·
搜索结果:找到“卷积双流融合神经网络”相关结果14580条
排序: 按相关 按相关 按时间降序
  • 【期刊】 基于交互机制卷积双流融合神经网络的视频浓缩

    刊名:测试技术学报 作者:赵春飞 ; 张丽红 关键词:卷积双流融合神经网络 ; 运动目标 ; 特征提取 ; 交互机制 ; 视频浓缩 机构:山西大学物理电子工程学院 ; 山西大学物理电子工程学院 年份:2019
    摘要:视频浓缩时运动目标之间的相互遮挡和背景的复杂性使得难以准确提取运动目标,导致浓缩比降低.针对此问题,提出了一种基于交互机制的卷积双流融合网络视频浓缩方法.首先,对输入的视频帧进行感兴趣区域选取;然后,卷积双流融合网络分流提取运动目标特征和背景特征并进行特征融合,以减弱运动目标之间相互遮挡的影响;最后,通过交互机制将融合后的特征进行关联性运算,以有效提高运动目标之间及运动目标与背景之间的相关性,再根据相似矩阵进行场景聚类得到关键帧.实验结果表明:通过该网络结构进行视频浓缩,浓缩比和召回率都有所提高.
  • 【期刊】 基于双流卷积神经网络的RGB-D图像联合检测

    刊名:激光与光电子学进展 作者:刘帆 ; 刘鹏远 ; 张峻宁 ; 徐彬彬 关键词:机器视觉 ; RGB-D ; 卷积神经网络 ; 多模态信息 ; 联合检测 ; 深度学习 机构:军械工程学院 ; 军械工程学院 年份:2018
    摘要:当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性,针对其联合检测效率不高的问题,提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中,两个卷积网络结构相同且权值共享,经过数次卷积提取各自独立的特征后,在卷积层根据最优权值对两个卷积网络进行融合;继续使用卷积核提取融合后的特征,最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法,在检测时间相近的情况下,双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。
  • 【期刊】 融合的三维卷积神经网络的视频流分类研究

    刊名:小型微型计算机系统 作者:裴颂文 ; 杨保国 ; 顾春华 关键词:三维卷积神经网络 ; Merge ; Dense ; UCF-101数据集 机构:上海理工大学光电信息与计算机工程学院 ; 上海理工大学光电信息与计算机工程学院 ; 复旦大学管理学院 年份:2018
    摘要:三维数学模型擅长描述连续性视频流数据的多维度信息,是视频分类研究中的重要手段.将多个顺序模型融合(Merge)后通过全连接(Dense)的方式构建了融合的三维卷积神经网络模型(3DConvNet_Ensemble),解决了单个三维卷积神经网络模型训练不充分性和低相关性问题.对UCF-101视频流数据集的101类场景进行动作行为分类实验,结果表明该模型在UCF-101数据集上获得了87. 7%的分类准确率,相比二维ConvNet和三维ConvNet模型的分类准确率分别提高了32%和17%.
  • 【期刊】 基于高低维度特征融合的双通道卷积神经网络

    刊名:计算机与现代化 作者:文元美 ; 罗志鹏 ; 凌永权 关键词:特征融合 ; 双通道卷积神经网络 ; 卷积核 ; 池化层 机构:广东工业大学信息工程学院 ; 广东工业大学信息工程学院 年份:2018
    摘要:为了充分利用图像中所隐藏的特征信息,提出将低级维度特征融合在全连接层,构建出融合了高低级维度特征的双通道卷积神经网络。首先构建一个传统的双通道卷积神经网络,在两通道上设置不同大小的卷积核,将双通道的池化层分别连接到全连接层,同时将两通道卷积神经网络的第一池化层提取的特征也直接送到全连接层,使提取得到的初级和高级特征图在全连接层上进行融合,融合后的数据输入到Softmax分类器进行分类。不同算法在fashion-mnist和CIFAR-10数据库上的对比仿真结果表明,本文模型获得了较高的分类准确率。
  • 【期刊】 融合宫颈细胞领域特征的多流卷积神经网络分类算法

