基于纹理特征的中药材粉末显微图像识别研究
这是一篇关于药材识别,特征提取,深度学习,多尺度信息,纹理提取,特征增强的论文, 主要内容为中药材粉末显微图像识别方法是解决中药材掺假、把控药材品质的关键性技术,针对该技术开展深度研究对于科研和应用都具有十分深远的意义。传统显微图像识别方法对于中药材粉末这种复杂背景、大数据量、多类别问题处理精度和速度不能达到应用要求。而本文利用深度学习框架具有的强大自学习能力对特征进行针对性提取,通过模型部署实现了一种实用性强、低成本的显微图像识别平台。本文的主要工作与创新性如下:(1)完成了基于药材学和图像学交叉下的20种显微特征检测和150种中药材分类工作。为了消除不同倍数下显微镜采集差别,采用双线性插值法放大,实现尺度统一并还原图像特征细节。为了解决由于图像采集过程中导致的数据差异性,采用图像锐化、几何增强、随机对比度和噪声扰动等图像预处理方式,增强并统一图像的特征、位置、颜色等有用信息,在丰富数据集的同时提升数据的泛化性。(2)提出了一种基于特征增强和多尺度的中药材显微图像检测算法。首先在YOLO v5中原C3位置和SPP后加入FEM特征增强模块,提高主干网络的特征提取能力、减少网络在生成特征图过程中的信息丢失问题。其次利用BIPFN对于原YOLO v5中PANet部分进行改进,实现多尺度融合以充分利用小目标特征。经过实验证明,改进后的YOLO v5网络对小目标、重叠目标有较强的识别框取能力。最终改进后的网络模型在实验中m AP相较于原网络上升2.0%。(3)提出了一种基于纹理特征提取改进轻量化网络的中药材粉末显微图像分类算法。针对Mobile Net V3分类网络添加了一个类Inception结构,使之能充分获得中药材粉末显微图像的纹理信息;同时在类Inception结构内部引入空洞卷积扩大感受野,在保持特征图尺寸大小不变的同时让所有卷积的结果都包含更大范围的信息。最后,将改进的注意力机制模块加入到网络中,显著抑制背景图中的噪声纹理。结果证明,加入的类Inception结构和改进的注意力机制模块参数量个数仅为479万个,准确率提升了5.1%,达到了92.82%。在保证参数量的前提下,有效提升了准确率。为了更好地进行推广和应用,本课题基于Android手机端的特点,对上述YOLO v5和Mobile Net V3网络进行轻量化研究,在提高识别速度的同时,尽可能保持了网络的识别精度。并将训练好的网络模型同时部署到Android手机端和PC端以实现多场景应用。该系统主要划分为三个主要功能:第一个功能是检测识别,用于对选取的中药材粉末显微图片进行识别检测,并在界面中将类别与特征信息显示出来;第二个功能是信息查询,用于查看所存150种中药材的性状、基源和药效等基础信息;第三个功能是历史查询,用于查看识别与检测记录以便用户后期追溯操作历史。总体上,本文将深度学习与中药材粉末显微图像识别问题进行结合,解决传统方法所存在的技术难题,形成一种普适性的鉴别方法。
基于混合音乐推荐引文的算法研究
这是一篇关于推荐系统,混合推荐,特征增强,分层技术,神经网络的论文, 主要内容为自2000年国际音乐信息检索学术会议创办以来,关于音乐推荐系统的研究层出不穷,越来越多的推荐方法被提出、使用。但音乐推荐系统面临的挑战仍然艰巨,用户反馈数据的稀疏性、歌曲分布的长尾问题等等,都是亟待解决的难题。本论文对混合音乐推荐算法进行了研究,整理了近期混合音乐推荐引文的研究成果,提出了一种深度神经网络混合推荐模型,旨在解决上述问题。通过设置评估实验,对深度神经网络混合推荐模型的模型性能、预测精度、覆盖率和新颖性进行了测试和计算,并考察了协同过滤推荐模型、基于内容的推荐模型和深度神经网络协同过滤推荐模型的评估结果,通过比较评估结果分析四种推荐模型各自的特点。最后对深度神经网络混合推荐模型的超参数进行了实验研究,给出了超参数选取建议。基于混合音乐推荐引文的算法研究表明:⑴对于歌曲的隐式反馈数据,通过给歌曲的平均播放次数等特征设置筛选阈值,能够有效解决音乐推荐数据稀疏的问题。⑵对于歌曲内容中的文本数据,使用TF-IDF方法和主成分方法进行处理,能够有效利用歌曲信息,同时防止特征维数过高。评估对照实验结果表明:⑴四种模型的训练速度差距不明显,迭代105次的耗时相差约1秒。⑵结合了神经网络的模型推荐精确度较线性模型有提升。⑶单使用协同过滤方法得到的结果,其覆盖率和新颖性显著低于其它方法。超参数的实验研究表明:⑴神经网络的层数、学习率和衰减率的取值都有一个合适的区间,并不是越多(大)越好,对于本次歌曲数据的推荐,神经网络隐含层取3层、学习率取0.001、衰减率取0.001是合适的。综合以上研究结果,本论文得出结论:深度神经网络混合推荐模型能够有效解决数据稀疏性、分布长尾问题,其推荐精度相较另外三种基础推荐模型有所提升。
