遷移學(xué)習(xí)
- 基于改進DeepLab v3+模型和遷移學(xué)習(xí)的高分遙感耕地提取方法
Net，結(jié)合遷移學(xué)習(xí)方法進行高分辨率遙感影像耕地信息提取。首先，在淺層網(wǎng)絡(luò)結(jié)構(gòu)中加入鄰域邊緣加權(quán)模塊，提升高分辨率下地物的連續(xù)性，細(xì)化邊緣分割粒度；其次，在深層網(wǎng)絡(luò)結(jié)構(gòu)中添加軸向注意力機制模塊，增加細(xì)小地物的關(guān)注權(quán)重，減少深度卷積導(dǎo)致地物丟失的情況；最后，采用遷移學(xué)習(xí)的思想，降低樣本標(biāo)注工作量，提高模型學(xué)習(xí)能力。利用高分衛(wèi)星土地覆蓋數(shù)據(jù)集（GID）數(shù)據(jù)構(gòu)建源域數(shù)據(jù)集進行模型預(yù)訓(xùn)練，將獲取的模型參數(shù)及權(quán)重信息遷移至大數(shù)據(jù)與計算智能大賽（BDCI）遙感影像地塊
江蘇農(nóng)業(yè)學(xué)報 2023年7期2023-12-13
- 基于導(dǎo)波和知識遷移的結(jié)構(gòu)損傷識別方法研究
究思路，并以遷移學(xué)習(xí)算法為基礎(chǔ)架構(gòu)，設(shè)計了適用于實際工程應(yīng)用的結(jié)構(gòu)損傷識別模型PRED_RF。試驗結(jié)果分析表明，在有限數(shù)據(jù)的情況下，PRED_RF模型的損傷識別效果明顯優(yōu)于其他傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)模型，結(jié)構(gòu)損傷識別準(zhǔn)確率達到了94.48%。關(guān)鍵詞：導(dǎo)波； 損傷識別； 遷移學(xué)習(xí)； 小樣本中圖分類號：V219 文獻標(biāo)識碼：A DOI：10.19452/j.issn1007-5453.2023.05.007航空結(jié)構(gòu)中的裂紋、腐蝕、脫層以及其他損傷會造成航空結(jié)構(gòu)
航空科學(xué)技術(shù) 2023年5期2023-09-14
- 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)圖像識別方法研究
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)的測試集準(zhǔn)確率均得到顯著提升。關(guān)鍵詞：圖像識別；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)練模型中圖分類號：TP391.4 ? ? 文獻標(biāo)識碼：A ? 文章編號：2096-4706（2023）14-0057-04Research on Convolutional Neural Network Image Recognition MethodBased on Transfer LearningZHANG Wentao， ZH
現(xiàn)代信息科技 2023年14期2023-09-06
- 基于改進ResNeXt的黑色素瘤識別算法
；輔助診斷；遷移學(xué)習(xí)中圖分類號：TP391 文獻標(biāo)識碼：A文章編號：1009-3044（2023）20-0036-040 引言皮膚癌是一種危險的疾病，早期發(fā)現(xiàn)是提高生存率的必要條件。皮膚色素性惡性病變的死亡率非常高，尤其是黑色素瘤，發(fā)病率和死亡率更高。據(jù)統(tǒng)計，美國在2022年有99 780名成年人（57 180名男性和42600 名女性）被診斷出患有皮膚侵襲性黑色素瘤。2020年全球有324 635人被診斷患有黑色素瘤。黑色素瘤是日常生活中常見癌癥。隨著人
電腦知識與技術(shù) 2023年20期2023-08-26
- 基于改進的MobilenetV3蘋果葉片病害圖像識別技術(shù)
為基礎(chǔ)，引入遷移學(xué)習(xí)，加入空洞卷積，并調(diào)整原模型結(jié)構(gòu)，形成新模型進行訓(xùn)練學(xué)習(xí)。經(jīng)過多輪迭代，損失曲線實現(xiàn)收斂，模型訓(xùn)練成功，訓(xùn)練集上的準(zhǔn)確率為95.72%，測試集上的準(zhǔn)確率為93.41%;經(jīng)過改進的MobileNetV3網(wǎng)絡(luò)模型對蘋果葉片病害圖像識別效果較好，為將來在移動端實現(xiàn)部署與推廣提供了技術(shù)方案支撐。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);MobileNetV3;深度學(xué)習(xí);遷移學(xué)習(xí);空洞卷積中圖分類號：TP391 文獻標(biāo)志碼：A0 引言（Introduction）民以食為
軟件工程 2023年8期2023-08-20
- 基于深度學(xué)習(xí)特征融合的遙感圖像場景分類應(yīng)用
lexNet遷移學(xué)習(xí)網(wǎng)絡(luò)提取圖像的深層信息，在去除最后一層全連接層的同時加入一層256維的全連接層作為特征輸出；將兩種特征進行自適應(yīng)融合，最終輸入到網(wǎng)格搜索算法優(yōu)化的支持向量機（GS-SVM）中對遙感圖像進行場景分類識別.在公開數(shù)據(jù)集UC Merced的21類目標(biāo)數(shù)據(jù)和RSSCN7的7類目標(biāo)數(shù)據(jù)的實驗結(jié)果表明，5次實驗的平均準(zhǔn)確率分別達94.77%和93.79%.該方法可有效提升遙感圖像場景的分類精度.關(guān)鍵詞 圖像分類；卷積神經(jīng)網(wǎng)絡(luò)；灰度共生矩陣；局部二值
南京信息工程大學(xué)學(xué)報 2023年3期2023-07-06
- 小樣本民族藥植物圖像識別綜述
的方法、基于遷移學(xué)習(xí)的方法和基于注意力機制的方法，同時根據(jù)所研究的藏藥數(shù)據(jù)集進行實驗和對比分析，總結(jié)闡述了現(xiàn)有方法在解決小樣本民族藥植物圖像識別時的性能優(yōu)劣。最后對小樣本民族藥植物圖像識別領(lǐng)域存在的問題進行總結(jié)，并對未來發(fā)展方向進行展望。關(guān)鍵詞：深度學(xué)習(xí)；小樣本圖像識別；數(shù)據(jù)增強；遷移學(xué)習(xí)；注意力機制中圖分類號：TP391.4；TP18? 文獻標(biāo)識碼：A? 文章編號：2096-4706（2023）04-0081-06A Survey on Image Re
現(xiàn)代信息科技 2023年4期2023-06-25
- 基于深度對比遷移學(xué)習(xí)的變工況下機械故障診斷
in 距離；遷移學(xué)習(xí)；對比學(xué)習(xí)中圖分類號： TH165+.3；TP206+.3 文獻標(biāo)志碼： A 文章編號： 1004-4523（2023）03-0845-09DOI：10.16385/j.cnki.issn.1004-4523.2023.03.027引 言隨著現(xiàn)代社會的不斷發(fā)展，機械設(shè)備廣泛應(yīng)用于各行各業(yè)，軸承、齒輪是機械設(shè)備中不可或缺的組件。由于機械設(shè)備多運行在復(fù)雜惡劣的環(huán)境中，軸承、齒輪極易受損，導(dǎo)致機械設(shè)備發(fā)生故障，甚至造成重大安全事故［1‐2］。
