检索结果-南通市图书馆

An Approach for Human Posture Recognition Based on the Fusion PSE-CNN-BiGRU Model

在线全文

学校读者我要写书评

暂无评论

Computer Modeling in Engineering & Sciences 2024年第7期140卷 385-408页

作者： Xianghong Cao Xinyu Wang Xin Geng Donghui Wu Houru An School of Building and Environment Engineering Zhengzhou University of Light IndustryZhengzhou450000China

This study proposes a pose estimation-convolutional neural network-bidirectional gated recurrent unit(PSECNN-BiGRU)fusion model for human posture recognition to address low accuracy issues in abnormal posture recognition due to the loss of some feature information and the deterioration of comprehensive performance in model detection in complex home ***,the deep convolutional network is integrated with the Mediapipe framework to extract high-precision,multi-dimensional information from the key points of the human skeleton,thereby obtaining a human posture feature ***,a double-layer BiGRU algorithm is utilized to extract multi-layer,bidirectional temporal features from the human posture feature set,and a CNN network with an exponential linear unit(elu)activation function is adopted to perform deep convolution of the feature map to extract the spatial feature of the human ***,a squeeze and excitation networks(SENet)module is introduced to adaptively learn the importance weights of each channel,enhancing the network’s focus on important ***,comparative experiments are performed on available datasets,including the public human activity recognition using smartphone dataset(UCIHAR),the public human activity recognition 70 plus dataset(HAR70PLUS),and the independently developed home abnormal behavior recognition dataset(HABRD)created by the authors’*** results show that the average accuracy of the proposed PSE-CNN-BiGRU fusion model for human posture recognition is 99.56%,89.42%,and 98.90%,respectively,which are 5.24%,5.83%,and 3.19%higher than the average accuracy of the five models proposed in the comparative literature,including CNN,GRU,and *** F1-score for abnormal posture recognition reaches 98.84%(heartache),97.18%(fall),99.6%(bellyache),and 98.27%(climbing)on the self-builtHABRDdataset,thus verifying the effectiveness,generalization,and robustness of the proposed model in enhancing human posture rec

关键词： Posture recognition mediapipe BiGRU CNN elu attention

Sika Deer Facial Recognition Model Based on SE-ResNet

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2022年第9期72卷 6015-6027页

作者： He Gong Lin Chen Haohong Pan Shijun Li Yin Guo Lili Fu Tianli Hu Ye Mu Thobela Louis Tyasi College of Information Technology Jilin Agricultural UniversityChangchun130118China College of Electronic and Information Engineering Wuzhou UniversityWuzhou543003China Jilin Province Agricultural Internet of Things Technology Collaborative Innovation Center Changchun130118China Jilin Province Intelligent Environmental Engineering Research Center Changchun130118China Guangxi Key Laboratory of Machine Vision and Intelligent Control Wuzhou543003China Department of Agricultural Economics and Animal Production University of Limpopo0727PolokwaneSouth Africa

The scale of deer breeding has gradually increased in recent years and better information management is necessary,which requires the identification of individual *** this paper,a deer face dataset is produced using face images obtained from different angles,and an improved residual neural network(ResNet)-based recognition model is proposed to extract the features of deer faces,which have high *** model is based on ResNet-50,which reduces the depth of the model,and the network depth is only 29 layers;the model connects Squeeze-and-Excitation(SE)modules at each of the four layers where the channel changes to improve the quality of features by compressing the feature information extracted through the entire layer.A maximum pooling layer is used in the ResBlock shortcut connection to reduce the information loss caused by messages passing through the *** Rectified Linear Unit(Relu)activation function in the network is replaced by the Exponential Linear Unit(elu)activation function to reduce information loss during forward propagation of the *** preprocessed 6864 sika deer face dataset was used to train the recognition model based on SEResnet,which is demonstrated to identify individuals *** setting up comparative experiments under different structures,the model reduces the amount of parameters,ensures the accuracy of the model,and improves the calculation speed of the *** the improved method in this paper to compare with the classical model and facial recognition models of different animals,the results show that the recognition effect of this research method is the best,with an average recognition accuracy of 97.48%.The sika deer face recognition model proposed in this study is *** results contribute to the practical application of animal facial recognition technology in the breeding of sika deer and other animals with few distinct facial features.

