• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      卷積神經(jīng)網(wǎng)絡(luò)

      • 基于特征層融合的EEG-NIRS識(shí)別方法研究
        征融合;卷積神經(jīng)網(wǎng)絡(luò);雙向長(zhǎng)短期記憶網(wǎng)絡(luò);分類準(zhǔn)確率0 引言(Introduction)隨著全球吸毒人員數(shù)量逐年攀升,吸毒正成為嚴(yán)重的全球性社會(huì)問題,而戒毒工作開展的前提是對(duì)吸毒人員的成癮程度進(jìn)行評(píng)估。近年來(lái),研究人員主要基于磁共振成像(MagneticResonance Imaging,MRI)、腦磁圖(Magnetoencephalography,MEG)、腦電圖(Electroencephalogram,EEG)和近紅外光譜(Near-infrare

        軟件工程 2024年1期2024-01-29

      • 基于卷積神經(jīng)網(wǎng)絡(luò)CNN的手寫數(shù)字識(shí)別算法研究
        題,采用卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行手寫數(shù)字識(shí)別。采用PyTorch搭建了網(wǎng)絡(luò)模型,對(duì)MNIST數(shù)據(jù)集進(jìn)行訓(xùn)練,手寫數(shù)字識(shí)別;采用交叉熵?fù)p失函數(shù)和Adam優(yōu)化算法,并設(shè)置學(xué)習(xí)率為0.001;經(jīng)過100個(gè)Epoch后,識(shí)別準(zhǔn)確率達(dá)到了99%,通過GUI界面可以識(shí)別自制的手寫數(shù)字,具有很強(qiáng)的魯棒性。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);PyQt5;MNIST數(shù)據(jù)集;手寫數(shù)字識(shí)別中圖分類號(hào):TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2023)35-0027

        電腦知識(shí)與技術(shù) 2023年35期2024-01-26

      • 基于CNN-LSTM深度學(xué)習(xí)技術(shù)的知乎文本情感分析
        旨在結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN) 與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM) 技術(shù),實(shí)現(xiàn)對(duì)知乎平臺(tái)上大量文本數(shù)據(jù)的情感分析。本文研究并驗(yàn)證了CNN和LSTM技術(shù)在文本情感分析中的性能,通過融合兩種技術(shù)有效地提升了情感分類的精度。實(shí)驗(yàn)結(jié)果表明,融合了CNN與LSTM的模型在在多個(gè)領(lǐng)域中情感分類方面呈現(xiàn)出更優(yōu)異的表現(xiàn),從而驗(yàn)證了其顯著的有效性和潛力。關(guān)鍵詞:文本情感分析;知乎;卷積神經(jīng)網(wǎng)絡(luò);長(zhǎng)短時(shí)記憶;循環(huán)神經(jīng)網(wǎng)絡(luò)中圖分類號(hào):TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1

        電腦知識(shí)與技術(shù) 2023年35期2024-01-26

      • 基于M-Unet的混凝土裂縫實(shí)時(shí)分割算法
        土裂縫;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);裂縫檢測(cè);裂縫分割中圖分類號(hào):TU755.7? ? ?文獻(xiàn)標(biāo)志碼:A? ? ?文章編號(hào):2096-6717(2024)01-0215-08Real-time segmentation algorithm of concrete cracks based on M-UnetMENG Qingcheng1, LI Mingjian1, WAN Da1, HU Lei1, Wu Haojie1, QI xin2(1. School

        土木建筑與環(huán)境工程 2024年1期2024-01-03

      • 基于深度學(xué)習(xí)的鈍體斷面外形氣動(dòng)性能高效預(yù)測(cè)方法
        率。通過卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)對(duì)氣動(dòng)性能的快速預(yù)測(cè),深度學(xué)習(xí)模型訓(xùn)練完成后,輸入形狀信息和與形狀相關(guān)的流場(chǎng)信息,即可輸出不同幾何形狀下的阻力系數(shù),進(jìn)而得到鈍體斷面的氣動(dòng)性能。為尋找性能最優(yōu)的深度學(xué)習(xí)模型,通過綜合判定誤差和參數(shù)量大小對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度進(jìn)行優(yōu)化。對(duì)深度學(xué)習(xí)模型輸出阻力系數(shù)與CFD計(jì)算結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn),誤差符合預(yù)期要求,并且相較于傳統(tǒng)方法,基于深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)測(cè)所需時(shí)間達(dá)到數(shù)量級(jí)的提升,未來(lái)可作為鈍體斷面氣動(dòng)外形優(yōu)化的關(guān)鍵方法

        土木建筑與環(huán)境工程 2024年1期2024-01-03

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)制疊合板多目標(biāo)智能化檢測(cè)方法
        例,基于卷積神經(jīng)網(wǎng)絡(luò)研究生產(chǎn)過程中的智能檢測(cè)方法,在生產(chǎn)流水線上設(shè)計(jì)并安裝圖像采集系統(tǒng),建立預(yù)制疊合板尺寸檢測(cè)數(shù)據(jù)集。通過YOLOv5算法實(shí)現(xiàn)對(duì)混凝土底板、預(yù)埋PVC線盒及外伸鋼筋的識(shí)別,并以固定磁盒作為基準(zhǔn)參照物進(jìn)行尺寸檢測(cè)誤差分析,實(shí)現(xiàn)混凝土底板尺寸、預(yù)埋PVC線盒坐標(biāo)的檢測(cè),在降低訓(xùn)練數(shù)據(jù)集參數(shù)規(guī)模的工況下保持較高的識(shí)別精度。結(jié)果表明:該方法可以有效檢測(cè)預(yù)制疊合板的底板數(shù)量和尺寸、預(yù)埋PVC線盒數(shù)量和坐標(biāo),并實(shí)現(xiàn)彎折方向不合格的外伸鋼筋檢測(cè),并能降低

        土木建筑與環(huán)境工程 2024年1期2024-01-03

      • 基于雙重SE注意力機(jī)制下的CNN-BiLSTM混合石墨電極位移預(yù)測(cè)模型
        機(jī)制下的卷積神經(jīng)網(wǎng)絡(luò)(CNN)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)混合石墨電極位移預(yù)測(cè)模型。為有效解決時(shí)間序列重要程度差異性問題,在傳統(tǒng)SE注意力機(jī)制中增加了雙重SE注意力并行模塊,并用BiLSTM通過兩個(gè)方向來(lái)發(fā)掘時(shí)間序列信息,有效提高模型預(yù)測(cè)度。實(shí)驗(yàn)結(jié)果表明,文章提出的混合網(wǎng)絡(luò)模型能夠?qū)κ姌O位移進(jìn)行有效預(yù)測(cè),且相比于傳統(tǒng)的SE-CNN-BiLSTM方法和主流預(yù)測(cè)方法預(yù)測(cè)準(zhǔn)確度更高。關(guān)鍵詞: 內(nèi)串石墨化;石墨電極位移;卷積神經(jīng)網(wǎng)絡(luò);雙向長(zhǎng)短期記憶;注