振動工程學(xué)報 2023年3期2023-06-25
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類改進方法研究
積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)思想的圖像分類改進方法。利用遷移學(xué)習(xí)的思想改進卷積神經(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框架實現(xiàn)該模型并對MNIST數(shù)據(jù)集進行分類，最后將改進卷積神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確率與傳統(tǒng)分類方法進行對比分析。實驗結(jié)果表明，改進卷積神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確率高達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：TP183? ? 文獻標(biāo)識碼：A? 文章編號：2096-4
現(xiàn)代信息科技 2023年5期2023-06-22
- 圖像情景文本融合的多模態(tài)模型性能策略研究
訓(xùn)練加微調(diào)的遷移學(xué)習(xí)方案，降低模型訓(xùn)練成本。并經(jīng)過大量實驗探究模型的輸入策略，文章建議，在跨模態(tài)檢索任務(wù)中，采取圖文比例2：3能夠獲得最優(yōu)的召回率。關(guān)鍵詞：多模態(tài)；跨模態(tài)檢索；遷移學(xué)習(xí)；OCR中圖分類號：TP391.4? 文獻標(biāo)識碼：A? 文章編號：2096-4706（2023）09-0166-04Abstract： Aiming at the problem of limited representation ability of feature ext
現(xiàn)代信息科技 2023年9期2023-06-21
- 基于深度遷移學(xué)習(xí)的荔枝病蟲害識別方法研究
量。關(guān)鍵詞：遷移學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；荔枝；病蟲害識別文章編號：1005-2690（2023）09-0100-03? ? ? ?中國圖書分類號：S436.67；TP183? ? ? ?文獻標(biāo)志碼：B近年來，隨著新一代信息技術(shù)的迅速普及，我國逐漸加強了對農(nóng)產(chǎn)品病蟲害智能辨識與數(shù)字化防治的扶持工作，農(nóng)作物病蟲害智能識別研究逐漸成為熱門。早期農(nóng)產(chǎn)品病蟲害的智能識別和數(shù)字化防治主要通過圖像預(yù)處理（灰度化、直方圖均衡、中值濾波等），圖像分割和特征提取技術(shù)（灰度矩陣、顏
種子科技 2023年9期2023-06-17
- 基于MobileNet V2和遷移學(xué)習(xí)的番茄病害識別
et V2和遷移學(xué)習(xí)的方式相結(jié)合，對番茄早疫病、番茄細(xì)菌性斑疹病、番茄晚疫病、番茄葉霉病、番茄斑枯病、番茄紅蜘蛛病、番茄褐斑病、番茄花葉病、番茄黃化曲葉病等9種葉部病害圖像以及健康番茄葉片圖像進行分類識別，首先將數(shù)據(jù)集按照9 ∶?1的比例分為訓(xùn)練集和驗證集，對于訓(xùn)練模型根據(jù)遷移學(xué)習(xí)的方式分別采用不凍結(jié)卷積層、凍結(jié)部分卷積層、全部凍結(jié)卷積層的方式獲得3種模型，然后在模型最后加上2層全連接層并用Dropout層防止過擬合，接著通過Softmax層輸出實現(xiàn)對番茄
江蘇農(nóng)業(yè)科學(xué) 2023年9期2023-06-04
- 高分遙感影像建筑物邊緣提取模型遷移性評估對比
，邊緣檢測，遷移學(xué)習(xí)。摘要：建筑物邊緣提取對智慧城市建設(shè)具有重要的研究意義，采用人工標(biāo)注建筑物邊緣的方法需要消耗大量的人力物力。目前，利用深度學(xué)習(xí)的方法已經(jīng)能提取建筑物大致輪廓，但其需要大量的人工標(biāo)注的精確樣本進行訓(xùn)練。因此，文章構(gòu)建了3個邊緣檢測數(shù)據(jù)集并復(fù)現(xiàn)了2個經(jīng)典邊緣檢測網(wǎng)絡(luò)RCF和BDCN進行交叉訓(xùn)練測試實驗，評估邊緣檢測模型的可遷移性，為研究構(gòu)建普適性更強的邊緣檢測網(wǎng)絡(luò)提供思路。關(guān)鍵詞：深度學(xué)習(xí)；邊緣檢測；遷移學(xué)習(xí)中圖分類號：P237 文獻標(biāo)志碼
無線互聯(lián)科技 2023年6期2023-05-23
- 基于遷移學(xué)習(xí)和改進殘差網(wǎng)絡(luò)的復(fù)雜背景下害蟲圖像識別
提出一種基于遷移學(xué)習(xí)和改進殘差網(wǎng)絡(luò)的蟲害圖像識別方法。首先，利用數(shù)據(jù)增強技術(shù)對采集的橘小實蠅蟲害圖像進行樣本數(shù)據(jù)的擴充；再在ResNet-34模型的基礎(chǔ)上，增加了2個注意力模塊層，并重新設(shè)計了全連接層模塊，獲得能夠改進后的網(wǎng)絡(luò)模型；最后利用遷移學(xué)習(xí)的方法將預(yù)訓(xùn)練的參數(shù)權(quán)重遷移到本模型中進行訓(xùn)練，并在試驗過程中分析學(xué)習(xí)方式、樣本量、學(xué)習(xí)率、批量大小等參數(shù)對模型性能的影響。結(jié)果表明，采用旋轉(zhuǎn)、翻轉(zhuǎn)和亮度變換操作對圖像進行數(shù)據(jù)擴充的數(shù)據(jù)集，在訓(xùn)練模型的全部層的遷
江蘇農(nóng)業(yè)科學(xué) 2023年8期2023-05-23
- 小數(shù)據(jù)場景下基于遷移學(xué)習(xí)與BiLSTM的建筑能耗預(yù)測方法
提出一種基于遷移學(xué)習(xí)與BiLSTM（雙向長短期記憶網(wǎng)絡(luò)）的新建建筑能耗預(yù)測方法。首先采用MMD（最大均值差異）對源域建筑與目標(biāo)域建筑的歷史數(shù)據(jù)進行相似度分析；然后利用相似建筑的歷史數(shù)據(jù)對BiLSTM進行預(yù)訓(xùn)練；最后微調(diào)BiLSTM對目標(biāo)域建筑進行預(yù)測。使用真實的建筑能耗數(shù)據(jù)進行實驗，結(jié)果表明，與其他預(yù)測模型相比，所提出方法顯著提高了能耗預(yù)測精度。關(guān)鍵詞： 建筑能耗預(yù)測； 遷移學(xué)習(xí)； 相似度分析； 深度學(xué)習(xí)； BiLSTM中圖分類號：TU111.195? ?