    刊名:计算机辅助设计与图形学学报 作者:杨志明 ; 李亚伟 ; 杨冰 ; 庞文博 ; 田泽宁 ; 王泳 关键词:计算机辅助诊断 ; 宫颈细胞 ; 深度学习 ; 卷积神经网络 机构:中国科学院软件研究所并行软件与计算科学实验室 ; 中国科学院软件研究所并行软件与计算科学实验室 ; 中国科学院大学 ; 深思考人工智能机器人科技(北京)有限公司 年份:2019
    摘要:细胞分类是宫颈癌计算机辅助诊断研究和应用的关键技术.针对通用深度学习分类算法在细胞分类中缺少领域知识指导这一局限性,提出一种基于数据驱动和宫颈细胞领域知识的多流卷积神经网络分类算法.文中算法以细胞和细胞核图像为输入,通过卷积神经网络提取图像特征,并根据宫颈细胞标准分级系统中领域知识提取人工设计特征,最后将上述2种特征进行拼接,并经过全连接层融合,构建适用于细胞分类的多流卷积神经网络.实验结果表明,文中算法在仅使用Alexnet作为基础网络的情况下,在Herlev宫颈细胞图像数据集上的正常与异常细胞的分类准确率达到99%,取得了该数据库上目前最好的分类结果;在Ideepwise数据集上,按照细胞学诊断报告的分级准确率为85%,相比单流网络提升3%.
  • 【论文】 融合卷积神经网络以及光流法的目标跟踪方法

    作者:林露樾 关键词:目标跟踪 ; 卷积神经网络 ; PLK光流法 ; 自适应 ; 贝叶斯方法 机构:广东工业大学 ; 广东工业大学 年份:2018
    摘要:目标跟踪问题是一个在学习样本不充分下的一个半监督学习问题。在实现的角度上讲,可以将其视为在视野中预测被跟踪对象的运动轨迹。换句话说,目标跟踪可以被认为是将被跟踪物体从视频流中的每一帧画面取出,并将其与背景分离开来。目标跟踪在军事导航,公共生活中的社会安全方面上有很广泛的应用。在这篇论文中,本文提出了一种基于贝叶斯方法(Bayesian Method),卷积神经网络(Convolutional Neural Networks,CNNs)以及金字塔LK光流法(Pyramid LucasKanade optical flow,PLK optical flow)的目标跟踪方法,这个方法称为COB算法。基于一种称为通过检测进行跟踪(track-by-detect)的思想,本文算法中包含了三个主要部分:一个训练好的卷积神经网络被当作一个检测器;一个集成了PLK光流法的跟踪器;以及一个基于贝叶斯方法的整合器。其中基于卷积神经网络的检测器级联在基于PLK光流法的跟踪器之后。之后我们在将卷积神经网络的输出结果以及PLK光流法的输出结果输入到贝叶斯方法中,整合出最后的一个跟踪结果。本文工作的主要贡献包含了如下三个部分:其一,本文提出了一种自适应的整合方法以面对因训练样本不足而导致的过拟合问题,降低过拟合对整个跟踪算法的影响。此整合方法在跟踪器和检测器之间引入了一种竞争的机制。这个机制使得跟踪器和检测器之间能相互补偿性能上的偏差:一方面利用检测器的结果以清除跟踪器的累计误差,利用跟踪器的输出结果以补偿检测器的漂移问题。其二,本文工作还针对实际中的应用,在整合器中引入了可选的在线学习机制。人们可以使能这个机制使得算法可以牺牲一定的实时性以获得更好的性能表现,或者可以关闭此功能以获得更好的实时性。其三,本文提出了一个新的网络结构,使得在目标跟踪这个实时性要求较高的问题上有较好的分类性能。此外,在训练网络的过程中,为了使得卷积神经网络性能更好,在深度学习中的一些正则化方法也应用到卷积网络中,以使得检测器对分类中的盲点具有更好的鲁棒性,以此减少错分类的可能性。在此文中,本文介绍了COB算法,通过将卷积网络以及PLK光流法整合到贝叶斯方法的框架中。其中基于卷积神经网络的检测器用于挖掘当前帧的信息,而基于PLK光流法的跟踪器用于挖掘相邻两帧之间的信息。本文介绍了算法的具体实施,包括使能在线学习机制以及关闭在线学习机制的实验。我们的实验基于CVPR2013目标跟踪数据集,在实际测试中,我们进行了广泛的实验来研究COB方法的可行性,统计结果表明,本文提出的COB方法与以前的方法相比总是获得可比的性能。
  • 【期刊】 基于双向特征融合卷积神经网络的液晶面板缺陷检测算法