关键词： Sika deer facial recognition model ResNet-50 se module shortcut connection elu

深度神经网络形式化验证算法Reluplex优化研究

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

深度神经网络形式化验证算法Reluplex优化研究

作者：陆明远天津理工大学

学位级别：硕士

形式化验证是采用数学语言来论证一个硬件系统或软件系统是否在理论上能正常运作的方法。而对深度神经网络进行验证测试,能够帮助检测和改进神经网络的鲁棒性、安全性等综合性能,从而使神经网络在工业、交通、医学等领域的应用更为安全... 详细信息

形式化验证是采用数学语言来论证一个硬件系统或软件系统是否在理论上能正常运作的方法。而对深度神经网络进行验证测试,能够帮助检测和改进神经网络的鲁棒性、安全性等综合性能,从而使神经网络在工业、交通、医学等领域的应用更为安全可靠和高效,这就需要利用基于形式化验证的方法,对现有的神经网络验证算法进行优化改进。Reluplex是现有的验证深度神经网络的算法之一,但它仍有许多缺陷和不足之处,例如仅限于能验证基于Relu激活函数的神经网络、有相当多的超时点无法验证、所耗时间和资源过多等等。本设计对Reluplex算法进行一系列改造和优化,以提高其运作效率并扩展其的验证功能。先是使之能验证elu激活函数,随后再对整个算法加入多线程并行法、紧致化上下界和冲突分析以撤销拆分等优化措施,以节省整个算法的运行时间和至少攻克一部分超时点。这些优化既针对测试基于Relu激活函数的神经网络,也针对测试基于elu激活函数的神经网络,从而分别进行对比分析,以验收优化效果。最后,获取了Relu激活函数、elu激活函数分别在优化前和优化后下测试得到的总共四组实验数据。通过对比,可以看出在采用了优化措施后,不论是对Relu激活函数的验证还是对elu激活函数的验证都确实提高了运算速度并解决了一些原算法下的超时测试点。还可以看出elu激活函数下检验速度相对快于Relu激活函数,因为它比Relu节省神经网络的训练时间还能够增加相应的精确程度。这些能有助于以后研究深度神经网络的验证和优化。

关键词：形式化验证深度神经网络激活函数 Relu elu

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

基于并联卷积神经网络的SAR图像目标识别

电波科学学报 2020年第3期35卷 364-371页

作者：李清魏雪云江苏科技大学电子信息学院镇江212000

基于合成孔径雷达(synthetic aperture radar,SAR)在图像目标识别领域中识别精度低的问题,设计一种利用并联卷积神经网络(convolutional neural network,CNN)来提取SAR图像特征的目标识别方法.首先利用改进的elu激活函数代替常规的Relu... 详细信息

基于合成孔径雷达(synthetic aperture radar,SAR)在图像目标识别领域中识别精度低的问题,设计一种利用并联卷积神经网络(convolutional neural network,CNN)来提取SAR图像特征的目标识别方法.首先利用改进的elu激活函数代替常规的Relu激活函数,建立与二次代价函数相结合的深度学习模型.其次采用均方根支柱(root mean square Prop,RMSProp)与Nesterov动量结合的优化算法执行代价函数参数迭代更新的任务,利用Nesterov引入动量改变梯度,从两方面改进更新方式,有效地提高网络的收敛速度与精度.通过对美国国防研究规划局(DARPA)和空军研究实验室(AFRL)共同推出的MSTAR数据集进行实验,实验表明,该文提出的算法能充分提取出SAR图像中各类目标所蕴含的信息,具有较好的识别性能,是一种有效的目标识别算法.

关键词：目标识别卷积神经网络(CNN) elu RMSProp Nesterov 合成孔径雷达(SAR)

在线全文

学校读者我要写书评

暂无评论

基于改进Xception的槟榔分类算法

食品与机械 2023年第3期39卷 96-102页

作者：刘昌俊焦建格邹国平中国计量大学机电工程学院浙江杭州310018 浙江省智能制造质量大数据溯源与应用重点实验室浙江杭州310018

目的:降低槟榔分类对人工的需求,同时提升槟榔分类的准确度和缩小分类模型。方法:以扩充Xception的输入层作为特征提取骨干网络;在特征提取网络后加入双路压缩激励模块;使用elu激活函数代替Relu;使用数据增强扩充槟榔的数量,将数据集以9... 详细信息

目的:降低槟榔分类对人工的需求,同时提升槟榔分类的准确度和缩小分类模型。方法:以扩充Xception的输入层作为特征提取骨干网络;在特征提取网络后加入双路压缩激励模块;使用elu激活函数代替Relu;使用数据增强扩充槟榔的数量,将数据集以9∶3∶1划分为训练集、验证集和测试集,用于训练改进Xception模型。结果:使用改进的Xception对测试集1100张槟榔图像分类时达到了99.182%的分类准确度,同时模型大小仅有15.7 MB。结论:改进后的模型能够满足对槟榔分类的准确度和模型大小的要求。