計算機時代 2023年4期2023-04-13
- 以概念為本的初中地理教學(xué)探究
；協(xié)同思考；遷移學(xué)習(xí)【中圖分類號】G633.55? 【文獻標(biāo)志碼】A? 【文章編號】1005-6009（2023）07-0065-04【作者簡介】劉仙紅，南京師范大學(xué)蘇州實驗學(xué)校（江蘇蘇州，215100）教師，高級教師，蘇州市地理學(xué)科帶頭人。在教育領(lǐng)域，更多的人認(rèn)識到課程和教學(xué)必須超越知識和技能，它需要涵蓋更有深度的、可遷移性的理解，這個層次的理解是在概念性層面的思考中形成的。［1］5“以概念為本的課程是一種三維課程設(shè)計模式，它架構(gòu)了學(xué)科領(lǐng)域的事實和技能內(nèi)
江蘇教育·中學(xué)教學(xué)版 2023年2期2023-04-10
- 鑄體薄片圖像孔隙自動分割方法優(yōu)選
：鑄體薄片；遷移學(xué)習(xí)；孔隙；語義分割鑄體薄片中孔隙分析是分析儲層孔隙結(jié)構(gòu)的重要方法，薄片中孔隙分割是進行孔隙分析的關(guān)鍵一步。傳統(tǒng)做法是利用目測法、計數(shù)法和圖像處理算法對孔隙進行分割。但是目測法和計數(shù)法不僅要求研究人員具有專業(yè)的地質(zhì)知識而且效率低下分割結(jié)果受主觀因素影響。傳統(tǒng)的圖像處理技術(shù)中用于孔隙分割的方法有閾值法、邊緣檢測法、區(qū)域生長算法、分裂合并法和聚類分割法[1]。但這些傳統(tǒng)方法只依賴顏色特征且需要大量的人工交互，無法實現(xiàn)自動化分割孔隙。人工神經(jīng)網(wǎng)絡(luò)
電腦知識與技術(shù) 2023年5期2023-04-06
- 改進PSPNet網(wǎng)絡(luò)的舌圖像分割方法研究
注意力機制；遷移學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)0 引言望診是中醫(yī)四大治療手法之一，主要通過觀察患者面部、舌部進行初步診斷。而舌診作為中醫(yī)辨證論治的主要依據(jù)之一[1]，在中醫(yī)望診中發(fā)揮著重要作用。它通過觀察舌苔的顏色和形態(tài)變化對患者的疾病有初步的感知及判斷，具有診斷便利、參考價值高的特殊優(yōu)勢[2]。但是，由于醫(yī)生的主觀經(jīng)驗不同且診療的客觀條件參差不齊，導(dǎo)致診療結(jié)果在一定程度上存在誤差，“人工智能+中醫(yī)舌診”因此應(yīng)運而生。人工智能的本質(zhì)是通過大量計算分析輔助決策，所以舌診
電腦知識與技術(shù) 2023年5期2023-04-06
- 基于Bert模型的文本多分類應(yīng)用研究
；文本分類；遷移學(xué)習(xí)1 概述隨著互聯(lián)網(wǎng)的發(fā)展越來越發(fā)達，教育領(lǐng)域也因教育信息化而發(fā)生了巨大變革，通過搜索引擎和在線答題平臺咨詢學(xué)習(xí)問題已逐漸成為學(xué)生及老師學(xué)習(xí)的一種方式[1]。在咨詢過程中，問答系統(tǒng)會對用戶提出問題的類別進行準(zhǔn)確區(qū)分，如題目的學(xué)科或題目考查的知識點。知識點在教育教學(xué)過程中起著重要的作用，可對題庫根據(jù)知識點進行分類，然后根據(jù)學(xué)生的學(xué)習(xí)情況，有針對地將習(xí)題推薦給學(xué)生，老師也能根據(jù)學(xué)生的做題情況有針對地進行拔高訓(xùn)練，為學(xué)生設(shè)計階段性學(xué)習(xí)方案，學(xué)生
電腦知識與技術(shù) 2023年4期2023-03-24
- 基于深度學(xué)習(xí)和不可分小波的裂紋檢測方法
eNet進行遷移學(xué)習(xí)構(gòu)造神經(jīng)網(wǎng)絡(luò);最后將高頻圖像數(shù)據(jù)集的80%用作訓(xùn)練集，20%用作驗證集，放入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練和驗證。實驗結(jié)果表明，該方法可得到較好的裂紋檢測效果。關(guān)鍵詞：裂紋檢測;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);不可分小波;加性小波;遷移學(xué)習(xí)中圖分類號：TP181? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2022）18-0006-04開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：1 引言隨著社會經(jīng)濟的不斷發(fā)展，我國的基礎(chǔ)設(shè)施建設(shè)能力越來越強，基礎(chǔ)建設(shè)
電腦知識與技術(shù) 2022年18期2022-08-31
- 基于遷移學(xué)習(xí)和Xception網(wǎng)絡(luò)的混凝土裂紋識別研究
據(jù)集后，引入遷移學(xué)習(xí)的方法對Xception網(wǎng)絡(luò)進行訓(xùn)練。同時，與構(gòu)建的ResNet50、InceptionV3和VGG19三個深層卷積神經(jīng)網(wǎng)絡(luò)模型進行對比實驗，重新驗證其性能。實驗證明，引入遷移學(xué)習(xí)不僅可以提升模型的整體性能，還能縮減訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)的時間，訓(xùn)練的模型在數(shù)據(jù)集上的識別精確率達到96.24%，在對比實驗中達到96.50%。關(guān)鍵詞：遷移學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);圖像識別;圖像增廣中圖分類號：TP399 ? ? 文獻標(biāo)識碼：AResearch o
軟件工程 2022年7期2022-07-21
- 基于改進的YOLOv4-GhostNet水稻病蟲害識別方法
構(gòu);3）結(jié)合遷移學(xué)習(xí)與YOLOv4網(wǎng)絡(luò)訓(xùn)練技巧。通過試驗將YOLOv4及其MobileNet系列輕量化網(wǎng)絡(luò)與Faster-RCNN系列網(wǎng)絡(luò)和SSD系列網(wǎng)絡(luò)進行對比，結(jié)果表明，改進的YOLOv4-GhostNet模型平均準(zhǔn)確率達到79.38%，檢測速度可達1 s 34.51 幀，模型權(quán)重大小縮減為42.45 MB，在保持檢測精度達到較高水平的同時模型參數(shù)量大幅度降低，適用于部署在計算能力不足的嵌入式設(shè)備上。關(guān)鍵詞： 水稻病蟲害檢測; GhostNet網(wǎng)絡(luò);
江蘇農(nóng)業(yè)學(xué)報 2022年3期2022-07-16
- 基于卷積神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別研究
