建设用地信息的一种可行方法,为滇中城市建设用地提取研究提供了参考。 相似文献
15.
问答系统是自然语言处理领域一个非常热门的研究方向,问题分类是问答系统非常重要的环节。传统问题分类需要人工制定特征提取策略并不断优化特征规则,该方法准确率不高且费时费力。传统卷积神经网络模型先通过卷积核提取能表示问句特征的向量,再经过max-pooling后得到一个特征值,并未考虑句子的结构信息,在训练时容易发生过拟合。针对上述问题,采用分段池化操作,引入句子结构信息,在不同分段上提取句子的主要特征并加入Dropout算法,提高模型的泛化能力,防止模型过拟合。实验结果表明,该方法能提高模型准确率,在TREC 6分类问题数据集上准确率高达89.2%,在银行57分类数据集上准确率也达到了64.5%。 相似文献
16.
《河南职业技术师范学院学报(职业教育版)》2020,(3)
为了增强橘子表皮缺陷提取效果,满足橘子品质自动分类的实时性和准确性要求,构建了橘子数据集,以Re LU为激活函数,Max-pooling为下采样方法,建立了包含3个卷积层、3个下采样层、1个全连接层和1个Softmax回归分类器为输出层的卷积神经网络模型,采用小批量梯度下降法训练并优化网络模型.实验平台基于Keras深度学习框架,利用Anaconda下的Spyder编译工具进行Python编程,实验结果表明:方法分类准确率达94.34%,比现有分类方法准确率高出4.75个百分点. 相似文献
17.
18.
林峰 《通化师范学院学报》2023,(12):61-66
为提高基于智能手机三轴加速度传感器的人体行为分类模型准确率,提出了一种卷积神经网络人体行为识别方法,通过固定时间窗口对连续样本数据进行切割分片,构造多层神经元网络结构,优化调整关键核心参数,使用新方法训练出的人体行为识别模型平均交叉准确率可达91.7%,较其他传统机器学习算法有较大提升. 相似文献
19.
对于网络运行过程中产生的海量日志信息,传统故障诊断方法很难进行实时而全面的日志分析。针对该问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的网络故障诊断模型,利用Skip-gram模型进行词向量训练,并将词向量作为卷积神经网络输入,最终通过Softmax回归进行分类。实验结果表明,该模型可以有效处理网络故障诊断任务,且优于传统机器学习方法,对于网络运行日志的故障诊断准确率可达73.2%以上。 相似文献
20.
恶意代码已经成为威胁网络安全的重要因素之一,安全人员一直致力于研究如何有效检测恶意代码,在动态分析方法中可以通过程序的API调用序列进行分析。通过对恶意软件的API调用序列进行编码处理,可以获得图片格式的数据,进而使用卷积神经网络训练出分类模型,从而实现对恶意软件进行分类,获得较高的准确率,针对阿里云天池上的数据集进行实验验证,实验使用有向图编码方式,采用不同的卷积神经网络架构,对比不同方法的准确性。 相似文献