关键词： Xception 双路注意力 elu 准确度轻量

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

一种遥感影像道路提取的改进U-NET模型

桂林理工大学学报 2022年第4期42卷 926-931页

作者：庞号充刘传立江西理工大学土木与测绘工程学院江西赣州341000

针对U-NET网络在提取遥感图像道路的过程中出现精度损失和训练速度缓慢的问题,提出了一种改进的U-NET语义分割网络模型。先在编码器和解码器中间加入以级联方式连接的扩张卷积层,在扩大中心部分特征点感受野的同时保留特征图的空间信息... 详细信息

针对U-NET网络在提取遥感图像道路的过程中出现精度损失和训练速度缓慢的问题,提出了一种改进的U-NET语义分割网络模型。先在编码器和解码器中间加入以级联方式连接的扩张卷积层,在扩大中心部分特征点感受野的同时保留特征图的空间信息,解决了U-NET网络在进行道路提取时精度损失的问题;再针对采用数据增强进行数据集扩充而导致的训练收敛变慢的问题,使用了elu激活函数,改善了网络训练效率低的问题。实验表明,本文U-NET网络对道路的提取精度得到了明显的提升,可以准确提取出遥感图像中的道路要素且效率较高,并且在与传统U-NET的对比中优势较为明显,其各项指标正确率、召回率和F1综合指标分别达到86.79%、83.12%和84.91%,较传统U-NET分别提升2.06%、1.83%、1.94%,具有较好的应用前景。

关键词： U-NET 语义分割道路提取扩张卷积 elu

在线全文

学校读者我要写书评

暂无评论

网中网残差网络模型的表情图像识别研究

小型微型计算机系统 2018年第12期39卷 2681-2686页

作者：裴颂文杨保国顾春华上海理工大学光电信息与计算机工程学院上海200093 复旦大学管理学院上海200433

卷积神经网络模型中全连接层的所有结点与上一层结点全相连时,由于参数过多易产生过拟合现象、层级过深易导致梯度弥散(消失)等问题.本文用elu函数替换Re LU修正单元,解决网中网(Network in Network)模型的梯度弥散问题,用全局平均值采... 详细信息

卷积神经网络模型中全连接层的所有结点与上一层结点全相连时,由于参数过多易产生过拟合现象、层级过深易导致梯度弥散(消失)等问题.本文用elu函数替换Re LU修正单元,解决网中网(Network in Network)模型的梯度弥散问题,用全局平均值采样层代替全连接层,并增加两层残差网络结构,提出了网中网残差网络模型(NIN_ResNet)对表情图像做分类识别研究.实验表明,基于TensorFlow平台对FER-2013和CK+数据集训练得出整体正确识别率分别为89. 99%和96. 03%. NIN_Res Net模型比NIN和Res Net模型在识别率上有着显著的提高,在执行时间上优于NIN模型.

关键词： TensorFlow 卷积神经网络 NIN_ResNet elu 表情识别

基于深度学习的改进SAR图像目标识别方法研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的改进SAR图像目标识别方法研究

作者：李清江苏科技大学

学位级别：硕士

合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时和全天候的工作特征,在军事和国土安全领域已经被普遍采用。对SAR图像进行理解判读的过程中,其中最突出的问题即是合成孔径雷达目标识别。近年来,人工智能方法的研究热潮慢慢转... 详细信息