基于特征增强的短文本分类研究
这是一篇关于短文本分类,特征增强,上采样,Bert模型,变分自编码器的论文, 主要内容为近年来伴随着数字经济及计算机技术的高速发展,逐渐出现了很多社交媒体平台、电商平台,人们在平台上交流分享着各种消息,并且这些消息以短文本的形式出现,这也就导致短文本形式的数据呈爆发式增长。因此对短文本数据进行分析处理,挖掘出数据背后所包含的内涵,具有十分重要的现实意义和应用价值,于是短文本分类就成为一个很有意义的研究方向。短文本数据因其自身存在文字简短、文本噪声大的问题,故而导致在传统的短文本分类过程中出现文本的特征表示稀疏、特征表达能力差等问题。为此,本文以短文本类数据为研究对象,深入分析了短文本数据的特点,并对现有短文本分类模型以及方法存在的不足进行了深度剖析,提出了两种特征增强模型用于短文本分类,具体的工作可以概述为:第一种是基于卷积神经网络的特征增强模型CNN-UN(CNN-unsample)。在CNN-UN模型中,首先,利用多尺度的卷积神经网络提取不同语义特征的语义特征;然后,本文提出了一种结合上下采样的特征增强方式,先利用上采样扩充特征向量的方法来增强短文本的语义特征表示,接着对扩充后的特征利用下采样卷积的方式进一步得到文本特征的深层表示;最后利用文本的深层关键特征进行分类。第二种是融合Bert模型和变分自编码器模型的特征增强模型Bert-VAE。在Bert-VAE模型中,首先,利用预训练Bert模型获取丰富全面的文本特征表示;然后,针对短文本存在的特征稀疏问题,利用变分自编码器生成增强样本特征以及Bert编码特征的优良性能,进一步提高文本的特征表示性能;最终融合Bert文本特征和增强特征预测文本类别。综上所述,通过在新闻文本标题的分类数据集上的实验结果,证明了本文提出的两种特征增强方式具有较好的性能,在一定程度上显著提升了模型在短文本分类任务中的表现。
基于单阶段多锚框的交通标志检测方法研究
这是一篇关于计算机视觉,交通标志检测,SSD算法,注意力机制,特征增强的论文, 主要内容为交通标志的检测与识别是实现汽车自主驾驶与驾驶辅助的关键环节,对汽车安全行驶与智慧城市建设具有重大意义。在自动驾驶及无人驾驶系统中,反映在驾驶员视线中的交通标志对象通常都很小,因此,在对其进行检测方面,智能交通系统仍存在着优化的可能性。在复杂天气条件下,车辆所处的天气环境会对驾驶系统做出的决策产生很大影响,识别系统能够及时侦测出正确的路标,并协助驾驶人及系统做出判断,从而降低道路上的违章行为及重大事故的发生率。基于此,本文的研究内容如下:(1)针对单目标多锚框检测(Single Shot Multi Box Detector,SSD)算法存在的对小型交通标志检测精度不高、漏检率高、模型复杂性较大等问题,本文提出一种基于GRCNN网络的交通标志检测方法。首先,在SSD网络中引入GDW-Res Block模块,减小模型复杂度。然后,在每个GDW-Res Block模块末端加入高效无序注意力ESA模块,以此消除由图像中的无效信息和池运算共同造成的特征损失。最后,增加局部信息增强的特征融合模块LI-FPN聚合不同尺度间特征信息。该方法在对小型交通标志的识别精度和实时检测速率上分别比基准模型高出9.54%、1.64%,满足实时精准检测的需求。(2)针对现有算法对复杂天气下拍摄的小型交通标志图像存在检测准确率较低、背景复杂且包含噪声、模型复杂度高等问题,本文提出一种基于MABF-CNN网络的复杂交通标志检测方法。本文利用注意力引导的ADBlock图像降噪模块对输入的复杂天气风格的图像中的噪声进行移除,然后采用Mobile Net V2网络的倒残差结构结合基于移动网络的注意力机制MA模块进行特征信息的高效提取,同时保持了模型的轻量化。接着利用双向特征增强模块BF-FPN对深浅层特征进行几何信息和语义信息的充分互补。最后优化分类及定位的损失函数。该方法在复杂天气下对小型交通标志的识别精度和实时检测速率分别比基准模型高出9.35%、1.88%,有助于实现对前方交通标志指示情况实时准确地识别。