;黃瓜病害;遷移學(xué)習(xí);病害識別黃瓜也稱胡瓜、青瓜，是人們生活中經(jīng)常食用的蔬菜之一。近年來隨著黃瓜的需求量不斷增加，其種植面積也在增加，但黃瓜葉面病害一直是制約產(chǎn)量增加的關(guān)鍵因素，以天津地區(qū)黃瓜種植為例，2016年黃瓜褐斑病的發(fā)病率為90%，病毒病的暴發(fā)率達到100%。以前種植戶在識別黃瓜病害時主要是根據(jù)自己以往的經(jīng)驗進行判斷，很難快速并準(zhǔn)確地識別出黃瓜病害種類，往往會出現(xiàn)病害判斷失誤而造成黃瓜產(chǎn)量的降低。隨著社會的發(fā)展，深度學(xué)習(xí)技術(shù)也取得不少的研究成果，并
計算技術(shù)與自動化 2022年2期2022-07-04
- 基于MobileNetV3的馬鈴薯病害識別
積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的馬鈴薯葉部病害識別方法。首先，采集馬鈴薯葉部病害圖像樣本，再運用GrabCut算法進行圖像分割;再基于 MobileNetV3構(gòu)建病害識別基礎(chǔ)模型，并通過調(diào)整模型結(jié)構(gòu)及寬度系數(shù)α等方式對模型進行優(yōu)化，最后運用遷移學(xué)習(xí)的方式將預(yù)訓(xùn)練參數(shù)遷移至優(yōu)化模型進行訓(xùn)練。結(jié)果表明，該方法對馬鈴薯健康、晚疫病、早疫病、炭疽病及其他病害葉部圖像識別準(zhǔn)確率為 98.00%，模型權(quán)重僅為0.68 MB，識別速率為0.014 s/幅。本研究結(jié)果可為馬鈴薯葉部
江蘇農(nóng)業(yè)科學(xué) 2022年10期2022-06-12
- 基于遷移學(xué)習(xí)和模型融合的中藥材圖像識別研究
材特征，通過遷移學(xué)習(xí)、數(shù)據(jù)增強、模型融合等方法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，并提出一種基于Xception和DenseNet融合的中藥材圖像識別模型DxFusion。結(jié)果 通過遷移學(xué)習(xí)、數(shù)據(jù)增強和模型融合，DxFusion在60種中藥材測試集上分類精度可達99.65%，效果優(yōu)于已有分類模型。結(jié)論 基于遷移學(xué)習(xí)和多模型融合的深度卷積神經(jīng)網(wǎng)絡(luò)可以提取圖像中不規(guī)則的中藥材特征，有效提升中藥材圖像識別的準(zhǔn)確率。 〔關(guān)鍵詞〕 深度學(xué)習(xí);中藥材識別;卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);數(shù)據(jù)增強;
湖南中醫(yī)藥大學(xué)學(xué)報 2022年5期2022-06-01
- 基于改進輕量級卷積神經(jīng)網(wǎng)絡(luò) MobileNetV3的番茄葉片病害識別
絡(luò)模型也進行遷移學(xué)習(xí)并進行對比，結(jié)果顯示 MobileNetV3的總體學(xué)習(xí)效果最好，在Mixup混合增強和 focal loss 損失函數(shù)下對10類番茄病害的平均測試識別準(zhǔn)確率達到94.68%。在遷移學(xué)習(xí)的基礎(chǔ)上繼續(xù)改進 MobileNetV3模型，在卷積層引入空洞卷積和感知機結(jié)構(gòu)，采用 GLU （Gated Liner Unit）閘門機制激活函數(shù)，訓(xùn)練得到最佳的番茄病害識別模型，平均測試的識別準(zhǔn)確率98.25%，模型的數(shù)據(jù)規(guī)模43.57 MB ，單張番茄
智慧農(nóng)業(yè)（中英文） 2022年1期2022-05-30
- 改進YOLOv4算法的袋料香菇檢測方法
練過程中利用遷移學(xué)習(xí)的思想，對主干網(wǎng)絡(luò)載入VOC數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重。相比原YOLOv4算法，mAP值增加了4.82個百分點，達到94.39%，算法參數(shù)量降為原來的58.13%，算法更加高效和輕量化，為機械采摘提供視覺算法支持。關(guān)鍵詞：YOLOv4;目標(biāo)檢測;gamma變換;遷移學(xué)習(xí);香菇采摘DOI：10.15938/j.jhust.2022.04.004中圖分類號： TP391.4文獻標(biāo)志碼： A文章編號： 1007-2683（2022）04-0023-0
哈爾濱理工大學(xué)學(xué)報 2022年4期2022-05-30
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的自動垃圾分類
積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);圖像識別;垃圾分類中圖分類號：TP391.4??????????? 文獻標(biāo)志碼：A0引言伴隨我國城市化發(fā)展的不斷深入與人民生活水平的提高，城市生活垃圾的產(chǎn)生量急劇增加，成為環(huán)境治理刻不容緩的問題。在對生活垃圾的處理上，傳統(tǒng)的填埋與焚燒處理存在著占用土地、污染地下水、排放廢氣等問題，而且處理能力有限。事實上，生活垃圾中絕大部分是可以通過分類回收實現(xiàn)循環(huán)利用的。為此我國已在各大城市推行垃圾分類制度，通過合理的分類投放從源頭上減少生活垃圾數(shù)
甘肅科技縱橫 2022年3期2022-05-21
- 一種用于主軸軸承故障診斷的深度卷積動態(tài)對抗遷移網(wǎng)絡(luò)
巍華摘要： 遷移學(xué)習(xí)智能故障診斷方法已經(jīng)成為了機械設(shè)備故障診斷領(lǐng)域的一個研究熱點。然而，大多數(shù)相關(guān)方法在遷移學(xué)習(xí)過程中未能合理地評估源域樣本和目標(biāo)域樣本的相似性，且數(shù)據(jù)分布的差異會造成遷移診斷的結(jié)果不同。針對此問題，提出深度卷積動態(tài)對抗遷移網(wǎng)絡(luò)用于主軸軸承智能故障診斷。該網(wǎng)絡(luò)首先利用一維卷積神經(jīng)網(wǎng)絡(luò)從處理過的振動信號中自動提取特征集，然后利用動態(tài)對抗學(xué)習(xí)策略動態(tài)地調(diào)整條件分布和邊緣分布在遷移學(xué)習(xí)過程中的重要程度，有效地提高遷移診斷的精度。通過數(shù)控機床主軸軸
振動工程學(xué)報 2022年2期2022-05-14
- 基于自編碼預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)分類方法
積神經(jīng)網(wǎng)絡(luò) 遷移學(xué)習(xí)1基于自編碼預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)的分類1.1自編碼的原理自編碼神經(jīng)網(wǎng)絡(luò)（見圖1）是一個輸入與輸出相等的人工神經(jīng)網(wǎng)絡(luò)。在該網(wǎng)絡(luò)中，左側(cè)節(jié)點是輸入層，右側(cè)神經(jīng)元是輸出層，中間是隱含層。輸出層的神經(jīng)元數(shù)量等于輸入層的神經(jīng)元數(shù)量。隱藏層的神經(jīng)元數(shù)量少于輸出層的神經(jīng)元數(shù)量。自編碼器的工作原理如圖2 所示。其中，輸入層和隱含層之間的參數(shù)叫作“編碼器”（encoder），隱含層和輸出層之間的參數(shù)叫作“解碼器”（decoder）。通過對編碼和解碼的參數(shù)
