检索结果-南通市图书馆

基于稠密网络的无人驾驶汽车交通标志牌识别技术研究

在线全文

学校读者我要写书评

暂无评论

基于稠密网络的无人驾驶汽车交通标志牌识别技术研究

作者：汪明明重庆交通大学

学位级别：硕士

众所周知,无人驾驶汽车环境感知技术中一个重要环节是交通标志牌检测识别。计算机计算水平地不断提升,以及人工智能催生的机器学习、深度学习的深入研究,为交通标志牌识别的研究指明了方向,识别系统实时性与准确性逐渐得到提高。本文以... 详细信息

众所周知,无人驾驶汽车环境感知技术中一个重要环节是交通标志牌检测识别。计算机计算水平地不断提升,以及人工智能催生的机器学习、深度学习的深入研究,为交通标志牌识别的研究指明了方向,识别系统实时性与准确性逐渐得到提高。本文以研究高准确性与高实时性自动交通标志牌检测和识别系统为目标,通过研究分析目前各方面性能表现优异的深层卷积神经网络,利用深度学习的方法构建交通标志牌识别模型。主要研究工作点如下:1)对深层卷积神网络的综述。首先介绍卷积神经网络的基础构件及方法,理解其对网络特征提取效率,降低计算量,加速网络收敛等起到了重要作用;然后介绍各类深层卷积神经网络的结构与发展脉络,其结果是深层卷积神经网络性能不断得到提升;重点分析Res Net(残差网络)和Dense Net(稠密网络),通过展开Res Net后发现,当实际路径长于有效路径时,法向传播过程权值无法得到更新,即反向传播的过程中能确保更新权值,这就是Dense Net提出来的意义。2)设计交通标志牌识别稠密网络模型。本文稠密网络模型主要有三个部分组成,即预处理网络、特征提取网络、分类网络。预处理网络是指粗略地对数据集进行颜色空间转换、提取图像特征,为后续的特征提取层做预处理;特征提取网络采用Dense Net的稠密块构建方法,提出宽浅稠密网络的设计思路,减少训练时间和内存占用;分类网络则采用average pooling(全局平均池化),每张特征图均对应一个输出类特征。3)数据集扩增处理。采用German Traffic Sign Dataset数据集来训练和验证模型,通过翻转操作和数据增强操作来扩充训练集图片数量,并且考虑到各类间图片数量均衡,重采样了训练集,随机选取训练样本进行形态学变换和照度变换,经过数据扩增后训练集数量增至860000张。4)稠密网络模型训练与测试。训练过程设置超参数,其中损失函数包含Soft Max分类交叉熵损失和L2正则损失,优化解析器采用SGD(Stochastic Gradient Descent,即随机梯度下降)。在迭代训练时采用动态数据扩增的策略使得网络适应训练数据变化,在检测和识别实验中选取一般环境和特殊环境下标志牌识别。

关键词：无人驾驶交通标志牌识别深度学习深层卷积神经网络稠密网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稠密网络的DNA结合蛋白质预测方法

重庆科技学院学报（自然科学版） 2020年第5期22卷 81-85页

作者：李国斌杜秀全李新路吴志泽合肥学院人工智能与大数据学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601

提出了一种基于深度学习的DNA结合蛋白识别方法(DBP-DenseNet)。以稠密网络代替传统的金字塔式卷积神经网络(CNN)结构,将上一层的特征信息整合到下一层,利用层间的特征融合来学习整个氨基酸序列的综合特征;由双向长短期记忆网络(Bi-LSTM... 详细信息

提出了一种基于深度学习的DNA结合蛋白识别方法(DBP-DenseNet)。以稠密网络代替传统的金字塔式卷积神经网络(CNN)结构,将上一层的特征信息整合到下一层,利用层间的特征融合来学习整个氨基酸序列的综合特征;由双向长短期记忆网络(Bi-LSTM)负责在氨基酸序列上下文中获取长期依赖关系。实验结果表明,稠密连接可以有效提高模型的特征表达能力。