        電腦知識(shí)與技術(shù) 2023年31期2023-12-25

      • 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)方法
        題,根據(jù)卷積神經(jīng)網(wǎng)絡(luò)特征提取時(shí)會(huì)同時(shí)產(chǎn)生多個(gè)尺度特征的特點(diǎn),提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)方法。首先,圖片經(jīng)過特征提取模塊產(chǎn)生分辨率不同的特征圖;其次,由上至下建立多尺度特征連接;然后,采用降維、上采樣等方式進(jìn)行融合特征;最后,提取圖片顯著目標(biāo)區(qū)域。實(shí)驗(yàn)在HKU數(shù)據(jù)集、ECSSD數(shù)據(jù)集以及PASCAL-S數(shù)據(jù)集上設(shè)計(jì),結(jié)果表明,基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)網(wǎng)絡(luò)模型具有較好的顯著性檢測(cè)能力,并具有較高的執(zhí)行效率。關(guān)鍵詞: 多尺度;卷積神經(jīng)

        電腦知識(shí)與技術(shù) 2023年31期2023-12-25

      • 基于雙通道殘差網(wǎng)絡(luò)的泥石流溝谷孕災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)
        差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)——雙通道殘差網(wǎng)絡(luò)(two-way residual network,TWRNet)。該網(wǎng)絡(luò)能夠廣泛應(yīng)用于泥石流溝谷圖像的潛在危險(xiǎn)性排查,實(shí)現(xiàn)泥石流災(zāi)害的預(yù)警。TWRNet首先采用切片的方式對(duì)數(shù)字高程(digital elevation model,DEM)數(shù)據(jù)和遙感數(shù)據(jù)分開處理,并使用改進(jìn)的殘差結(jié)構(gòu)進(jìn)行特征提取;然后將特征進(jìn)行融合,并使用通道注意力機(jī)制SE(squeeze-and-excitation networks)模塊進(jìn)行通道增

        貴州大學(xué)學(xué)報(bào)(自然科學(xué)版) 2023年6期2023-12-14

      • 基于改進(jìn)YOLO卷積神經(jīng)網(wǎng)絡(luò)的水下海參檢測(cè)
        器視覺;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào): S126?? 文獻(xiàn)標(biāo)識(shí)碼: A?? 文章編號(hào): 1000-4440(2023)07-1543-11Underwater sea cucumber identification based on improved YOLO convolutional neural networkZHAI Xian-yi1, WEI Hong-lei1, HAN Mei-qi2, HUANG Meng1(1.School of Mechani

        江蘇農(nóng)業(yè)學(xué)報(bào) 2023年7期2023-12-13

      • 基于AlexNet的焊縫缺陷分類方法
        分類; 卷積神經(jīng)網(wǎng)絡(luò); 交叉驗(yàn)證中圖分類號(hào):TP181? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2023)09-151-04Weld defect classification method based on AlexNetJin Haikun1, Cheng Xiaoying1, Liao Xiaoping2(1. School of Mechanical Engineering, Zhejiang Sci-tech Un

        計(jì)算機(jī)時(shí)代 2023年9期2023-09-25

      • 圖像網(wǎng)絡(luò)爬蟲在食品營(yíng)養(yǎng)安全科普監(jiān)測(cè)中的應(yīng)用研究
        其次通過卷積神經(jīng)網(wǎng)絡(luò)模型中的Resnet18網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)圖像的二分類,在數(shù)據(jù)預(yù)處理過程中加入Focal Loss實(shí)現(xiàn)數(shù)據(jù)的不平衡處理,并在卷積神經(jīng)網(wǎng)絡(luò)中加入注意力機(jī)制,同時(shí)利用1×1卷積層替換全連接層,最終實(shí)現(xiàn)圖像分類效果的提升。對(duì)帶文字的科普類圖像及純圖像分類準(zhǔn)確率分別由89.7%及68.9%提升至98.3%及75.6%。此研究對(duì)食品營(yíng)養(yǎng)安全科普?qǐng)D像的二分類效果提升明顯,為圖像二分類問題提供了新方法。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);Resnet18;ECA模塊Abs

        食品安全導(dǎo)刊 2023年8期2023-09-16

      • 基于注意力機(jī)制和CNN-BiLSTM模型的在線協(xié)作討論交互文本自動(dòng)分類
        度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);長(zhǎng)短時(shí)記憶網(wǎng)絡(luò);注意力機(jī)制中圖分類號(hào):TP18? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)13-0026-07Automatic Classification of Interactive Texts in Online Collaborative Discussion Based on Attention Mechanism and CNN-BiLSTM ModelLI Shuhong1, DENG Mingmin

        現(xiàn)代信息科技 2023年13期2023-09-14

      • CTPN在快遞單文字檢測(cè)中的應(yīng)用研究
        字檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò) 文本檢測(cè)網(wǎng)絡(luò) 區(qū)域候選網(wǎng)絡(luò)中圖分類號(hào): TM715 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1672-3791(2023)15-0058-04隨著物流業(yè)的快速發(fā)展,各快遞點(diǎn)的分揀、配發(fā)工作愈加繁重,且不同快遞公司快遞單設(shè)計(jì)樣式不統(tǒng)一。為提高快遞分揀人員的工作效率與快遞分配的準(zhǔn)確性,提高信息統(tǒng)計(jì)效率和信息采集的通用性,需快速檢測(cè)并識(shí)別出各包裹上快遞單號(hào)的收寄人信息,并做出派件指引。為實(shí)現(xiàn)該需求,學(xué)術(shù)界通常運(yùn)用光學(xué)字符識(shí)別(Optical Char

        科技資訊 2023年15期2023-09-07

      • 基于改進(jìn)型AlexNet的中藥材圖像識(shí)別
        關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);AlexNet;中藥材;圖像識(shí)別中圖分類號(hào):TP391 文獻(xiàn)標(biāo)志碼:A0 引言(Introduction)我國(guó)是中藥材的發(fā)源地,藥材資源豐富,并且95%以上的中藥材為植物藥材。中藥歷經(jīng)數(shù)千年發(fā)展,展現(xiàn)了它強(qiáng)大的生命力和我國(guó)醫(yī)藥特色優(yōu)勢(shì)。新型冠狀病毒感染暴發(fā)以來(lái),中醫(yī)藥一直在抗擊感染中發(fā)揮了重要作用,一些中醫(yī)藥療法在病例的救治和康復(fù)中起到良好效果。因此,我們要堅(jiān)定不移地推動(dòng)中醫(yī)藥的發(fā)展。目前,傳統(tǒng)圖像處理和卷積神經(jīng)網(wǎng)絡(luò)均可用于中藥材識(shí)別

        軟件工程 2023年9期2023-09-06

      • 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別方法研究
        ?要:卷積神經(jīng)網(wǎng)絡(luò)是圖像分類領(lǐng)域效果卓越的深度學(xué)習(xí)算法,然而訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)是一項(xiàng)繁瑣且復(fù)雜的工作,不僅在結(jié)構(gòu)設(shè)計(jì)上依賴開發(fā)人員豐富的經(jīng)驗(yàn),還容易產(chǎn)生過擬合現(xiàn)象。因此,該文提出一種基于模型遷移的圖像識(shí)別方法,該方法能夠在簡(jiǎn)化設(shè)計(jì)思路的同時(shí)極大地提升卷積神經(jīng)網(wǎng)絡(luò)的性能。此外還在三個(gè)小型圖片集上進(jìn)行了多次模型訓(xùn)練和對(duì)比分析。研究結(jié)果表明,經(jīng)過遷移學(xué)習(xí)優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)的測(cè)試集準(zhǔn)確率均得到顯著提升。關(guān)鍵詞:圖像識(shí)別;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);預(yù)訓(xùn)練模型