計算機應(yīng)用文摘·觸控 2022年5期2022-04-02
- 基于遷移學(xué)習(xí)的殘差網(wǎng)絡(luò)猴痘病識別研究
種改進的基于遷移學(xué)習(xí)殘差網(wǎng)絡(luò)的圖像自動識別方法。該方法使用了ResNet50網(wǎng)絡(luò)并使用該網(wǎng)絡(luò)預(yù)訓(xùn)練權(quán)重進行遷移學(xué)習(xí)，在網(wǎng)絡(luò)的全連接層后加入dropout對神經(jīng)元進行隨機失活。在經(jīng)過數(shù)據(jù)增強的猴痘病數(shù)據(jù)集上進行了網(wǎng)絡(luò)的訓(xùn)練，最終達到了97.9%的識別準(zhǔn)確率，相比于VGG16和AlexNet網(wǎng)絡(luò)具有更高的識別準(zhǔn)確率。關(guān)鍵詞：圖像識別；分類識別；深度學(xué)習(xí)；殘差網(wǎng)絡(luò)；遷移學(xué)習(xí)中圖分類號：TP391? ? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2022
電腦知識與技術(shù) 2022年33期2022-04-02
- 基于深度學(xué)習(xí)的生活垃圾分類
：垃圾分類;遷移學(xué)習(xí);數(shù)據(jù)增廣;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號：TP311? ? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2022）03-099-02開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：1 前言在2018年，中國已經(jīng)成了為全球產(chǎn)生垃圾最多的國家，且在近幾年生活垃圾產(chǎn)量保持5%左右的增長[1]。據(jù)國家統(tǒng)計局發(fā)布的《中國統(tǒng)計年鑒2020》指出，在2019年全國生活垃圾清運量就已達24206.2萬噸[2]。與日俱增的垃圾不僅對寶貴空間資源造成了占用，而且
電腦知識與技術(shù) 2022年3期2022-03-12
- 基于遷移學(xué)習(xí)的OCT視網(wǎng)膜圖像分類研究
型基礎(chǔ)上采用遷移學(xué)習(xí)。最后，將提取的特征輸入模型網(wǎng)絡(luò)進行分類。實驗在數(shù)據(jù)集上進行驗證，在準(zhǔn)確率、靈敏度等評價指標(biāo)上均有所提升。關(guān)鍵詞：遷移學(xué)習(xí)；視網(wǎng)膜；殘差網(wǎng)絡(luò)；OCT；圖像分類中圖分類號：TP183? ? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2022）34-0029-031 概述隨著全球經(jīng)濟的持續(xù)增長，生活水平的大幅提高，醫(yī)療條件的改善，人類的平均壽命已達到了前所未有的水平。但是，由于與眼睛健康相關(guān)的退化效應(yīng)隨著年齡的增長而增加，因此眼病
電腦知識與技術(shù) 2022年34期2022-02-20
- 基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌良惡性診斷
數(shù)據(jù)集，使用遷移學(xué)習(xí)，將在ImageNet數(shù)據(jù)集上訓(xùn)練得到的權(quán)重作為該網(wǎng)絡(luò)的初始化參數(shù)，該模型在乳腺癌數(shù)據(jù)集Breakhis上得到的準(zhǔn)確率可以達到95%，而在經(jīng)過解凍部分訓(xùn)練層、調(diào)整學(xué)習(xí)率等優(yōu)化操作之后，分類準(zhǔn)確率最高可以達到99%。實驗結(jié)果表明，優(yōu)化后的方法在乳腺癌良惡性診斷準(zhǔn)確率方面有很大的提高。關(guān)鍵詞：乳腺癌;卷積神經(jīng)網(wǎng)絡(luò);圖像分類;數(shù)據(jù)增強;遷移學(xué)習(xí)中圖分類號：TP391? ? ?文獻標(biāo)識碼：A文章編號：2096-1472（2022）-01-06-
軟件工程 2022年1期2022-01-04
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的手機玻璃蓋板表面缺陷分類檢測研究
基礎(chǔ)，并結(jié)合遷移學(xué)習(xí)和SE模塊，搭建手機玻璃蓋板表面缺陷分類檢測模型。實驗表明，最終分類準(zhǔn)確率達96.40%，并且使用了Grad-CAM技術(shù)進行可視化分析，結(jié)果顯示模型是根據(jù)缺陷所在區(qū)域特征進行預(yù)測的，說明沒有出現(xiàn)過擬合現(xiàn)象。關(guān)鍵詞：玻璃蓋板;深度卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);SE模塊;分類檢測中圖分類號：TP391 ? ? 文獻標(biāo)識碼：AAbstract： In order to realize the classified detection of poin
軟件工程 2021年12期2021-12-08
- 循“長短”，探“大小”
習(xí)經(jīng)驗，注重遷移學(xué)習(xí)，建立知識之間的連接。本文以面積概念的教學(xué)為例，通過問題創(chuàng)設(shè)、激發(fā)經(jīng)驗、操作理解、舉一反三，讓學(xué)生內(nèi)化面積概念本質(zhì)，初步形成幾何度量的認(rèn)知結(jié)構(gòu)。【關(guān)鍵詞】概念教學(xué) 面積 本質(zhì)理解 遷移學(xué)習(xí) 結(jié)構(gòu)一、教學(xué)設(shè)計思考“面積”單元是北師大版數(shù)學(xué)三年級下冊的教學(xué)內(nèi)容。教材對“什么是面積”和“面積單位”安排了兩個課時的教學(xué)，第一課時主要是結(jié)合實例，認(rèn)識面積含義，通過比較長方形與正方形面積的活動，探索比較面積大小的方法;第二課時是認(rèn)識常用的面積單位，
小學(xué)教學(xué)研究·教研版 2021年9期2021-11-25
- 基于遷移學(xué)習(xí)的多模型水稻病害識別方法研究
學(xué)習(xí)技術(shù)結(jié)合遷移學(xué)習(xí)方法識別常見水稻病害。使用當(dāng)前深度學(xué)習(xí)領(lǐng)域經(jīng)典網(wǎng)絡(luò)模型VGG、ResNet、DenseNet、InceptionResNet、Xception模型作為預(yù)訓(xùn)練模型，通過比較不同模型在新任務(wù)上的表現(xiàn)，選取性能最好且最穩(wěn)定的Xception模型作為最終模型。試驗結(jié)果顯示，DenseNet、InceptionResNet、Xception的識別準(zhǔn)確率可以達到97%，尤其是Xception模型不僅可以達到98.50%的最高識別準(zhǔn)確率而且是最穩(wěn)定的
安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25