基于深度学习的小目标检测算法研究
这是一篇关于目标检测,小目标,特征融合,特征增强,注意力机制的论文, 主要内容为随着科技的发展,目标检测已经成为计算机视觉领域中一个不可或缺的部分,在人脸识别、工业缺陷检测、无人机航空检测和交通车辆检测等诸多领域中都具有较高的研究和应用价值。目前,基于深度学习技术的目标检测算法已经变得越来越普遍,并且越来越成熟。然而,由于小目标在图像中占比小,可利用特征少等原因,关于小目标检测仍然是一个待解决的难题。为了进一步提升小目标的检测性能,本文开展了基于深度学习的小目标检测算法研究。主要研究内容如下:(1)为了提高YOLOX-S算法在检测小目标物体时的精度,提出了一种基于多尺度特征融合的改进算法,以提高检测精度和准确性。该算法设计了一个多尺度特征融合网络,利用扩张卷积构建感受野增强模块,来捕获更多的小目标特征信息,利用大核注意力方式给特征融合网络的多尺度通道分配权值,根据输入特征的重要程度进行区分,自动忽略噪声响应,提高对小目标物体的关注度。同时为了减少模型计算量,设计Res Net50-vd-dcn替换YOLOX-S原骨干网络CSPDarknet53。在后处理阶段,通过应用Focal Loss损失函数,可以有效地消除正负样本的不均衡,提高对小目标物体的检测率。(2)为了解决小目标物体检测中分辨率较低以及特征信息缺乏的问题,提出了一种并行多分支高分辨率特征提取网络。搭建并行多深度分支网络,利用低深度网络处理高分辨率图,高深度网络处理低分辨率图。多个包含不同分辨率特征图的子网之间并行连接,同时在并行连接的基础上,在中间位置不同分辨率特征图之间不断进行融合,充分结合高分辨和低分辨率特征信息。(3)针对骨干网络对图片进行特征提取时,所提取到的小目标特征信息有限问题,提出一种基于特征图连接流和注意力机制流的特征增强方法。特征图连接流只对卷积层使用特征图的一半权重来抑制卷积增加的参数量,与一般卷积相比,这种方式使得学习量减半。注意力机制流只进行通道平均池化和sigmoid激活函数两个简单的操作,没有额外的学习。通过这种方式构建的特征增强模块,在不增加额外计算量的情况下能够有效提升小目标物体检测精度。综上,本文所提出的方法是有效的。经实验验证,在TT100K数据集上,改进之后的算法相比于原YOLOX-S,小目标检测精度提升了2.8%,小目标召回率提升了4.1%。所提并行多分支高分辨率网络的小目标检测精度比Res Net-101高2.6%,比Hourglass-52高2.1%。在PASCAL VOC数据集上,基于特征增强方法的Retina Net算法的m AP提高了3.2%。实验结果表明,本文提出的方法对小目标检测性能提升有着积极作用。
融合知识图谱的目标检测方法
这是一篇关于目标检测,知识图谱,注意力机制,全局上下文特征,特征增强的论文, 主要内容为近年来,目标检测技术发展迅猛,现已在自动驾驶、水下航行和监控安全等领域得到广泛应用。目前先进的目标检测器可以高质量地表示每个区域的特征,但缺乏借助常识进行推理的能力,难以在大规模多类别的场景中准确、高质量地识别被遮挡或者小尺寸的对象。针对此问题,本文通过Concept Net数据集构建知识图谱,提出了融合知识图谱的目标检测方法,充分利用图像自身特征同时,捕获对象之间的关系特征来提升检测器的性能。本文的主要研究工作如下:(1)本文通过构建知识图谱,提出了融合知识图谱的目标检测模型(Object Detection Fused with Knowledge Graph,ODFKG),旨在充分利用图像自身特征以及捕获图像对象之间的关系来提升检测器的性能。ODFKG模型通过基础检测网络收集原始分类权重来集成每个类别的高级语义表示,同时利用重启随机游走算法迭代地探索知识图谱的整体结构,得到语义一致性矩阵来增强各个类别的特征。ODFKG模型在COCO2017验证集上取得不错的检测结果,表明该模型能够有效地提升目标检测器的性能。