        現(xiàn)代信息科技 2023年14期2023-09-06

      • 一種基于自注意力機(jī)制的CNN-BiLSTM非侵入式負(fù)荷分解方法研究
        其次,對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)的混合模型進(jìn)行訓(xùn)練與優(yōu)化,同時(shí)引入自注意力機(jī)制,決定輸出權(quán)重值,從而提高網(wǎng)絡(luò)預(yù)測(cè)精度和表征能力。最后,將測(cè)試集中的總功率送入網(wǎng)絡(luò)進(jìn)行負(fù)荷分解,結(jié)果表明,在研究神經(jīng)網(wǎng)絡(luò)后提出的模型能充分挖掘數(shù)據(jù)的空間與時(shí)序特征,同時(shí)對(duì)重要特征進(jìn)行有效提取,提高了負(fù)荷分解的能力。關(guān)鍵詞:非侵入式負(fù)荷分解;自注意力機(jī)制;卷積神經(jīng)網(wǎng)絡(luò);雙向長(zhǎng)短期記憶網(wǎng)絡(luò)中圖分類號(hào):TM714? ? 文獻(xiàn)標(biāo)志碼:A? ? 文章編號(hào):

        機(jī)電信息 2023年16期2023-08-24

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別檢測(cè)分析
        臉識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)結(jié)構(gòu);檢測(cè)精度0 引言人臉識(shí)別技術(shù)的關(guān)鍵就在于人臉檢測(cè),作為重要研究方向廣泛應(yīng)用于模式識(shí)別和計(jì)算機(jī)識(shí)別領(lǐng)域[1]。人工設(shè)計(jì)特征作為傳統(tǒng)人臉檢測(cè)方法的重要監(jiān)測(cè)依據(jù)。目前由于人臉檢測(cè)算法表現(xiàn)出較高的檢測(cè)精度,因而應(yīng)用于多個(gè)領(lǐng)域[2]。人臉檢測(cè)算法結(jié)合深度學(xué)習(xí)在卷積神經(jīng)網(wǎng)絡(luò)得到廣泛應(yīng)用下逐漸獲取進(jìn)一步發(fā)展,早已作為主流研究方法應(yīng)用于各領(lǐng)域,檢測(cè)準(zhǔn)確率高于傳統(tǒng)方法,超過95%[3],拓展人臉識(shí)別研究具有重要的意義。近年,人臉識(shí)別技術(shù)早已被

        電子產(chǎn)品世界 2023年8期2023-08-22

      • 基于深度學(xué)習(xí)的車輛目標(biāo)檢測(cè)算法綜述
        標(biāo)檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò) 計(jì)算機(jī)視覺1 引言隨著人工智能技術(shù)的不斷發(fā)展,深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域中得到了廣泛的應(yīng)用。車輛目標(biāo)檢測(cè)一直是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)極具挑戰(zhàn)性的問題,具有廣泛的應(yīng)用前景。傳統(tǒng)的方法往往需要手工提取特征并構(gòu)建分類器來(lái)實(shí)現(xiàn)車輛目標(biāo)檢測(cè),這種方法容易受到環(huán)境變化的影響,并需要大量的調(diào)整和優(yōu)化。近年來(lái),隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,基于深度學(xué)習(xí)的車輛目標(biāo)檢測(cè)算法在準(zhǔn)確率和處理速度方面都取得了很大的提升,逐漸成為研究的熱點(diǎn)。圖1展示了目標(biāo)檢測(cè)算法

        時(shí)代汽車 2023年15期2023-08-07

      • 基于邊緣先驗(yàn)的人臉去手勢(shì)遮擋修復(fù)方法研究
        關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);生成對(duì)抗網(wǎng)絡(luò);人臉修復(fù);注意力機(jī)制中圖分類號(hào):TP18;TP391.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):2096-4706(2023)11-0097-05Research on Face Removal and Removing Gesture Occlusion Restoration MethodBased on Edge PriorOU Jing, WEN Zhicheng(Hunan University of Technology

        現(xiàn)代信息科技 2023年11期2023-08-01

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的茶葉病蟲害檢測(cè)系統(tǒng)設(shè)計(jì)
        題,基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的茶葉病蟲害識(shí)別模型經(jīng)過訓(xùn)練、調(diào)優(yōu)后獲得了最終的檢測(cè)模型,該檢測(cè)模型通過Java Web技術(shù)構(gòu)建成B/S模式的病蟲害在線檢測(cè)系統(tǒng)。用戶通過在瀏覽器中提交待識(shí)別的茶葉圖像至服務(wù)器,服務(wù)器將接收到的病蟲害圖片送入檢測(cè)模型進(jìn)行病蟲害識(shí)別,將識(shí)別結(jié)果返回至用戶端。實(shí)驗(yàn)結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的茶葉病蟲害檢測(cè)系統(tǒng)實(shí)現(xiàn)了茶葉圖像中18種病蟲害的檢測(cè),能較好地幫助茶農(nóng)快速識(shí)別茶葉病蟲害,對(duì)茶葉病蟲害防治具有重要意義。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);目

        無(wú)線互聯(lián)科技 2023年9期2023-07-20

      • 基于輕量級(jí)網(wǎng)絡(luò)的光纖傳感振動(dòng)信號(hào)識(shí)別
        關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);輕量級(jí)網(wǎng)絡(luò);深度可分離卷積;光纖信號(hào);周界安全中圖分類號(hào):TN 913.7 文獻(xiàn)標(biāo)志碼:A引言Φ-OTDR 分布式光纖傳感系統(tǒng)通過一根傳感光纖可以實(shí)現(xiàn)多點(diǎn)定位等功能。傳感光纖具有抗電磁干擾、高靈敏度和耐腐蝕等優(yōu)點(diǎn)[1-3],已廣泛應(yīng)用于周界安防[4–6]、軌道監(jiān)測(cè)[7–9] 和橋梁結(jié)構(gòu)健康監(jiān)測(cè)等領(lǐng)域。隨著研究的深入和應(yīng)用的不斷創(chuàng)新,分布式光纖振動(dòng)信號(hào)的識(shí)別變得至關(guān)重要。目前光纖振動(dòng)信號(hào)識(shí)別主要分為傳統(tǒng)方法和深度學(xué)習(xí)算法兩大類。傳統(tǒng)方法