- 軸承智能故障診斷技術(shù)發(fā)展
提取過程，而遷移學(xué)習(xí)更使變工況下故障診斷達到極好地效果。本文闡述傳統(tǒng)故障診斷方法，討論人工智能時代軸承智能診斷技術(shù)的發(fā)展方向。關(guān)鍵詞：滾動軸承;深度學(xué)習(xí);遷移學(xué)習(xí);故障診斷1 前言軸承作為現(xiàn)代機電裝備中的重要零部件之一，其在制造業(yè)下各個領(lǐng)域都得到廣泛應(yīng)用，比如工程機械，軍事裝備，礦產(chǎn)采集等，其工作狀態(tài)對設(shè)備的精度、效率、維護成本等有很大影響。因而，為延長軸承的工作壽命，降低經(jīng)濟成本并避免安全事故的發(fā)生，對軸承進行及時的故障診斷就很有必要?！吨袊圃?025
裝備維修技術(shù) 2021年37期2021-11-03
- 高中文言文遷移學(xué)習(xí)研究
：高中文言文遷移學(xué)習(xí)重在實現(xiàn)以事實性知識為學(xué)習(xí)基點的知識學(xué)習(xí)的遷移和道德學(xué)習(xí)的遷移。從遷移路徑來看，知識學(xué)習(xí)的遷移主要是由點向面的，而道德學(xué)習(xí)的遷移是由內(nèi)向外的。將課上文言文閱讀教學(xué)互動中學(xué)到的內(nèi)容遷移到新的情境中去，是文言文閱讀教學(xué)提質(zhì)增效的重要實現(xiàn)路徑。關(guān)鍵詞：文言文 遷移學(xué)習(xí) 知識學(xué)習(xí) 道德學(xué)習(xí)舉一隅須以三隅反。將課上文言文閱讀教學(xué)互動中學(xué)到的內(nèi)容遷移到新的情境中去，是文言文閱讀教學(xué)提質(zhì)增效的重要目標(biāo)。為解決文言文閱讀教學(xué)困境，語文課堂雖不必全然囿于
文學(xué)教育下半月 2021年10期2021-10-29
- 基于傳感器的智能盆栽養(yǎng)護系統(tǒng)的設(shè)計和實現(xiàn)
。該系統(tǒng)利用遷移學(xué)習(xí)技術(shù)進行花卉識別，并通過多種傳感器和單片機檢測和傳輸盆栽的相關(guān)信息，還具有社區(qū)交流、線上商城等功能。關(guān)鍵詞： 遷移學(xué)習(xí); 單片機; 傳感器; 微信小程序; SpringBoot中圖分類號：TP311.1? ? ? ? ? 文獻標(biāo)識碼：A? ? ?文章編號：1006-8228（2021）09-46-05Abstract： In daily life， people often encounter various troubles in p
計算機時代 2021年9期2021-10-08
- 基于神經(jīng)網(wǎng)絡(luò)的家居智能分類垃圾桶
;智能分類;遷移學(xué)習(xí);家居垃圾桶中圖分類號：TP183? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2021）21-0114-04開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：Household Intelligent Classification Trash Bin Based on Neural NetworkCAO Yu-yu， BAO Rong，QIANG Xu-yan，ZU Hong-lei（Information and Electrica
電腦知識與技術(shù) 2021年21期2021-09-23
- 基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測研究
模型，并基于遷移學(xué)習(xí)算法構(gòu)建既有建筑電力數(shù)據(jù)和新建建筑電力負(fù)荷間的聯(lián)系，通過既有建筑負(fù)荷歷史數(shù)據(jù)訓(xùn)練所得模型來預(yù)測新建建筑電力負(fù)荷，以南京市某辦公建筑為例驗證所構(gòu)建的負(fù)荷預(yù)測模型，預(yù)測誤差可保持在7.8%以內(nèi)，所提出的電力負(fù)荷預(yù)測方法可為實際電力負(fù)荷預(yù)測計量提供參考。關(guān)鍵詞：電力負(fù)荷預(yù)測;深度學(xué)習(xí);遷移學(xué)習(xí);建筑能耗0 引言電力負(fù)荷預(yù)測是智能電網(wǎng)的基礎(chǔ)性功能，對未來智慧城市發(fā)展具有重要作用，對城市穩(wěn)定高效運轉(zhuǎn)具有重要意義，直接影響城市未來發(fā)展和人民生活水平
機電信息 2021年23期2021-09-14
- 基于遷移學(xué)習(xí)的藝術(shù)化風(fēng)格圖像的創(chuàng)作
量不斷提高。遷移學(xué)習(xí)藝術(shù)化風(fēng)格圖像創(chuàng)作目的在于幫助人們對一些普通圖片進行處理，將其打造為符合人們審美觀的藝術(shù)作品，通過其人工智能的深度訓(xùn)練模式，能夠較為熟練和迅速的將圖片進行處理?；诖耍疚膶τ凇?span id="j5i0abt0b" class="hl">遷移學(xué)習(xí)的藝術(shù)化風(fēng)格圖像的創(chuàng)作”進行分析，希望可以為人工智能方向上有興趣的人們提供相應(yīng)幫助。關(guān)鍵詞：遷移學(xué)習(xí);人工智能;藝術(shù)化風(fēng)格圖像;創(chuàng)作人工智能中，最為重要的在于GPU芯片，GPU的主要作用是加速圖片處理，對數(shù)據(jù)量大且程序類型不復(fù)雜的程序能有很強大的運行能
錦繡·中旬刊 2021年10期2021-08-23
- 基于Resnet-101深度學(xué)習(xí)網(wǎng)絡(luò)的路面類型識別研究
征。本文基于遷移學(xué)習(xí)，通過Resnet-101深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)對路面類型進行識別，訓(xùn)練所得的模型對本文給出的四種路面類型的識別準(zhǔn)確率可達98.33%，相較于使用此前較為常用的Alexnet、GoogLenet等網(wǎng)絡(luò)有著較為明顯的提升，在相同的迭代次數(shù)的條件下，Resnet-101的準(zhǔn)確率較高，且在道路實車試驗中取得了良好的表現(xiàn)。關(guān)鍵詞：遷移學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 路面類型識別Research on Road Terrain Recognition based
時代汽車 2021年16期2021-08-23
- 生成式對抗網(wǎng)絡(luò)在自然語言處理中的應(yīng)用
序列生成; 遷移學(xué)習(xí)文章編號： 2095-2163（2021）03-0181-05 中圖分類號：TP391;TH166 文獻標(biāo)志碼：A【Abstract】Generative Adversarial Networks （GAN） is a kind of simple generative model， for it does not rely on any prior probability and can generate real-like data
智能計算機與應(yīng)用 2021年3期2021-08-09