(2)为了更好地捕获网络中不同的信息,增强网络的特征表示能力,本文提出了基于注意力机制融合知识图谱的目标检测模型(Object Detection Fused with Knowledge Graph Based on Attention,ODFKG-A),其中注意力机制可以让网络重新校准特征,在抑制干扰信息的同时强调了通道之间的重要关系,丰富了图像的特征信息。该模型在VOC2007测试集和COCO2017验证集上的检测精度分别为80.8%和56%。(3)在非极大值抑制算法(Non-Maximum Suppression,NMS)中,交并比(Intersection over Union,Io U)仅考虑了两个检测框之间的重叠区域,会经常造成错误的抑制,本文通过改进NMS算法,提出了Soft CIo U-NMS算法。为了增强ODFKG模型对全局上下文特征的捕获能力,本文提出了基于全局上下文特征融合知识图谱的目标检测模型(Object Detection Fused with Knowledge Graph Based on Global Context Features,ODFKG-G),该模型在关注图像自身特征的同时还可以捕获不同空间位置之间的关系信息,通过聚合全局相同特征来强化原有的特征。该模型在COCO128验证集上得到了89.5%的检测精度,比ODFKG模型提升了0.6%。
输电线路周边烟火目标检测算法及其轻量化研究
这是一篇关于深度学习,烟火目标检测,特征增强,轻量化,算法部署的论文, 主要内容为近年来我国对电力能源的依赖度越来越高,电网规模不断扩大,保障输电线路安全运行变得至关重要。输电线路周边环境中发生火灾会直接影响输电线路的正常运行,影响到人们生活生产的正常用电,需要及时对输电线路周边的烟火情况进行检测,尽早发现火灾,减少火灾的危害。输电线路周边采集的烟火图像质量易受环境影响,烟火数据量较为匮乏,加上现有深度学习算法对多尺度和形状不规则的烟火目标特征提取能力不足,导致算法对烟火目标的检测精度不高。基于深度学习的检测算法还存在参数量和计算量大的问题,难以在边缘端设备中部署运行。针对以上问题,本文对输电线路周边烟火目标检测算法进行研究并分别在服务器和边缘端进行算法部署,主要工作如下:(1)烟火图像处理及数据增强以改善图像质量,丰富数据多样性。为了解决雾天情况下烟火图像对比度低和图像模糊的问题,采用限制对比度自适应直方图均衡化去雾算法和拉普拉斯图像增强算法改善图像质量。使用K-means聚类算法对构建好的烟火数据集进行数据分析,改进算法的锚框设置,使算法锚框更好地匹配真实烟火目标尺寸。为了解决数据匮乏的问题,根据烟火图像特点,从图像亮度、目标尺寸位置、图像背景和目标数量等多方面对数据集进行在线增强处理,丰富数据多样性。(2)针对输电线路周边烟火目标对YOLOv4算法进行改进,设计适合服务器部署的基于特征增强与辅助定位检测的烟火检测算法。为了使算法适应烟火目标不规则的形状,更好地提取目标特征,采用可变形卷积对主干网络的CSP特征提取结构进行改进,自适应调整卷积核形状。为了提升对多尺度烟火目标的特征提取,设计基于双注意力与多感受野特征增强融合的改进结构,引入双注意力加强算法对目标特征和空间位置的关注度,通过多尺度感受野特征增强结构融合不同感受野大小的烟火特征图,同时加入横向跳接结构对同层特征进行融合。为了提升算法对烟火目标的定位能力,对检测头进行改进,设计基于辅助定位的检测头结构。最后为了解决自身算法训练过程中的难易分样本不均衡问题,引入Focal Loss对损失函数改进。(3)为了减少算法的参数量和计算量,使烟火检测算法更适合在边缘端设备中部署,本文研究了轻量化网络结构设计、网络剪枝和模型量化三种轻量化方案。在轻量化网络结构设计方面,采用轻量级网络和轻量化卷积结构对算法的主干网络和加强特征提取结构进行改进,实现网络结构精简化。在网络剪枝方面,针对网络中相似度高的冗余卷积核进行裁剪,引入卷积核相似性进行改进,优化网络剪枝效果。在模型量化方面,基于KL散度和偏差校正对量化方法进行改进,减少模型量化中的精度损失。(4)烟火检测系统设计与实现。根据任务要求,对本文的烟火检测算法进行部署,实现烟火检测功能,分别开发设计基于服务器的烟火检测系统和基于边缘端的烟火检测系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/48614.html