        光學(xué)儀器 2023年2期2023-07-14

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運(yùn)行狀態(tài)智能控制優(yōu)化模型分析
        一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的狀態(tài)估計(jì)方法,利用自動(dòng)編碼器對(duì)變電設(shè)備監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征約簡(jiǎn),將其作為CNN的輸入,進(jìn)一步采用Softmax分類器對(duì)獲得的其輸出進(jìn)行分類,以獲得變電設(shè)備的狀態(tài)估計(jì)結(jié)果。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的基于支持量機(jī)(SVM)和多層神經(jīng)感知機(jī)(MLP)相比,提出的方法在準(zhǔn)確性、靈敏度、特異性和陽(yáng)性預(yù)測(cè)性4種量化評(píng)價(jià)指標(biāo)中具有明顯的優(yōu)勢(shì)。提出的方法較其他2種方法能夠獲得更好的正檢率指標(biāo)。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò); 變電設(shè)備; 分類; 狀態(tài)估計(jì)中圖

        粘接 2023年6期2023-07-12

      • 基于改進(jìn)ResNet網(wǎng)絡(luò)的貓狗圖像識(shí)別
        力機(jī)制;卷積神經(jīng)網(wǎng)絡(luò);ResNet網(wǎng)絡(luò)中圖分類號(hào):TP391.4????????????????????????? 文獻(xiàn)標(biāo)志碼:A0引言動(dòng)物種類識(shí)別一直是計(jì)算機(jī)視覺領(lǐng)域、人工智能等領(lǐng)域的重點(diǎn)研究之一,無(wú)論是珍稀動(dòng)物保護(hù),還是用于日常寵物管理,都是需要重視的問題。現(xiàn)今很多人想領(lǐng)養(yǎng)寵物,但又因?yàn)楦鞣N原因和借口從而放棄養(yǎng)寵物,導(dǎo)致流浪貓狗泛濫,產(chǎn)生一系列社會(huì)問題,本論述希望通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)貓狗圖像進(jìn)行識(shí)別分類[1]以解決該問題,方便社區(qū)和校園管理。卷積

        甘肅科技縱橫 2023年2期2023-07-11

      • 深度嵌入度量學(xué)習(xí)的機(jī)械跨工況故障識(shí)別方法
        于多尺度卷積神經(jīng)網(wǎng)絡(luò)(Multiscale Convolutional Neural Network, MCNN)獲取故障信號(hào)的深度嵌入特征;用度量學(xué)習(xí)方法引導(dǎo)判別性特征學(xué)習(xí),構(gòu)建特征嵌入空間下的三元組損失(Triplet Loss, TL);利用粒子群算法(Particle Swarm Optimization, PSO)對(duì)間隔參數(shù)進(jìn)行尋優(yōu)。所提方法有效縮小裝備健康狀態(tài)類內(nèi)距離、擴(kuò)大類間距離,降低工況變化對(duì)健康狀態(tài)映射關(guān)系的影響。實(shí)驗(yàn)結(jié)果表明,該方法在齒

        振動(dòng)工程學(xué)報(bào) 2023年2期2023-07-10

      • 基于深度學(xué)習(xí)特征融合的遙感圖像場(chǎng)景分類應(yīng)用
        像分類;卷積神經(jīng)網(wǎng)絡(luò);灰度共生矩陣;局部二值模式;遷移學(xué)習(xí);支持向量機(jī)中圖分類號(hào)TP183文獻(xiàn)標(biāo)志碼A0 引言隨著遙感技術(shù)的不斷發(fā)展[1],遙感圖像分類被廣泛應(yīng)用于土地管理、城市規(guī)劃、交通監(jiān)管等眾多領(lǐng)域[2].然而,目前遙感場(chǎng)景圖像包含的信息和結(jié)構(gòu)豐富復(fù)雜,如何合理利用遙感圖像中豐富的信息獲取精準(zhǔn)有效的特征,還面臨諸多挑戰(zhàn)[3].遙感圖像場(chǎng)景分類中常用傳統(tǒng)手工特征提取圖像的特征,包括顏色直方圖、紋理特征、全局特征信息 (GIST)、尺度不變特征變換 (SI

        南京信息工程大學(xué)學(xué)報(bào) 2023年3期2023-07-06

      • 基于多注意力機(jī)制集成的非侵入式負(fù)荷分解算法
        力機(jī)制;卷積神經(jīng)網(wǎng)絡(luò);長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中圖分類號(hào)TP18文獻(xiàn)標(biāo)志碼A0 引言非侵入式負(fù)荷分解又稱為非侵入式負(fù)荷監(jiān)測(cè)(Non-Intrusive appliance Load Monitoring,NILM),它具有經(jīng)濟(jì)性、實(shí)用性與安全性,更符合當(dāng)下智能電網(wǎng)的發(fā)展,具有前瞻性[1-2].NILM可向電力用戶反饋電器精細(xì)化用電信息,使用戶更清晰、更準(zhǔn)確地了解用電設(shè)備的使用情況,從而引導(dǎo)用戶改善自身的用電行為,實(shí)現(xiàn)用能的高效化和經(jīng)濟(jì)化[3];同時(shí),電力公司可對(duì)分解

        南京信息工程大學(xué)學(xué)報(bào) 2023年3期2023-07-06

      • 基于機(jī)器視覺的垃圾分揀系統(tǒng)設(shè)計(jì)
        機(jī),利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)分辨攝像頭所拍攝垃圾的類型,借助Arduino控制舵機(jī)自動(dòng)開合垃圾桶,實(shí)現(xiàn)垃圾分類。經(jīng)過測(cè)試分析,系統(tǒng)的準(zhǔn)確精度均能達(dá)到70%以上,準(zhǔn)確精度較好,籍此人們能夠輕松處理生活垃圾。關(guān)鍵詞:機(jī)器視覺;樹莓派;卷積神經(jīng)網(wǎng)絡(luò);Arduino中圖分類號(hào):TP311? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)04-0018-05Design of Garbage Sorting System Based on Machine Vi

        現(xiàn)代信息科技 2023年4期2023-06-25

      • 基于CNN的醫(yī)藥制造業(yè)財(cái)務(wù)危機(jī)預(yù)警研究
        分析法和卷積神經(jīng)網(wǎng)絡(luò)(CNN)相結(jié)合的財(cái)務(wù)危機(jī)預(yù)警模型,對(duì)73家醫(yī)藥公司2015—2020年的財(cái)務(wù)指標(biāo)進(jìn)行分析,以期為醫(yī)藥行業(yè)的發(fā)展提供借鑒,合理預(yù)測(cè)財(cái)務(wù)危機(jī)。這對(duì)促進(jìn)醫(yī)藥行業(yè)健康發(fā)展,保障民生安全意義重大。關(guān)鍵詞:醫(yī)藥制造企業(yè);卷積神經(jīng)網(wǎng)絡(luò);財(cái)務(wù)危機(jī)預(yù)警;主成分分析法中圖分類號(hào):TP39;F275? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)04-0014-04Research on Financial Crisis Warning of

