基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究 被引量：36

1

作者 闫贺 黄佳 +3 位作者 李睿安 王旭东 张劲东 朱岱寅 《电子与信息学报》 EI CSCD 北大核心 2021年第3期615-622,共8页

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习... 针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。 展开更多

关键词 视频SAR 运动目标检测 快速区域卷积神经网络 特征金字塔网络 K-MEANS

在线阅读 下载PDF 职称材料

基于快速滤波算法的卷积神经网络加速器设计 被引量：6

2

作者 王巍 周凯利 +2 位作者 王伊昌 王广 袁军 《电子与信息学报》 EI CSCD 北大核心 2019年第11期2578-2584,共7页

为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据... 为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据,并通过标志信号启动卷积计算加速单元来实现逐层加速;其次,设计了基于4并行快速滤波算法的卷积计算加速单元,该单元采用若干小滤波器组成的复杂度较低的并行滤波结构来实现。利用手写数字集MNIST对所设计的CNN加速器电路进行测试,结果表明:在xilinx kintex7平台上,输入时钟为100 MHz时,电路的计算性能达到了20.49 GOPS,识别率为98.68%。可见通过减少CNN的计算量,能够提高电路的计算性能。 展开更多

关键词 卷积神经网络 快速滤波算法 FPGA 并行结构

在线阅读 下载PDF 职称材料

基于卷积神经网络快速区域标定的表面缺陷检测 被引量：25

3

作者 李宜汀 谢庆生 +2 位作者 黄海松 姚立国 魏琴 《计算机集成制造系统》 EI CSCD 北大核心 2019年第8期1897-1907,共11页

为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(FasterR-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精... 为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(FasterR-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精度。所提算法结合数据扩充方法增加了图像数量,通过划分K折交叉验证数据集改善了算法的鲁棒性;同时,将稀疏滤波思想融入卷积神经网络,提取双重深度特征作为FasterR-CNN的输入,提升了FasterR-CNN位置检测和识别的精度。通过油辣椒灌装生产线的封盖面典型缺陷检测验证了所提方法的可行性。 展开更多

关键词 表面缺陷检测 卷积神经网络快速区域标定 位置检测 稀疏滤波 生产过程监控

在线阅读 下载PDF 职称材料

基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测 被引量：4

4

作者 高忠文 于立国 《汽车技术》 CSCD 北大核心 2020年第7期14-18,共5页

针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数... 针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数量,生成包含小目标的候选区域,再使用生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,最后使用分类损失函数与回归损失函数对判别网络进行改进。试验结果表明,Faster R-CNN和生成对抗网络相结合的检测算法可以提高远距离小目标交通标志检测性能。 展开更多

关键词 交通标志检测 更快速区域卷积神经网络 生成对抗网络 超分辨重建

在线阅读 下载PDF 职称材料

基于卷积神经网络的随机梯度下降算法 被引量：75

5

作者 王功鹏 段萌 牛常勇 《计算机工程与设计》 北大核心 2018年第2期441-445,462,共6页

为解决卷积神经网络(CNN)中随机梯度下降算法(SGD)的学习率设置不当对SGD算法的影响,提出一种学习率自适应SGD的更新算法,随着迭代的进行该算法使学习率呈现周期性的改变。针对CNN中Relu激活函数将CNN中的阈值为负的神经元丢弃的缺陷,... 为解决卷积神经网络(CNN)中随机梯度下降算法(SGD)的学习率设置不当对SGD算法的影响,提出一种学习率自适应SGD的更新算法,随着迭代的进行该算法使学习率呈现周期性的改变。针对CNN中Relu激活函数将CNN中的阈值为负的神经元丢弃的缺陷,设计选择Leaky Relu作为激活函数的CNN。实验验证了使用该激活函数的有效性,实验结果表明,采用上述学习率更新算法的SGD可以使网络快速收敛,提高了学习正确率;通过将Leaky Relu激活函数和采用上述学习率更新算法的SGD相结合,进一步提高CNN的学习正确率。 展开更多