- VAE過采樣與遷移學(xué)習(xí)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用
測模型時采用遷移學(xué)習(xí)方法，先在過采樣后混合的數(shù)據(jù)集上預(yù)訓(xùn)練，再遷移到原數(shù)據(jù)集上進行訓(xùn)練，得到最終的檢測模型。在NSL-KDD數(shù)據(jù)集上進行實驗，網(wǎng)絡(luò)入侵檢測模型使用前饋神經(jīng)網(wǎng)絡(luò)。結(jié)果表明，基于深度學(xué)習(xí)的VAE過采樣方法比傳統(tǒng)的SMOTE過采樣方法要更加有效，提高了網(wǎng)絡(luò)入侵檢測模型準(zhǔn)確率3.23%。關(guān)鍵詞： 網(wǎng)絡(luò)入侵檢測; VAE; 遷移學(xué)習(xí); SMOTE; 不平衡數(shù)據(jù)中圖分類號：TP393.08? ? ? ? ? 文獻標(biāo)識碼：A? ? ? 文章編號：1006
計算機時代 2021年7期2021-08-06
- 基于k-means分割和遷移學(xué)習(xí)的番茄病理識別
ans分割與遷移學(xué)習(xí)相結(jié)合，提出一種基于k-means分割和遷移學(xué)習(xí)的方法對番茄病害葉片進行識別。首先對原始圖像進行一系列預(yù)處理，再將處理后的圖像進行k-means分割，得到葉片邊緣的最小矩陣圖像，之后進行去噪處理，簡化突出圖像特征，再根據(jù)預(yù)處理后的圖像特點，優(yōu)化改進遷移的VGG16網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建 CNN 模型對預(yù)處理后圖像進行識別。結(jié)果顯示，通過分割后訓(xùn)練方式平均精度提升了0.37百分點，通過凍結(jié)遷移的VGG16網(wǎng)絡(luò)第1個卷積模塊并修改全連接層的方法提升
江蘇農(nóng)業(yè)科學(xué) 2021年12期2021-08-02
- 無刷直流電機匝間短路故障定位及 定量評估方法研究
一種結(jié)合深度遷移學(xué)習(xí)和多維特征擬合方法，以實現(xiàn)匝間短路故障的精確定位和定量評估。同步采集電機定子繞組的三相電流信號，將一維電流信號轉(zhuǎn)化為圖像信號，采用基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)匝間短路故障的定位，在確定故障相之后，從電流信號中提取并篩選敏感特征，采用特征擬合方法實現(xiàn)故障等級的定量評估。實驗結(jié)果表明，所提出的方法能夠?qū)崿F(xiàn)100%精度的故障相定位，同時故障定量評估的相對平均誤差低至4.33%。該方法對于永磁電機系統(tǒng)的定子繞組故障精確定位和精密診斷具有潛在的
河北科技大學(xué)學(xué)報 2021年3期2021-07-25
- 基于遷移學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測
侵檢測模型;遷移學(xué)習(xí)一、引言如今，我們已經(jīng)進入了“互聯(lián)網(wǎng)+”社會，互聯(lián)網(wǎng)廣泛應(yīng)用在跨境電商、金融交易、在線學(xué)習(xí)、移動醫(yī)療、生活服務(wù)等領(lǐng)域，讓人們的生活更加便捷。與此同時，它也帶來了黑客的襲擊、信息泄露等網(wǎng)絡(luò)安全問題。而網(wǎng)絡(luò)入侵技術(shù)則是網(wǎng)絡(luò)技術(shù)不斷發(fā)展的成果，它能夠彌補傳統(tǒng)的網(wǎng)絡(luò)安全技術(shù)的不足，協(xié)助網(wǎng)絡(luò)用戶檢測網(wǎng)絡(luò)內(nèi)各種安全漏洞，對網(wǎng)絡(luò)設(shè)備及流量進行監(jiān)視和分析，并在發(fā)現(xiàn)入侵時發(fā)出警報。目前如何提高檢測技術(shù)的有效性、實用性、適應(yīng)性、可擴展性是網(wǎng)絡(luò)安全方面研究的
消費電子 2021年6期2021-07-17
- 遷移學(xué)習(xí)在活躍理工科課堂中的嘗試
理，嘗試通過遷移學(xué)習(xí)方法，對課本知識點進行深度挖掘和廣度拓展，通過這兩個維度的剖析，深入淺出地進行知識講解，從而激發(fā)學(xué)生的學(xué)習(xí)熱情，引發(fā)學(xué)生的思考，改善知識傳授和技能提升效果。[關(guān)鍵詞] 遷移學(xué)習(xí);知識拓展;C語言程序設(shè)計;互動教學(xué)[基金項目] 2020年度國家自然科學(xué)基金青年科學(xué)基金項目“視頻中復(fù)雜交互集體行為識別及語義分析研究”（62002330）[作者簡介] 朱真峰（1980—），男，河南南陽人，博士，鄭州大學(xué)信息工程學(xué)院副教授，主要從事機器學(xué)習(xí)、數(shù)
教育教學(xué)論壇 2021年16期2021-06-22
- 基于DenseNet的帶鋼表面缺陷智能識別系統(tǒng)研究
上搭建，采用遷移學(xué)習(xí)的方法對帶鋼表面的6種缺陷進行識別，訓(xùn)練過程中凍結(jié)基礎(chǔ)模型DenseNet的頂層部分，利用數(shù)據(jù)擴充、添加BN層防止過擬合。最終模型在訓(xùn)練集上的正確率為99.33%，在測試集上每一類缺陷的正確率均超過97%，其間繪制出混淆矩陣。最后，搭建缺陷識別系統(tǒng)的GUI界面，實現(xiàn)帶鋼表面缺陷識別的可視化功能，提高用戶體驗。關(guān)鍵詞：缺陷檢測;圖像識別;遷移學(xué)習(xí);DenseNet;GUI;PyQt5中圖分類號：TTH164;TP29文獻標(biāo)識碼：A 文章編
河南科技 2021年3期2021-05-17
- 基于遷移學(xué)習(xí)的注意力膠囊網(wǎng)絡(luò)
網(wǎng)絡(luò)，即基于遷移學(xué)習(xí)的注意力膠囊網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過使用遷移學(xué)習(xí)的方法改進傳統(tǒng)的特征提取網(wǎng)絡(luò)，并融合注意力機制模塊，進而完成圖像分類任務(wù)。首先，使用9層采用ELU激活函數(shù)的特征提取網(wǎng)絡(luò)提取特征;然后，將特征提取網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上訓(xùn)練所得參數(shù)，通過遷移學(xué)習(xí)用于CIFAR10數(shù)據(jù)集上;再者，在特征提取網(wǎng)絡(luò)后加入注意力模塊提取關(guān)鍵特征;最后，在MNIST、FashionMNIST、SVHN和CIFAR10等公開數(shù)據(jù)集上進行了對比實驗。實驗結(jié)果表明，本文提
智能計算機與應(yīng)用 2021年2期2021-05-11
- 一種基于遷移學(xué)習(xí)的車道線檢測方法