        現(xiàn)代信息科技 2023年4期2023-06-25

      • 基于手寫體數(shù)字識(shí)別的激活函數(shù)對(duì)比研究
        數(shù)據(jù)集在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)分別使用sigmoid、tanh、relu與mish激活函數(shù)進(jìn)行實(shí)驗(yàn),對(duì)這四種激活函數(shù)下訓(xùn)練集誤差值收斂曲線以及測(cè)試集精度曲線進(jìn)行算法結(jié)果分析,實(shí)驗(yàn)結(jié)果表明,mish激活函數(shù)在手寫體數(shù)據(jù)集上進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)效果更佳,而同樣得出不同的訓(xùn)練數(shù)據(jù)集、激活函數(shù)的選擇會(huì)影響算法對(duì)數(shù)據(jù)的擬合度和神經(jīng)網(wǎng)絡(luò)的收斂性。關(guān)鍵詞:手寫體數(shù)字識(shí)別;mish激活函數(shù);卷積神經(jīng)網(wǎng)絡(luò);mnist數(shù)據(jù)集中圖分類號(hào):TP391.4;TP183? 文獻(xiàn)標(biāo)識(shí)碼:

        現(xiàn)代信息科技 2023年4期2023-06-25

      • 基于XGBoost的啟動(dòng)子及其類型識(shí)別的兩層預(yù)測(cè)器
        子識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);多特征融合;XGBoost中圖分類號(hào):TP39;TP18 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)07-0078-04Abstract: The classification of promoters has become an interesting issue and has attracted the attention of many researchers in the field of bioinform

        現(xiàn)代信息科技 2023年7期2023-06-25

      • 基于神經(jīng)網(wǎng)絡(luò)的3D點(diǎn)云模型識(shí)別的方法
        差模塊的卷積神經(jīng)網(wǎng)絡(luò)三維模型識(shí)別方法。通過引入殘差模塊,構(gòu)建深層神經(jīng)網(wǎng)絡(luò)增強(qiáng)點(diǎn)云模型的局部信息,提高物體的識(shí)別精度。同時(shí),采用了一種獲取多尺度局部空間信息的策略,加快了模型的推理能力。實(shí)驗(yàn)證明,算法識(shí)別準(zhǔn)確率達(dá)到了91.5%,加快了模型的推理速度,可應(yīng)用于對(duì)點(diǎn)云模型識(shí)別有實(shí)時(shí)性要求的場(chǎng)景,如:流水線上物體的檢測(cè)等。關(guān)鍵詞:三維模型識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);實(shí)時(shí)性中圖分類號(hào):TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)07-00

        現(xiàn)代信息科技 2023年7期2023-06-25

      • 基于人臉識(shí)別的礦井人員考勤管理系統(tǒng)
        臉識(shí)別;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào):TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)07-0035-04Abstract: The coal mine management work has had a significant impact on the development of coal mine enterprises. Therefore, this paper investigates the attendance

        現(xiàn)代信息科技 2023年7期2023-06-25

      • 基于軟注意力機(jī)制的圖像分類算法在缺陷檢測(cè)中的應(yīng)用
        先,反思卷積神經(jīng)網(wǎng)絡(luò)(CNN)與Transformer架構(gòu),重新設(shè)計(jì)高維特征提取模塊;其次,改進(jìn)最新注意力機(jī)制來(lái)捕獲全局特征。該算法可輕松嵌入各類CNN,提升圖像分類和表面缺陷檢測(cè)的性能。使用該算法的ResNet網(wǎng)絡(luò)在CIFAR-100數(shù)據(jù)集和紡織品缺陷數(shù)據(jù)集上的準(zhǔn)確率分別達(dá)到83.22%和77.98%,優(yōu)于經(jīng)典注意力機(jī)制SE與最新的Fca等方法。關(guān)鍵詞:缺陷檢測(cè);注意力機(jī)制;卷積神經(jīng)網(wǎng)絡(luò);圖像分類中圖分類號(hào):TP391.4? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):

        現(xiàn)代信息科技 2023年3期2023-06-22

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類改進(jìn)方法研究
        一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)思想的圖像分類改進(jìn)方法。利用遷移學(xué)習(xí)的思想改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù),然后利用TensorFlow框架實(shí)現(xiàn)該模型并對(duì)MNIST數(shù)據(jù)集進(jìn)行分類,最后將改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確率與傳統(tǒng)分類方法進(jìn)行對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確率高達(dá)99.37%,分類性能明顯優(yōu)于其他方法。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);TensorFlow;圖像分類中圖分類號(hào):TP183? ? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2

        現(xiàn)代信息科技 2023年5期2023-06-22

      • 基于深度遷移學(xué)習(xí)的荔枝病蟲害識(shí)別方法研究
        法的深度卷積神經(jīng)網(wǎng)絡(luò)遷移研究和辨識(shí)模式,使原始樣品容量擴(kuò)大數(shù)倍,并通過構(gòu)建模型過擬合值,進(jìn)而提高模型的泛化水平和荔枝病蟲害防控分析的精度,以提高荔枝種植產(chǎn)量。關(guān)鍵詞:遷移學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);荔枝;病蟲害識(shí)別文章編號(hào):1005-2690(2023)09-0100-03? ? ? ?中國(guó)圖書分類號(hào):S436.67;TP183? ? ? ?文獻(xiàn)標(biāo)志碼:B近年來(lái),隨著新一代信息技術(shù)的迅速普及,我國(guó)逐漸加強(qiáng)了對(duì)農(nóng)產(chǎn)品病蟲害智能辨識(shí)與數(shù)字化防治的扶持工作,農(nóng)作物病蟲害

        種子科技 2023年9期2023-06-17

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識(shí)別研究
        理、通過卷積神經(jīng)網(wǎng)絡(luò)識(shí)別農(nóng)作物病蟲害,幫助廣大的農(nóng)業(yè)生產(chǎn)者。文章分析了卷積神經(jīng)網(wǎng)絡(luò)的AlexNet模型,以此來(lái)增強(qiáng)數(shù)據(jù)算法網(wǎng)絡(luò)化處理;借助數(shù)據(jù)集的構(gòu)建與處理,進(jìn)一步提高農(nóng)作物病蟲害的識(shí)別與研究,使得農(nóng)作物病蟲害識(shí)別更高效化、科技化、信息化,最終達(dá)到高精準(zhǔn)度識(shí)別農(nóng)作物病蟲害,降低農(nóng)作物病蟲害對(duì)產(chǎn)量的影響。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);農(nóng)作物病蟲害;病蟲害識(shí)別中圖分類號(hào):TP389? 文獻(xiàn)標(biāo)志碼:A0 引言近年來(lái),生態(tài)環(huán)境的不斷惡化,使得其結(jié)構(gòu)更加脆弱,農(nóng)作物病蟲害常

        無(wú)線互聯(lián)科技 2023年2期2023-06-15

      • 基于詞嵌入和BiLCNN-Attention混合模型的政務(wù)文本分類方法
        STM和卷積神經(jīng)網(wǎng)絡(luò)CNN,同時(shí)引入注意力機(jī)制進(jìn)行特征提取,融合了時(shí)序特征及局部特征并使特征得到強(qiáng)化,最后使用Softmax進(jìn)行文本分類。實(shí)驗(yàn)表明,BERT詞嵌入處理后混合模型的準(zhǔn)確率較CNN和BiLSTM模型分別提升了3.9%和2.51%。關(guān)鍵詞: 政務(wù)文本分析; 詞嵌入; 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò); 卷積神經(jīng)網(wǎng)絡(luò); 注意力機(jī)制中圖分類號(hào):TP391.1? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2023)06-92-05Meth