合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时和全天候的工作特征,在军事和国土安全领域已经被普遍采用。对SAR图像进行理解判读的过程中,其中最突出的问题即是合成孔径雷达目标识别。近年来,人工智能方法的研究热潮慢慢转向为深度学习领域,且在图像处理领域中深度学习模型更是取得了令人瞩目的研究成果。本文依据SAR图像的成像特性,研究基于改进的卷积神经网络的SAR图像目标识别方法。主要内容如下:对SAR成像特性进行说明,分析将传统目标识别方法用于SAR目标识别的难点,借此将深度学习理论引入到SAR图像目标识别方法中。首先对深度学习的核心理念进行阐述,其次阐述传统的深度学习模型自编码器、深度置信网络的训练方法。重点介绍了卷积神经网络,通过对不同结构的卷积神经网络性能进行实验对比,得到了适合SAR目标识别的卷积神经网络模型参数,包括卷积层数以及卷积核数目,为后续模型的改进奠定基础。普通卷积神经网络采用单一尺度的卷积核提取特征,导致其它精度的特征容易被忽略掉,从而引起提取的信息表达不够全面。针对以上问题,本文对传统卷积神经网络模型进行改进,提出并联卷积神经网络模型（Parallel Convolutional Neural Network,PCNN）。该模型将不同大小的卷积核并联,以不同的尺度对输入进行处理后重新组合,实现两种尺度特征的同步提取;为了提高特征鲁棒性,采用elu激活函数,建立elu激活函数与二次代价函数相结合的深度学习模型;在部分卷积层后引入批归一化（Batch Normalization,BN）,以解决模型深度带来的梯度消失问题并且提高模型训练速度。以MSTAR数据集中八类不同类型的SAR图像数据为例进行实验分析,实验结果表明,PCNN识别结果高达98.82%,并具有较高的抗噪性。以同种类型中不同型号的八类数据进行实验分析,其识别结果也高达95.71%,证明了该方法的有效性。针对模型训练过程中准确率较低的问题,提出改进的网络优化方法,即在RMS Prop基础上结合Nesterov动量。首先利用RMS Prop算法改变学习率,其次引入Nesterov动量改变梯度,从这两方面进行模型训练参数更新方式的改进,避免网络陷入局部最优解,从而提高网络模型的健壮性。通过实例对比随机梯度下降算法、Ada Grad算法、未加入Nesterov动量的RMS Prop算法,表明本文提出的加入Nesterov动量的RMS Prop（N-RMS）优化方法的有效性。

关键词：深度学习目标识别并联卷积 elu RMS Prop

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

基于深度学习的火灾烟雾识别算法研究

基于深度学习的火灾烟雾识别算法研究

作者：范宗皓华北电力大学(北京)

学位级别：硕士

火灾的发生不仅对人员安全造成极大的威胁,而且还造成巨大的财产损失。目前对于火灾的检测,主要分为两大研究方向,一个是对火焰的检测,另一个是对烟雾的检测。其中,与火焰检测相比烟雾检测难度更高,所以目前火焰检测技术较为成熟,检测... 详细信息

火灾的发生不仅对人员安全造成极大的威胁,而且还造成巨大的财产损失。目前对于火灾的检测,主要分为两大研究方向,一个是对火焰的检测,另一个是对烟雾的检测。其中,与火焰检测相比烟雾检测难度更高,所以目前火焰检测技术较为成熟,检测效果较好。但是通常检测到火焰,火灾已经发生,不能达到很好的火灾预防效果。而对于烟雾的检测,大多采用的是基于传感器和传统的图像处理方法。第一种方法需要安装大量的传感器,检测距离有限,传感器容易因环境发生损坏和老化,造成极大的漏检和误检。第二种方法对人工选择特征具有较强的依赖性,而烟雾具有边界不确定性、半透明性、致背景模糊和易受其它因素影响的特性,从而导致传统算法对烟雾识别的准确率会受到很大的影响。针对上述情况,本文将烟雾识别与机器学习领域中的深度学习算法相结合,同时结合已有的研究成果,将其中的两种常见模型,卷积神经网络模型和深度残差网络模型应用于烟雾识别上,其有效克服了传统方案的缺陷,在算法性能与效率方面得到了有效的提高。本文的主要成果如下:(1)通过网上收集烟雾数据集,利用高斯混合模型法与颜色特征法相结合对数据集进行裁剪,同时采用改变图像颜色、饱和度、亮度和对比度等特征、人为增加噪声等基本的数据增强手段来扩充数据集,共制作了 32X24大小的10000张正样本与10000张负样本。(2)构建8层CNN模型,激活函数采用的是elu函数,并将该模型用于22段视频烟雾的检测,与颜色+运动+形态方法、基于Gabor小波的检测、采用Relu激活函数的CNN在烟雾识别方面的准确率、误报率、漏报率等一系列指标进行比较。(3)构建50层ResNet模型用于烟雾的识别,训练过程中利用精确度、召回率、F1分数进行性能评估,然后将训练好的模型用于22段视频烟雾检测,与颜色+运动+形态方法、基于Gabor小波的检测、8层CNN网络进行准确率、误报率和漏报率等一系列指标对比,实验证明该算法性能优越,在上述指标中均表现最佳。

关键词：烟雾检测深度学习 CNN elu ResNet