关键词： DNA结合蛋白预测词嵌入稠密网络双向长短期记忆网络

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

在线全文

学校读者我要写书评

暂无评论

汽车技术 2020年第1期 12-18页

作者：邓涛李鑫汪明明邓彪重庆交通大学

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在... 详细信息

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。

关键词：无人驾驶交通标志牌识别深度学习深层卷积神经网络稠密网络

在线全文

学校读者我要写书评

暂无评论

基于邻接矩阵的复杂网络演化融合迭代方法

复杂系统与复杂性科学 2024年

作者：牟奇锋李晓倩中国民用航空飞行学院机场学院

为更高效地处理复杂网络拓扑结构的连续拆分与重组，降低算力消耗，提出邻接矩阵融合迭代方法。通过邻接矩阵行列向量融合实现复杂网络聚合，定义网络演化融合拆分迭代步骤及形式，并以构建航班保障网络为例进行实证分析。最后，模拟有... 详细信息

为更高效地处理复杂网络拓扑结构的连续拆分与重组，降低算力消耗，提出邻接矩阵融合迭代方法。通过邻接矩阵行列向量融合实现复杂网络聚合，定义网络演化融合拆分迭代步骤及形式，并以构建航班保障网络为例进行实证分析。最后，模拟有向网络的融合拆分过程，引入时间、空间复杂度指标验证该方法的有效性。结果表明，所提方法与实证网络拓扑结构的演化生成过程一致，其运算复杂度较其他方法更低，尤其适用于有向稠密网络研究。

关键词：复杂网络拓扑结构连续拆分与重组邻接矩阵融合迭代航班保障网络稠密网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的HEVC编码复杂度优化方法

辽宁工程技术大学学报（自然科学版） 2024年第3期43卷 351-358页

作者：沈玉志金雪莹李天一辽宁工程技术大学工商管理学院辽宁阜新123000 北京航空航天大学电子信息工程学院北京100191

为降低高效率视频编码(HEVC)的计算复杂度,提出一种基于深度学习的复杂度优化方法。构建大规模编码单元(CU)划分数据库,为算法设计和神经网络训练提供数据基础;设计一种适用于HEVC的CU划分图模型,高效表征多个邻近CU的划分模式;在此基础... 详细信息

为降低高效率视频编码(HEVC)的计算复杂度,提出一种基于深度学习的复杂度优化方法。构建大规模编码单元(CU)划分数据库,为算法设计和神经网络训练提供数据基础;设计一种适用于HEVC的CU划分图模型,高效表征多个邻近CU的划分模式;在此基础上,提出一种基于稠密网络的分层卷积神经网络结构,准确预测HEVC中的三级CU划分结果。实验结果表明:该方法能够在保证编码效率前提下,平均节省57%的编码时间,有效解决了HEVC编码复杂度过高的瓶颈。

关键词：高效率视频编码复杂度优化编码单元深度学习稠密网络

维普期刊数据库博看期刊

基于稠密连接时空双流网络的行为识别方法研究

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2022年第18期45卷 134-138页

作者：程换新孙胜意骆晓玲王雪青岛科技大学自动化与电子工程学院青岛266061 青岛科技大学机电工程学院青岛266061

针对视频中复杂人体动作识别精度低、效率差的问题,提出了一种时空特征提取的稠密连接网络模型。首先利用两个稠密连接网络进行时空特征的提取;其次构建时空网络间的稠密连接,将时间网络中提取到的特征信息逐层输入到空间流网络中,提高... 详细信息

针对视频中复杂人体动作识别精度低、效率差的问题,提出了一种时空特征提取的稠密连接网络模型。首先利用两个稠密连接网络进行时空特征的提取;其次构建时空网络间的稠密连接,将时间网络中提取到的特征信息逐层输入到空间流网络中,提高两个流的时空交互性;然后使用LSTM网络分别对双流网络特征进行处理得到两个流的预测结果;最后融合双流网络的预测结果,从而实现视频中复杂行为的识别。在UCF101和HMDB51两个基准数据集上进行对比实验,得到94.69%和68.87%的准确率,优于其他算法。实验证明,本文模型可增加时空网络之间的交互性,有利于对复杂人体动作的识别。