        計(jì)算機(jī)時(shí)代 2023年6期2023-06-15

      • 基于深度學(xué)習(xí)的噪聲背景通信信號(hào)端點(diǎn)檢測(cè)
        使用深層卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Networks,DCNN)提取樣本特征,用于描述信號(hào)活躍區(qū)域和背景噪聲之間的差異,并獲得樣本特征圖。同時(shí),通過多尺度區(qū)域檢測(cè)方法確定特征圖中的通信信號(hào)的起止端點(diǎn),并使用線性回歸方法精修區(qū)域參數(shù),使端點(diǎn)檢測(cè)結(jié)果更接近真值。在實(shí)驗(yàn)驗(yàn)證方面,文章利用構(gòu)建的仿真通信信號(hào)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試,實(shí)驗(yàn)結(jié)果表明,該方法能夠在毫秒級(jí)延遲下準(zhǔn)確地檢測(cè)出淹沒在噪聲中的通信信號(hào),且檢測(cè)精度優(yōu)于現(xiàn)有方法。關(guān)

        無(wú)線互聯(lián)科技 2023年2期2023-06-15

      • Dynamic Unet+: 一種輕量精確的語(yǔ)義分割算法及應(yīng)用
        度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);圖像語(yǔ)義分割;語(yǔ)義分割算法應(yīng)用;自動(dòng)人像摳圖0 引言圖像語(yǔ)義分割是計(jì)算機(jī)對(duì)場(chǎng)景理解的重要環(huán)節(jié),由于拍攝圖片通常會(huì)受到光照、角度、尺度以及拍攝圖片分辨率等多種復(fù)雜條件的影響,使圖像語(yǔ)義分割成了計(jì)算機(jī)視覺領(lǐng)域具有挑戰(zhàn)性的問題。例如像素聚類、閾值分割等傳統(tǒng)算法存在難以建立語(yǔ)義層級(jí)理解的問題,隨著2012年AlexNet在圖像分類領(lǐng)域取得的巨大成功,以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)快速發(fā)展,同時(shí)也深刻影響了包括圖像語(yǔ)義分割在內(nèi)的眾多計(jì)算機(jī)視

        電腦知識(shí)與技術(shù) 2023年11期2023-06-12

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的學(xué)生疲憊狀態(tài)反饋策略
        提出基于卷積神經(jīng)網(wǎng)絡(luò)的學(xué)生疲勞狀態(tài)反饋策略,建立數(shù)據(jù)集并訓(xùn)練出疲憊狀態(tài)識(shí)別分類模型,結(jié)合機(jī)器視覺系統(tǒng)可應(yīng)用到教學(xué)場(chǎng)景中,在適當(dāng)時(shí)機(jī)向教師發(fā)出預(yù)警,提醒教師改變課堂氛圍,從而更好地幫助學(xué)生及時(shí)調(diào)整學(xué)習(xí)狀態(tài),提高學(xué)習(xí)效率。關(guān)鍵詞:人工智能;卷積神經(jīng)網(wǎng)絡(luò);情緒分類;疲憊狀態(tài)識(shí)別隨著人工智能的關(guān)鍵技術(shù)發(fā)展,面部表情識(shí)別技術(shù)在“人工智能教育”領(lǐng)域起著重要作用。利用識(shí)別結(jié)果可以分析學(xué)生的學(xué)習(xí)動(dòng)態(tài),給老師提供及時(shí)反饋。從微觀角度來(lái)看,實(shí)時(shí)反饋可以幫助教師更全面獲得學(xué)生們

        科技風(fēng) 2023年13期2023-06-11

      • 深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用
        度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)、自動(dòng)編碼器四種算法進(jìn)行總結(jié),對(duì)當(dāng)前深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用進(jìn)行了梳理,綜述了深度學(xué)習(xí)在水資源與生態(tài)環(huán)境管理、洪澇災(zāi)害的預(yù)防與監(jiān)測(cè)、水資源環(huán)境監(jiān)測(cè)與分析、水面關(guān)鍵物監(jiān)測(cè)識(shí)別等方面的遙感研究。最后本文分析了深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用不足與發(fā)展趨勢(shì),并對(duì)未來(lái)的水利遙感應(yīng)用進(jìn)行展望。關(guān)鍵詞:?水利遙感;深度學(xué)習(xí);遙感監(jiān)測(cè);卷積神經(jīng)網(wǎng)絡(luò);水質(zhì)監(jiān)測(cè)中圖分類號(hào):?TP751.1??????文獻(xiàn)標(biāo)識(shí)碼:?A深度學(xué)習(xí)

        科技風(fēng) 2023年15期2023-06-07

      • 基于改進(jìn)YOLOv4算法的蘋果葉片病害檢測(cè)方法
        害檢測(cè);卷積神經(jīng)網(wǎng)絡(luò);注意力機(jī)制中圖分類號(hào):TP391.4??文獻(xiàn)標(biāo)志碼:A??文章編號(hào):1002-1302(2023)09-0193-06基金項(xiàng)目:國(guó)家自然科學(xué)基金青年科學(xué)基金(編號(hào):31401291)。作者簡(jiǎn)介:趙嘉威(1999—),男,吉林長(zhǎng)春人,碩士研究生,主要從事農(nóng)業(yè)智能裝備研究。E-mail:zjw991012@126.com。通信作者:田光兆,博士,副教授,研究生導(dǎo)師,主要從事農(nóng)業(yè)智能裝備研究。E-mail:tgz@njau.edu.cn。蘋

        江蘇農(nóng)業(yè)科學(xué) 2023年9期2023-06-04

      • 基于Keras和卷積神經(jīng)網(wǎng)絡(luò)CNN的手寫數(shù)字識(shí)別研究
        關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);MNIST;手寫體數(shù)字識(shí)別;Keras1引言數(shù)字識(shí)別巳經(jīng)應(yīng)用到了生活中的各個(gè)領(lǐng)域[1],如停車場(chǎng)停車按車牌號(hào)計(jì)費(fèi)、交通電子眼抓拍違章、大規(guī)模數(shù)據(jù)統(tǒng)計(jì)、文件電子化存儲(chǔ)等。作為一種全球通用的數(shù)字符號(hào),阿拉伯?dāng)?shù)字跨越了國(guó)家、文化以及民族的界限[2],在我們的身邊應(yīng)用非常廣泛。數(shù)字的類別數(shù)目適當(dāng),僅有10類,方便對(duì)研究方法進(jìn)行評(píng)估和測(cè)試。研究基于深度學(xué)習(xí)的手寫數(shù)字識(shí)別方法不僅對(duì)理解深度學(xué)習(xí)有很大的幫助和對(duì)實(shí)踐深度學(xué)習(xí)理論有很重要的意義,而且在