提出一種基于遷移學(xué)習(xí)的車道線檢測方法，用Darknet53替代原DeepLabv3+的特征提取網(wǎng)絡(luò)。針對圖片中車道線類與背景類分布極不平衡的問題，使用Focal Loss函數(shù)替代CE Loss函數(shù)。實驗結(jié)果表明，該方法的檢測效果比原網(wǎng)絡(luò)好，平均交并比達到76.95%，具有良好的準(zhǔn)確性。關(guān)鍵詞：車道線檢測;遷移學(xué)習(xí);DeepLabv3+中圖分類號：TP391.4? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A文章編號：2096-4706（2021）20-008
現(xiàn)代信息科技 2021年20期2021-05-09
- 中餐主食圖像識別研究
積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的方法，完成對共計20類中餐主食接近2萬張的圖片進行了訓(xùn)練和測試，得到了較為滿意的結(jié)果。將訓(xùn)練得到的網(wǎng)絡(luò)模型通過應(yīng)用框架進行了安卓平臺的移植開發(fā)，實際應(yīng)用效果表現(xiàn)良好。關(guān)鍵詞：中餐主食;卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);圖像識別;安卓平臺1 緒論近年來圖像的分類和識別技術(shù)被應(yīng)用于各個不同領(lǐng)域，如衛(wèi)生、交通、智能機器人和食品加工等。對圖像進行分類和識別的方法很多，其中最常用的為提取圖像的顏色、形狀、紋理等特征，然后將這些特征輸入到機器學(xué)習(xí)算法中進行
電腦知識與技術(shù) 2021年5期2021-04-13
- 多任務(wù)環(huán)境下融合遷移學(xué)習(xí)的新冠疫情新聞要素識別研究
務(wù)環(huán)境下融合遷移學(xué)習(xí)的疫情新聞要素識別方法，向公眾提供面向應(yīng)急事件的知識服務(wù)。[方法/過程]首先，通過多任務(wù)識別新聞要素：基于規(guī)則識別時間要素;并融合模型遷移與深度學(xué)習(xí)方法，構(gòu)建跨領(lǐng)域的要素識別模型。在此基礎(chǔ)上，構(gòu)建疫情新聞要素的關(guān)聯(lián)數(shù)據(jù)，以知識圖譜的方式展示各要素之間的關(guān)聯(lián)關(guān)系。[結(jié)果/結(jié)論]實驗結(jié)果表明，除藥物外的新聞要素的識別F1值均在80%以上，說明融合遷移學(xué)習(xí)的模型能夠取得較優(yōu)的識別效果;并且，關(guān)聯(lián)數(shù)據(jù)知識圖譜能夠直觀顯示新聞的重點要素及新聞的主
知識管理論壇 2021年1期2021-04-06
- 基于深度殘差網(wǎng)絡(luò)的玉米病害識別
度殘差網(wǎng)絡(luò);遷移學(xué)習(xí)中圖分類號： TP391 文獻標(biāo)識碼： A 文章編號： 1000-4440（2021）01-0067-08Corn disease recognition based on deep residual networkLIU Ao-yu1， WU Yun-zhi1，2， ZHU Xiao-ning3， FAN Guo-hua1，2，YUE Yi1，2， ZHANG You-hua1，2（1.School of Information an
江蘇農(nóng)業(yè)學(xué)報 2021年1期2021-03-25
- 一種基于遷移學(xué)習(xí)的城市內(nèi)澇識別方法研究
，本研究采用遷移學(xué)習(xí)的方法對城市內(nèi)澇深度進行監(jiān)測。以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過將提取的特征向量集和標(biāo)注內(nèi)澇深度的數(shù)據(jù)集輸入LASSO模型中進行訓(xùn)練，計算出城市內(nèi)澇深度。同時，以江西省南昌市近5年來內(nèi)澇圖片數(shù)據(jù)為例進行實證檢驗。結(jié)果顯示，該方法預(yù)測結(jié)果與真實的內(nèi)澇水位偏差較小，與實際內(nèi)澇發(fā)生情況的吻合程度較高。因此，該方法能有效識別城市內(nèi)澇的真實情況，對應(yīng)對頻發(fā)的城市洪水災(zāi)害問題具有重要意義。關(guān)鍵詞：遷移學(xué)習(xí);城市內(nèi)澇;卷積神經(jīng)網(wǎng)絡(luò);圖像識別中圖分類號：TP1
河南科技 2021年28期2021-03-10
- 基于STEM的初中學(xué)生算法思想建構(gòu)的策略研究
材思想、引導(dǎo)遷移學(xué)習(xí)這三個層次實施建構(gòu)算法思想的策略。本研究致力于幫助學(xué)生建構(gòu)算法思想，提升解決問題的能力，養(yǎng)成科學(xué)的思維方式。【關(guān)鍵詞】算法思想;直覺思考;遷移學(xué)習(xí)中圖分類號：G633? ? ? 文獻標(biāo)識碼：A? ? ? 文章編號：0493-2099（2021）03-0072-03【Abstract】Algorithm is the basis of computer science， algorithm idea refers to according
天津教育·下 2021年1期2021-03-08
- 聯(lián)合遷移學(xué)習(xí)和深度學(xué)習(xí)的側(cè)掃聲吶沉船識別方法
提出一種聯(lián)合遷移學(xué)習(xí)和深度學(xué)習(xí)的沉船側(cè)掃聲吶圖像識別方法。在不采用遷移學(xué)習(xí)的情況下，用沉船聲吶樣本數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，將結(jié)果保存作為對照組。應(yīng)用弱相關(guān)數(shù)據(jù)集，對網(wǎng)絡(luò)進行訓(xùn)練，然后將網(wǎng)絡(luò)參數(shù)遷移到新網(wǎng)絡(luò)中，再使用沉船聲吶樣本數(shù)據(jù)集訓(xùn)練;應(yīng)用強相關(guān)數(shù)據(jù)集重復(fù)上述步驟。在AlexNet網(wǎng)絡(luò)結(jié)構(gòu)上進行試驗，試驗結(jié)果表明：在未遷移的情況下，正確率為70.58%;應(yīng)用弱相關(guān)數(shù)據(jù)集訓(xùn)練，正確率為74.51%;應(yīng)用強相關(guān)數(shù)據(jù)集訓(xùn)練，正確率為80.39%。試驗證明，遷移學(xué)習(xí)算法
河南科技 2021年36期2021-03-08
- 基于目標(biāo)檢測和遷移學(xué)習(xí)的電成像測井裂縫識別
;YOLO;遷移學(xué)習(xí)中圖分類號：TP391? ? ? 文獻標(biāo)識碼：A文章編號：1009-3044（2021）36-0032-05開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：1 引言一直以來，裂縫性儲層都是勘探的難點和重點，裂縫的導(dǎo)流程度對油氣井的產(chǎn)出情況有很大的影響，在采油過程中，裂縫和半裂縫的識別是非常重要的。地質(zhì)勘探工作中，反映裂縫信息較多的是成像測井圖像，傳統(tǒng)的人工拾取裂縫的方法工作量大，且存在較大誤差，所以需要提出一種智能提取裂縫，且對其進行準(zhǔn)確識別的
電腦知識與技術(shù) 2021年36期2021-03-07