关键词：时空双流模型稠密网络人体动作识别 LSTM

在线全文

学校读者我要写书评

暂无评论

基于稠密扩张卷积网络的时序行为检测

基于稠密扩张卷积网络的时序行为检测

作者：朱时兵电子科技大学

学位级别：硕士

近年来,随着深度学习技术在计算机视觉领域日益发展,人工智能时代的脚步离我们越来越近。特别地,由于在安防、人机交互、视频分析等方向表现出十分有潜力的应用前景,视频时序行为检测任务引起科研界研究人员的广泛关注,随之而来的是层... 详细信息

近年来,随着深度学习技术在计算机视觉领域日益发展,人工智能时代的脚步离我们越来越近。特别地,由于在安防、人机交互、视频分析等方向表现出十分有潜力的应用前景,视频时序行为检测任务引起科研界研究人员的广泛关注,随之而来的是层出不穷和日新月异的研究成果。与行为识别任务有所区别的是,在未处理的长视频之上,行为检测不仅需要输出行为类别,而且更重要地需要定位出行为片段的精确的起始和结束时间,这是一项更富挑战的计算机视觉任务。行为识别与行为检测之间的关系同图像分类和目标检测之间的关系很像。基于图像分类问题,发展出了许多强大的网络模型如残差网络,这些模型在目标检测的方法中也起到了很大的作用。同样,行为识别的相关模型如双流网络,在时序行为检测中也被广泛应用。由于行为识别和行为检测之间存在一定的相似性,所以很多行为检测框架都采用了和目标检测方法相似的框架。行为检测任务的挑战大致总结为三点:首先,在目标检测中物体目标的边界通常是非常明确的,所以可以标注出较为明确的边界框。但时序行为检测的边界很多时候并不是很明确,开始和结束时间在帧级上很难精确;其次,只使用静态图像的信息,而不结合时序信息在行为识别中通常也可以得到比较不错的效果,但是在时序行为检测中,由于边界定位对时序信息有很强的依赖,必须结合时序信息;最后,时序行为片段的时间跨度变化可能比较大,在有些数据集中,最短行为片段可能只有一秒,然而最长的行为片段超过10秒。这对网络对多尺度信息和长时序信息的捕捉能力是要求很高的。本文提出了一种基于稠密扩张卷积的一种新颖的有效捕捉多尺度和长时序信息的网络模块(Dense Dilated Temporal Network,DDTN)。该模块提炼了扩张卷积可以在不丢失信息的前提下扩大感受野尺寸和稠密网络对信息高效融合和传播的优势,并对通过设定稠密模块内扩张系数恒定和模块间扩张系数递增的模式将二者有机结合在一起组成了DDTN。通过内嵌扩张卷积操作的层级稠密网络模块的堆叠,DDTN可以有效地对时序行为检测任务中视频中长时序依赖和信息多尺度建模,很大程度上克服了时序行为检测问题的困难点。实验表明,在目前基于深度学习的时序行为检测两大解决方案中(基于细粒度帧级检测以及基于时序提议和分类回归的检测),DDTN均带来模型效果的提升。

关键词：深度学习行为检测行为识别多尺度扩张卷积稠密网络

基于双分支图卷积融合网络的水库区域地表覆盖遥感分类

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国农村水利水电 2023年第7期 124-131,138页

作者：张成才郭少华罗蔚然杨峰郑州大学水利科学与工程学院河南郑州450001 河南省出山店水库建设管理局河南信阳464000

准确的水库区域地表覆盖遥感分类,为水库生态环境保护、水库优化调度及水土保持等方面提供重要的基础数据。近年来,深度学习广泛应用于地表覆盖分类中,目前基于卷积神经网络的地表覆盖分类方法,通常是使用规则卷积核进行的局部空间运算... 详细信息