        計(jì)算機(jī)應(yīng)用文摘 2023年5期2023-05-30

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的惡意代碼API分類
        進(jìn)而使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出分類模型,從而實(shí)現(xiàn)對(duì)惡意軟件進(jìn)行分類,獲得較高的準(zhǔn)確率,針對(duì)阿里云天池上的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)使用有向圖編碼方式,采用不同的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),對(duì)比不同方法的準(zhǔn)確性。關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);惡意代碼分類;API調(diào)用序列中圖分類號(hào):TP309? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):1673-260X(2023)02-0039-051 引言惡意軟件是當(dāng)今互聯(lián)網(wǎng)面臨的主要安全威脅之一,準(zhǔn)確地檢測(cè)出惡意軟件,并且把惡意軟件進(jìn)行準(zhǔn)確分類對(duì)于防范網(wǎng)絡(luò)

        赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2023年2期2023-05-30

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動(dòng)化識(shí)別研究
        一種基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動(dòng)化識(shí)別方法。該方法的圖像識(shí)別技術(shù)隨著計(jì)算機(jī)硬件計(jì)算能力的逐年增強(qiáng)和相關(guān)算法的完善,已經(jīng)有比較完備的理論基礎(chǔ)和公式可以用于公路病害識(shí)別方面的應(yīng)用。該系統(tǒng)的開發(fā)可以自動(dòng)化識(shí)別包括路面裂縫、坑槽等在內(nèi)的多種病害,自動(dòng)化識(shí)別準(zhǔn)確率達(dá)到90%以上。關(guān)鍵詞 卷積神經(jīng)網(wǎng)絡(luò);路面病害;自動(dòng)化識(shí)別中圖分類號(hào) U416.2文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 2096-8949(2023)09-0007-030 引言經(jīng)歷了數(shù)十年的飛速發(fā)展,我國(guó)的道路基礎(chǔ)設(shè)

        交通科技與管理 2023年9期2023-05-26

      • 基于遷移學(xué)習(xí)和改進(jìn)殘差網(wǎng)絡(luò)的復(fù)雜背景下害蟲圖像識(shí)別
        移學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);注意力機(jī)制;圖像識(shí)別中圖分類號(hào):TP391.41 文獻(xiàn)標(biāo)志碼:A文章編號(hào):1002-1302(2023)08-0171-06基金項(xiàng)目:國(guó)家自然科學(xué)基金(編號(hào):62003379);廣東省科技計(jì)劃(編號(hào):KA1721404);廣東省普通高校重點(diǎn)領(lǐng)域?qū)m?xiàng)(編號(hào):2019GZDXM007)。作者簡(jiǎn)介:溫艷蘭(1995—),女,廣東梅縣人,碩士研究生,主要研究方向?yàn)闄C(jī)器視覺。E-mail:164734302@qq.com。通信作者:王克強(qiáng),碩士

        江蘇農(nóng)業(yè)科學(xué) 2023年8期2023-05-23

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的竹片顏色分類
        。關(guān)鍵詞卷積神經(jīng)網(wǎng)絡(luò);顏色分類;竹片;ResNet;AlexNet中圖分類號(hào)S126文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611(2023)08-0199-04doi:10.3969/j.issn.0517-6611.2023.08.046開放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):Color Classification of Bamboo Slices Based on Convolutional Neural NetworkFANG Yi-hong WU Xi

        安徽農(nóng)業(yè)科學(xué) 2023年8期2023-05-23

      • 改進(jìn)RCF網(wǎng)絡(luò)在建筑物邊緣檢測(cè)中的應(yīng)用
        近幾年,卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于建筑物邊緣檢測(cè)研究,其中RCF網(wǎng)絡(luò)被證明是應(yīng)用于建筑物邊緣檢測(cè)的效果較好的卷積神經(jīng)網(wǎng)絡(luò)。然而,RCF網(wǎng)絡(luò)在建筑物邊緣檢測(cè)的過程中,上采樣過程采用一步雙線性插值算法,上采樣結(jié)構(gòu)過于簡(jiǎn)單,導(dǎo)致產(chǎn)生了在深層網(wǎng)絡(luò)特征層小尺寸圖像特征直接上采樣至大尺寸圖像的條件下誤差過大的問題。文章提出了階梯式上采樣結(jié)構(gòu)以改進(jìn)RCF網(wǎng)絡(luò),該方法能夠有效減少一次雙線性插值算法帶來(lái)的誤差,實(shí)驗(yàn)證明該方法能夠有效提高RCF網(wǎng)絡(luò)在建筑物邊緣檢測(cè)上的結(jié)果精度,

        無(wú)線互聯(lián)科技 2023年6期2023-05-23

      • 基于注意力機(jī)制的多級(jí)監(jiān)督人群計(jì)數(shù)算法
        一種基于卷積神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)網(wǎng)絡(luò),該網(wǎng)絡(luò)由主干網(wǎng)和多級(jí)監(jiān)督分支結(jié)構(gòu)組成,在主干網(wǎng)絡(luò)的多個(gè)階段引入注意力機(jī)制學(xué)習(xí)不同尺度的人群特征。算法采用VGG16模型的前13層作為主干網(wǎng),并且加入膨脹卷積網(wǎng)絡(luò)結(jié)構(gòu),融合圖像中的多尺度人群特征,解決多尺度人群計(jì)數(shù)問題,從而生成高質(zhì)量的密度圖。同時(shí),在3個(gè)不同尺度的分支結(jié)構(gòu)中引入注意力機(jī)制,在損失函數(shù)中加入不同尺度的注意力損失,從而使整個(gè)網(wǎng)絡(luò)聚焦圖像中的人群區(qū)域。算法在4個(gè)主要的數(shù)據(jù)集上進(jìn)行了測(cè)試,算法結(jié)果優(yōu)于最近其他的方

        計(jì)算機(jī)與網(wǎng)絡(luò) 2023年6期2023-05-14

      • 基于深度學(xué)習(xí)的動(dòng)態(tài)手勢(shì)識(shí)別方法
        若只使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)或長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)單個(gè)網(wǎng)絡(luò)模型的手勢(shì)識(shí)別,準(zhǔn)確率最高為92.7%;而CNN-LSTM混合網(wǎng)絡(luò)模型平均手勢(shì)識(shí)別準(zhǔn)確率為99.1%。關(guān)鍵詞: 手勢(shì)識(shí)別; 深度學(xué)習(xí); 卷積神經(jīng)網(wǎng)絡(luò); 長(zhǎng)短期記憶網(wǎng)絡(luò)中圖分類號(hào):TP391.41;TP18? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2023)05-77-04Dynamic gesture recognition based on depth le

        計(jì)算機(jī)時(shí)代 2023年5期2023-05-14

      • DUNet++:基于UNet++改進(jìn)的皮膚病變分割網(wǎng)絡(luò)
        洞卷積;卷積神經(jīng)網(wǎng)絡(luò)0 引言黑色素瘤起源于黑色素細(xì)胞的惡性轉(zhuǎn)化,它可以逐漸擴(kuò)散和轉(zhuǎn)移,是最具有侵襲性和致命的皮膚癌類型。雖然惡性黑色素瘤擁有如此高的死亡率,但早期診斷和干預(yù)可以將患者的存活率大大提高,并改善不良預(yù)后。在黑色素瘤的早期診斷中,計(jì)算機(jī)輔助診斷系統(tǒng)作為醫(yī)生的重要診斷決策工具,可以幫助臨床醫(yī)生專注于疾病的特定區(qū)域,并提取詳細(xì)信息以進(jìn)行更準(zhǔn)確的診斷,但目前其算法性能仍有較大的進(jìn)步空間,仍面臨著巨大的挑戰(zhàn)。諸多研究人員在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,提出了眾多