关键词 卷积神经网络 随机梯度下降算法 自适应学习率更新算法 LeakyRelu激活函数 快速收敛

在线阅读 下载PDF 职称材料

基于改进区域卷积神经网络的SAR图像船只检测方法 被引量：2

6

作者 石洪基 郎海涛 +3 位作者 宋棋 聂晓风 郭展宏 刘梦茜 《中国海洋大学学报（自然科学版）》 CAS CSCD 北大核心 2019年第S02期185-191,共7页

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,... 准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,对区域卷积神经网络的输入部分及目标候选框提取部分做出了适应性改进,并对训练方法进行了优化。实验表明,本文提出的方法能够在不同分辨率的SAR图像中检测出密集分布、沿岸分布等不同场景下不同大小的船只目标,且检测结果不受旁瓣等噪声的干扰,能够完整地保留船只目标的细节信息,实现整体检测。 展开更多

关键词 船只目标检测 快速区域卷积神经网络 深度学习 合成孔径雷达

在线阅读 下载PDF 职称材料

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测 被引量：13

7

作者 谢云霞 黄海于 胡建斌 《计算机应用》 CSCD 北大核心 2020年第8期2460-2464,共5页

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先... 针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。 展开更多

关键词 糖尿病视网膜病变 目标检测 基于快速区域的卷积神经网络算法 子图分割 在线困难样本挖掘

在线阅读 下载PDF 职称材料

基于改进掩码-区域卷积神经网络的混凝土病害实例分割 被引量：9

8

作者 黄彩萍 谢鑫 +1 位作者 周永康 李桂龙 《桥梁建设》 EI CSCD 北大核心 2023年第6期63-70,共8页

为对混凝土病害图像进行更精确的实例分割,提出改进掩码-区域卷积神经网络(Mask Region Convolution Neural Network,Mask-RCNN)。该网络采用轻量级的可移动网络(MobileNetV2)代替原始Mask-RCNN中卷积层过大的主干网络——残差网络(ResN... 为对混凝土病害图像进行更精确的实例分割,提出改进掩码-区域卷积神经网络(Mask Region Convolution Neural Network,Mask-RCNN)。该网络采用轻量级的可移动网络(MobileNetV2)代替原始Mask-RCNN中卷积层过大的主干网络——残差网络(ResNet101),加入路径聚合网络(PANet),以提高Mask-RCNN提取浅层特征信息的能力。为验证改进Mask-RCNN的识别精度及其在实际工程中的可行性,首先构建多类混凝土病害图像数据集,利用K-means聚类算法确定最适合该数据集的先验边界框的长宽比,然后对比改进Mask-RCNN与原始Mask-RCNN、其它主流深度学习网络对混凝土五类病害(裂缝、露筋、剥落、白皙和空洞)的识别结果;最后利用无人机采集到的钢筋混凝土桥梁病害图像作为测试集进行测试。结果表明:改进Mask-RCNN在提高计算速度的同时能更准确地定位病害,减少了误检和漏检,识别精度高于原始Mask-RCNN及其它深度学习网络;改进Mask-RCNN可以识别无人机拍摄的未经训练的新的混凝土病害图像,识别精度满足实际工程需求。 展开更多

关键词 桥梁工程 混凝土病害 深度学习 掩码-区域卷积神经网络 可移动网络 K-MEANS聚类算法 病害识别

在线阅读 下载PDF 职称材料

基于深度卷积神经网络的帧内模式决策

9

作者 赵海武 余玲芝 +1 位作者 陈佳玲 顾晓 《电子测量技术》 2019年第12期90-94,共5页

AVS2编码在节省码率的同时,自身的编码复杂度很高。因为AVS2采用了率失真优化(RDO)技术,所以编码树单元(CTU)划分的复杂度占据了AVS2编码复杂度的很大一部分。因此,提议用卷积神经网络(CNN)模型来替代原AVS2编码标准的参考软件RD19.1中... AVS2编码在节省码率的同时,自身的编码复杂度很高。因为AVS2采用了率失真优化(RDO)技术,所以编码树单元(CTU)划分的复杂度占据了AVS2编码复杂度的很大一部分。因此,提议用卷积神经网络(CNN)模型来替代原AVS2编码标准的参考软件RD19.1中编码树划分的过程。首先,将问题归类为分类问题,然后设计了适用于编码块划分的卷积神经网络结构,包括3个卷积层、1个最大池化层和2个全连接层。最后,将训练得到的模型分别应用于64×64和32×32大小的编码块上。实验结果显示,所建议方案比原RD19.1平均节省时间为31.36%,比特率平均增加了2.25%。 展开更多