准确的水库区域地表覆盖遥感分类,为水库生态环境保护、水库优化调度及水土保持等方面提供重要的基础数据。近年来,深度学习广泛应用于地表覆盖分类中,目前基于卷积神经网络的地表覆盖分类方法,通常是使用规则卷积核进行的局部空间运算,难以捕获像元间的长距离依赖关系。因此提出一种双分支图卷积融合网络(Dual Graph Convolutional Fusion Network,Dual-GCFN)进行地表覆盖遥感分类,网络分为两部分,其中上分支利用K近邻算法构建像元间的拓扑关系图,然后用图神经网络(Graph Neural Network,GNN)聚合邻域特征更新目标节点信息,实现光谱特征的聚合;下分支利用稠密网络(Dense Convolutional Network,DenseNet)对影像局部块进行卷积,提取遥感影像的空间信息和高阶语义信息;最后通过维度通道Add操作将光谱特征和空间特征将进行有效融合,经过全连接层后使用Softmax分类器实现地表覆盖分类。以河南省出山店水库区域为研究对象,使用研究区的Sentinel-2遥感影像数据和DEM数据进行实验,结果表明:提出的Dual-GCFN分类总体精度和Kappa系数分别为90.63%和0.87,与经典分类方法随机森林分类(Random Forest,RF)、单一的GNN或者DenseNet的分类结果相比总体精度分别提高了15.97%、10.86%、4.64%,Kappa系数分别提高了0.26、0.24、0.08,且在分类结果中大幅减少了地物的错分现象和分类图中的点状噪声。

关键词：遥感地表覆盖深度学习图神经网络稠密网络

维普期刊数据库博看期刊

基于SE-DR-Res2Block的声纹识别方法

在线全文

学校读者我要写书评

暂无评论

工程科学学报 2023年第11期45卷 1962-1969页

作者：李平高清源夏宇张小勇曹毅江南大学机械工程学院无锡214122 江苏省食品先进制造装备技术重点实验室无锡214122

针对声纹识别领域中基于传统Res2Net模型特征表达能力不足、泛化能力不强的问题,提出了一种结合稠密连接与残差连接的特征提取模块SE-DR-Res2Block(Sequeeze and excitation with dense and residual connected Res2Block).首先,介绍了... 详细信息

针对声纹识别领域中基于传统Res2Net模型特征表达能力不足、泛化能力不强的问题,提出了一种结合稠密连接与残差连接的特征提取模块SE-DR-Res2Block(Sequeeze and excitation with dense and residual connected Res2Block).首先,介绍了应用传统Res2Block的ECAPA-TDNN(Emphasized channel attention,propagation and aggregation in time delay neural network)网络结构和稠密连接及其工作原理;然后,为实现更高效的特征提取,采用稠密连接进一步实现特征的充分挖掘,基于SEBlock(Squeeze and excitation block)将残差连接和稠密连接相结合,提出了一种更高效的特征提取模块SE-DR-Res2Net.该模块以一种更细粒化的方式获得不同生长速率和多种感受野的组合,从而获取多尺度的特征表达组合并最大限度上实现特征重用,以实现对不同层特征的信息进行有效提取,获取更多尺度的特征信息;最后,为验证该模块的有效性,基于不同网络模型采用SE-Res2Block(Sequeeze and excitation Res2Block)、FULL-SE-Res2Block(Fully connected sequeeze and excitation Res2Block)、SE-DR-Res2Block、FULL-SE-DR-Res2Block(Fully connected sequeeze and excitation with dense and residual connected Res2Block),分别在Voxceleb1和SITW(Speakers in the wild)数据集开展了声纹识别的研究.实验结果表明,采用SE-DR-Res2Block的ECAPATDNN网络模型,最佳等错误率分别达到2.24%和3.65%,其验证了该模块的特征表达能力,并且在不同测试集上的结果也验证了其具有良好的泛化能力.

关键词：深度学习声纹识别稠密网络残差网络多尺度特征