        電腦知識(shí)與技術(shù) 2023年9期2023-05-08

      • 基于多層卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別方法
        情識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)增強(qiáng);MTCNN;人臉檢測(cè)0 引言表情作為人類重要的情感表達(dá)方式之一[1],目前正成為新的研究熱點(diǎn),人們希望通過研究人臉表情識(shí)別方法來(lái)實(shí)現(xiàn)計(jì)算機(jī)獲取人類表情的功能。具備表情識(shí)別功能的計(jì)算機(jī)設(shè)備能提高人機(jī)交互體驗(yàn),高效地解決更多實(shí)際問題并滿足更多的生活需求。例如:及時(shí)掌握駕駛員的情緒狀態(tài),減少交通事故;監(jiān)控老人和嬰幼兒的情緒狀態(tài),及時(shí)掌握其身體狀況,提高生活質(zhì)量;實(shí)時(shí)掌握遠(yuǎn)程教學(xué)過程中學(xué)生的上課狀態(tài),提高教學(xué)效果等。卷積神經(jīng)網(wǎng)絡(luò)具有

        電腦知識(shí)與技術(shù) 2023年9期2023-05-08

      • 深度學(xué)習(xí)驅(qū)動(dòng)的農(nóng)作物病害識(shí)別模型研究
        害識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);ResNet50_vd0 引言在當(dāng)前人工智能與大數(shù)據(jù)驅(qū)動(dòng)的全球傳統(tǒng)農(nóng)業(yè)轉(zhuǎn)型趨勢(shì)下,我國(guó)農(nóng)業(yè)裝備正朝著計(jì)算機(jī)集成化、高度智慧化的方向蓬勃發(fā)展。農(nóng)作物病害識(shí)別是農(nóng)業(yè)領(lǐng)域的關(guān)鍵問題之一,傳統(tǒng)的檢測(cè)方式主要依據(jù)人工觀察識(shí)別病害類別,往往有速度慢、強(qiáng)度大、主觀性強(qiáng)等局限性。針對(duì)上述問題,國(guó)內(nèi)外研究人員將人工智能技術(shù)應(yīng)用于農(nóng)作物病害識(shí)別領(lǐng)域,并已具備一定成效[1-7]。例如:宋大鵬等人[1]提出將深度學(xué)習(xí)用于水稻葉部病害識(shí)別任務(wù)中,通過引入深度可

        電腦知識(shí)與技術(shù) 2023年7期2023-04-27

      • 基于攝像頭與投影儀的智能空調(diào)面板開關(guān)
        攝像頭的卷積神經(jīng)網(wǎng)絡(luò)視覺檢測(cè),可直接完成界面操作,實(shí)現(xiàn)功能交互。本投影開關(guān)具有很強(qiáng)的適配性,可在多種物體表面成像,具有使得內(nèi)飾簡(jiǎn)約和科技感強(qiáng)等特點(diǎn)?!娟P(guān)鍵詞】機(jī)器視覺;投影界面;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào):U463.851? ? 文獻(xiàn)標(biāo)志碼:A? ? 文章編號(hào):1003-8639( 2023 )04-0041-04【Abstract】This paper develops a projection air conditioning panel switch b

        汽車電器 2023年4期2023-04-26

      • 基于特征融合的圖像超分辨率
        近年深度卷積神經(jīng)網(wǎng)絡(luò)在圖像超分辨率領(lǐng)域取得了巨大成功。然而多數(shù)基于深度卷積神經(jīng)的超分辨率模型不能很好地利用來(lái)自低分辨率圖像的各級(jí)特征,從而導(dǎo)致相對(duì)較差的性能。本文采用全局特征融合的方法,對(duì)全局多層次特征進(jìn)行聯(lián)合學(xué)習(xí),充分利用各卷積通道特征,通過全局跳躍連接,使網(wǎng)絡(luò)更注重高頻信息的學(xué)習(xí),并采用亞像素卷積實(shí)現(xiàn)上采樣重建,取得了更好的效果。關(guān)鍵詞: 圖像超分辨率; 特征融合; 卷積神經(jīng)網(wǎng)絡(luò); 亞像素卷積中圖分類號(hào):TP391.41? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:

        計(jì)算機(jī)時(shí)代 2023年4期2023-04-13

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛分類與檢測(cè)技術(shù)研究
        關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);車輛分類;車輛檢測(cè);深度學(xué)習(xí)中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A1引言(Introduction)隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的發(fā)展,越來(lái)越多的領(lǐng)域開始應(yīng)用深度學(xué)習(xí)技術(shù)?;谏疃葘W(xué)習(xí)的車輛分類與檢測(cè)是當(dāng)前智慧交通領(lǐng)域的研究熱點(diǎn),其在智能交通系統(tǒng)中處于基礎(chǔ)地位,對(duì)車輛跟蹤、交通管控、無(wú)人駕駛等的發(fā)展具有重要意義。深度學(xué)習(xí)主要涉及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、自編碼神經(jīng)網(wǎng)絡(luò)、深度

        軟件工程 2023年4期2023-04-07

      • 基于形態(tài)特征感知的結(jié)直腸癌圖像分類方法研究
        征感知;卷積神經(jīng)網(wǎng)絡(luò);病理圖像分類0 引言結(jié)直腸癌是發(fā)生在結(jié)腸或直腸的癌癥,是我國(guó)發(fā)病率和死亡率較高的癌癥類型之一[1-2]。對(duì)結(jié)直腸癌病理圖像的準(zhǔn)確分類有助于醫(yī)生做出準(zhǔn)確的病理診斷和預(yù)后判斷。為對(duì)癌癥做出準(zhǔn)確分類,一些學(xué)者圍繞深度學(xué)習(xí)對(duì)癌癥病理圖像的分類方法展開了研究,例如,NAHID 等[3]提出基于卷積神經(jīng)網(wǎng)絡(luò)(Convolu?tional Neural Network,CNN) 和長(zhǎng)短期記憶的乳腺癌圖像分類方法(Breast Image Class

        電腦知識(shí)與技術(shù) 2023年5期2023-04-06

      大连市| 阳高县| 库车县| 汝城县| 松桃| 淅川县| 大安市| 简阳市| 荔波县| 嵊州市| 广安市| 娱乐| 彭泽县| 濮阳市| 九江县| 永泰县| 肃南| 合作市| 阿克| 永靖县| 怀柔区| 虹口区| 木兰县| 横峰县| 东源县| 辽阳县| 喀什市| 尉犁县| 和静县| 松潘县| 怀宁县| 新源县| 柳江县| 阿拉善左旗| 莱阳市| 舒兰市| 常德市| 黔西| 抚松县| 龙里县| 梅河口市|