关键词 AVS2 帧内编码 快速算法 卷积神经网络

在线阅读 下载PDF 职称材料

基于卷积神经网络的半身裙款式特征分类识别 被引量：10

10

作者 邓莹洁 罗戎蕾 《现代纺织技术》 北大核心 2021年第6期98-105,共8页

针对服装特征分类识别不够全面、较多分类特征导致效果较差的问题,提出一种带有Inception v2模组的快速区域卷积神经网络模型的女装半身裙多特征分类识别方法。建立一个包含8类款式、11种颜色、5种图案、4种长度,共计28种类别标签的女... 针对服装特征分类识别不够全面、较多分类特征导致效果较差的问题,提出一种带有Inception v2模组的快速区域卷积神经网络模型的女装半身裙多特征分类识别方法。建立一个包含8类款式、11种颜色、5种图案、4种长度,共计28种类别标签的女装半身裙样本库;以快速区域卷积神经网络(Faster r-cnn)结构为基础,引入一个Inception v2模组,对半身裙的款式及多种特征进行学习训练,通过全连接层将来自Faster r-cnn主干网络和Inception v2的分类信息进行特征融合并共享损失,以提高算法的准确率;将目标检测框与分类结果一起输出,在对半身裙图像精准定位的基础上实现了半身裙款式及常见特征的分类识别。结果表明:该方法的平均分类准确率为92.8%,可以有效地对女装半身裙款式、特征进行分类识别,并且可用于实际场景的服装图片中。 展开更多

关键词 卷积神经网络 Inception v2模组 快速区域卷积神经网络 女装半身裙

在线阅读 下载PDF 职称材料

基于卷积神经网络的生产日期识别 被引量：6

11

作者 胡蝶 侯俊 +2 位作者 张全年 何金亭 王宗宜 《电子测量技术》 2020年第1期152-156,共5页

为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个... 为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个由生产日期图像中常包含的数字、英文、汉字字符所组成的可扩展的数据集。最后构建一个卷积神经网络模型并将数据集送入训练以获得较高的识别准确率。经测试基于卷积神经网络的识别方法对生产日期识别的准确率高达98%。 展开更多

关键词 生产日期识别 卷积神经网络 区域最大值分割算法 投影分割算法

在线阅读 下载PDF 职称材料

基于改进快速区域卷积网络的目标检测轻量化算法 被引量：5

12

作者 马月红 孔梦瑶 《兵工学报》 EI CAS CSCD 北大核心 2021年第12期2664-2674,共11页

基于深度学习的目标检测算法已成为合成孔径雷达(SAR)图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法... 基于深度学习的目标检测算法已成为合成孔径雷达(SAR)图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响。结合SAR图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。 展开更多

关键词 目标检测 快速卷积神经网络 合成孔径雷达 轻量化算法 实时性

在线阅读 下载PDF 职称材料

基于3D-Winograd的快速卷积算法设计及FPGA实现 被引量：1

13

作者 林珂玉 姜宏旭 +1 位作者 张永华 丛容子 《北京航空航天大学学报》 EI CAS CSCD 北大核心 2021年第9期1900-1907,共8页

近年来,卷积神经网络(CNN)已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性,已被认为是最有前途的CNN硬件加速器,但是受FPGA计算能力、存储资源的限制,基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升... 近年来,卷积神经网络(CNN)已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性,已被认为是最有前途的CNN硬件加速器,但是受FPGA计算能力、存储资源的限制,基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先,研究了适用于三维运算的Winograd算法一维展开过程;然后,通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法,优化算法每个卷积层的时钟周期数减少了7倍左右,相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究,证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度,并改善在FPGA运行CNN的性能。 展开更多

关键词 卷积神经网络(CNN) FPGA Winograd 卷积算法 快速算法

在线阅读 下载PDF 职称材料

Winograd快速卷积相关研究综述 被引量：5

14

作者 童敢 黄立波 《计算机科学与探索》 CSCD 北大核心 2022年第5期959-971,共13页

卷积神经网络(CNN)已经被广泛应用到各个领域并发挥了重要作用。卷积算子是卷积神经网络的基础组件,同时也是最耗时的部分。近年来,研究者提出了包括基于FFT和Winograd的若干种快速卷积算法。其中Winograd卷积因大幅减少了卷积中乘法操... 卷积神经网络(CNN)已经被广泛应用到各个领域并发挥了重要作用。卷积算子是卷积神经网络的基础组件,同时也是最耗时的部分。近年来,研究者提出了包括基于FFT和Winograd的若干种快速卷积算法。其中Winograd卷积因大幅减少了卷积中乘法操作且占用内存更小而迅速成为小卷积核的卷积算子上快速卷积实现的首选。但目前相关工作聚焦于算法的一般化、拓展和各类体系结构上的实现,还没有研究者对Winograd卷积算法作系统性的总结。为了给后续研究者提供详细的参考依据,对Winograd卷积引入以来的相关工作进行了总结。首先阐述了Winograd最小滤波算法及Winograd卷积的引入,介绍了Winograd卷积的一般化与拓展,并对比了现有实现之间的差异;从稀疏剪枝、低精度与量化、数值稳定性这三方面介绍了Winograd卷积的优化工作,并详细介绍了相关具体方法的优缺点;对各类体系结构上的实现和优化进行了分类总结,比较了各平台上实现可用的通用优化方法,并介绍了Winograd卷积的实际应用;最后对内容进行了简要总结,分析了现有研究的局限性,并对未来可能的方向进行了初步展望。 展开更多

关键词 Winograd卷积 快速卷积算法 卷积神经网络(CNN) 卷积优化

在线阅读 下载PDF 职称材料

基于改进深度置信网络的木板表面缺陷检测模型 被引量：3

15

作者 李馥颖 杨大为 黄海 《南京理工大学学报》 CAS CSCD 北大核心 2022年第6期728-734,共7页

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DB... 为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明:选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^(-2),是最优结果,Adaboost-CNN算法次之,CNN算法最差。 展开更多

关键词 深度置信网络 木板表面 缺陷检测 受限玻尔兹曼机 人工蜂群算法 卷积神经网络 快速区域卷积神经网络 自适应增强卷积神经网络

在线阅读 下载PDF 职称材料

基于Faster R-CNN的除草机器人杂草识别算法 被引量：25

16

作者 李春明 逯杉婷 +1 位作者 远松灵 王震洲 《中国农机化学报》 北大核心 2019年第12期171-176,共6页

针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN的草坪杂草识别算法。该方法首先使用快速区域卷积神经网络(Faster R-CNN)算法训练初始化模型,然后通过在网络池化层后添加生成对抗网络(GAN)噪声层来... 针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN的草坪杂草识别算法。该方法首先使用快速区域卷积神经网络(Faster R-CNN)算法训练初始化模型,然后通过在网络池化层后添加生成对抗网络(GAN)噪声层来提高网络的鲁棒性。试验结果表明,该种方法在正常拍摄的测试集图片中识别率达到97.05%,在加噪图片测试集的识别率达到95.15%,识别结果均优于传统的机器学习方法。同时,本方法具有识别速度快的特点,可用于实时检测,在园林杂草清理等方面具有应用价值。 展开更多

关键词 杂草识别 深度学习 快速区域卷积神经网络 区域建议网络 生成对抗网络

在线阅读 下载PDF 职称材料

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法 被引量：1

17

作者 王彬 向甜 +1 位作者 吕艺东 王晓帆 《计算机应用》 CSCD 北大核心 2023年第5期1401-1408,共8页

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最... 针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。 展开更多

关键词 轻量型卷积神经网络 特征提取通道分组优化 双目标函数建模 快速非支配排序遗传算法 图像分类 进化算法

在线阅读 下载PDF 职称材料

基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法

18

作者 苏立鹏 娄益凡 +3 位作者 杨吴奔 高建貌 王雪迎 易灿灿 《机电工程》 北大核心 2025年第7期1341-1349,共9页

针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识... 针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识别的性能。首先,采用了多尺度策略提高输入图像的分辨率,从而更好地检测不同大小的缺陷;其次,在网络中引入了可变形卷积,以增强其捕捉传统卷积技术难以检测的钢丝绳缺陷复杂形状特征的能力;采用了路径增强技术融合低维和高维特征,有效解决了在下采样和特征融合过程中信息丢失的问题,极大提升了模型在各层之间保持关键信息的能力;最后,采用了广义交并比(GIOU)损失函数替代传统的交并比(IOU)损失函数,显著提高了边界框预测的准确性,验证了改进后的Faster-RCNN算法在起重机钢丝绳损伤检测的性能提升方面较为显著。研究结果表明:改进版Faster-RCNN模型相比原算法在精度上有了显著提高,准确率从81.8%提升至90.2%,召回率从83.8%提高至94.2%,最终平均精度达到0.934,提升了9.6%。与传统检测算法如SSD和原版YOLOv5相比,该方法的准确率分别提高了17.6%和11.0%,证明了其在钢丝绳损伤图像识别中的有效性。 展开更多

关键词 起重机械 损伤检测 改进的快速区域卷积神经网络 多尺度和自定义锚框策略 广义交并比损失函数 可变形卷积 路径增强特征金字塔 区域提议网络 消融实验

在线阅读 下载PDF 职称材料

基于改进的Faster RCNN面部表情检测算法 被引量：4

19

作者 伍锡如 凌星雨 《智能系统学报》 CSCD 北大核心 2021年第2期210-217,共8页

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法。该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该... 针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法。该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失。采用柔性非极大抑制(soft-NMS)改进候选框合并策略,设计衰减函数替换传统非极大抑制(NMS)贪心算法,避免相邻或重叠目标漏检,提高网络在多目标情况下的检测准确率。通过构建真实环境下的表情数据集,基于改进的Faster RCNN进行实验测试,在不同场景中能够检测出目标的面部表情,检测准确率相比原始检测模型提高5%,取得较好的检测精度。 展开更多

关键词 目标检测 深度学习 表情识别 快速区域卷积神经网络 特征提取 分类识别 多目标识别 多目标定位

在线阅读 下载PDF 职称材料

基于Faster R-CNN的零件表面缺陷检测算法 被引量：52

20

作者 黄凤荣 李杨 +2 位作者 郭兰申 钱法 朱雨晨 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2020年第6期883-893,共11页

针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下,无法满足智能制造需求问题,提出了一种基于深度学习的检测算法.以Faster R-CNN深度学习算法为算法框架,引入聚类理论来确定anchor方案,通过对比k-meansII和CURE聚类... 针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下,无法满足智能制造需求问题,提出了一种基于深度学习的检测算法.以Faster R-CNN深度学习算法为算法框架,引入聚类理论来确定anchor方案,通过对比k-meansII和CURE聚类算法生成anchor对检测结果的影响,提出了基于聚类生成anchor方案的Faster R-CNN的零件表面缺陷检测算法,并引入多级ROI池化层结构,减少ROI池化过程中取整带来的偏差,实现高效并准确检测零件表面缺陷的目的.通过设计缺陷图像数据采集方案,建立了3种缺陷零件数据集,并验证了算法的性能.实验结果表明,该算法将缺陷检测的均值平均精度mAP从原算法的54.7%提高到97.9%,检测速度最快达到4.9 fps,能够满足智能制造的生产需求. 展开更多

关键词 表面缺陷检测 卷积神经网络 深度学习 快速区域卷积神经网络 聚类算法

在线阅读 下载PDF 职称材料