    刊名:广东通信技术 作者:彭大芹 ; 刘恒 ; 许国良 ; 邓柯 关键词:深度卷积神经网络 ; 双向特征融合 ; 缺陷检测 ; 液晶面板 ; 深度学习 ; 迁移学习 机构:重庆邮电大学通信与信息工程学院 ; 重庆邮电大学通信与信息工程学院 ; 重庆邮电大学电子信息与网络工程研究院 年份:2019
    摘要:针对手机液晶面板生产工业中缺陷检测面临的精度低的问题,提出了一种基于深度学习的液晶面板缺陷检测算法,该算法在传统单向特征融合的基础上提出了双向特征融合网络结构,并提出一种新型的特征融合方法。结合多源域缺陷数据的迁移学习的方法进行了训练,实现了手机液晶面板缺陷数据集上对缺陷目标的检测。实验结果表明,针对多种不同类型的手机液晶面板缺陷,该方法达到了75.4%的mAP,相较于YOLO算法提升了13.9%,提升了液晶面板缺陷检测的检测精度。
  • 【期刊】 基于深度堆叠卷积神经网络的图像融合

    刊名:计算机学报 作者:蔺素珍 ; 韩泽 关键词:图像融合 ; 深度学习 ; 卷积神经网络 ; 堆叠自动编码 ; 滤波器 机构:中北大学计算机与控制工程学院 ; 中北大学计算机与控制工程学院 年份:2017
    摘要:该文针对多尺度变换融合图像中普遍存在的需要依据先验知识选取滤波器,导致融合效果存在不确定性的问题,提出了基于深度堆叠卷积神经网络融合方法.首先,分别以高斯拉普拉斯滤波器和高斯滤波器为首层网络的初始卷积核,将源图像分解为高频和低频图像序列;其次,基于He K方法初始化其余层卷积核,获得与源图像尺寸相同的高频和低频重构图像各一幅,并将二者合成源图像的近似图像;再以源图像和近似图像像素值之差的平方和的均值为误差函数,进行反向传播训练形成基本神经单元;之后,将多个基本单元堆叠起来利用end-to-end的方式调整整个网络得到深度堆叠神经网络.然后,利用该堆叠网络分别分解测试图像对,得到各自的高频和低频图像,再基于局部方差取大和区域匹配度合并的规则分别融合高频和低频图像,并将高频融合图像和低频融合图像放回最后一层网络,得到最终的融合图像.实验结果表明:与基于双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)、非下采样轮廓波变换(Non-Subsampled Contourlet Transform,NSCT)和非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)的融合结果相比,用高斯拉普拉斯滤波器和高斯滤波器初始化的深度堆叠卷积神经网络融合效果主观效果好,客观指标最优个数为NSCT的3.3倍,运行时间为NSCT的30.3%和NSST的11.6%.
  • 【期刊】 基于融合卷积神经网络的协同过滤模型

    刊名:软件导刊 作者:杨锡慧 关键词:推荐系统 ; 评分预测 ; 卷积神经网络 ; 协同过滤 ; 矩阵分解 机构:中国电信股份有限公司南京分公司 ; 中国电信股份有限公司南京分公司 年份:2017
    摘要:在传统推荐系统中,通常基于协同过滤推荐算法挖掘评分中的隐含特征,但在实际应用中,评分矩阵往往十分稀疏,很难充分地表示用户偏好特征与物品描述特征。为了充分挖掘评论文本中的隐含特征,并在一定程度上缓解数据稀疏性问题,提出一种深度协同过滤模型(CFiCNN):融合卷积神经网络的协同过滤模型。该模型利用卷积神经网络抽取用户-物品评论数据中的隐含特征,基于协同过滤的矩阵分解方法,进行评分预测。在4个真实数据集上对该模型进行了评估实验,并与3个常用模型进行对比。实验结果表明,该模型能够很好地抽取到用户与物品的隐含特征,并且进行更准确的评分预测。
  • 【期刊】 基于卷积神经网络的红外图像融合算法

    刊名:激光与红外 作者:陈清江 ; 李毅 ; 柴昱洲 关键词:图像融合 ; 红外与可见光图像 ; 卷积神经网络 ; 多尺度分解 机构:西安建筑科技大学理学院 ; 西安建筑科技大学理学院 ; 空间电子信息技术研究院 年份:2019
    摘要:红外图像与可见光图像融合的目的是为人类观察或其他计算机视觉任务生成信息更加丰富的图像。本文针对深度学习近年来在计算机视觉领域取得的巨大成功,提出一种基于卷积神经网络的红外与可见光图像融合算法。首先,使用引导滤波和高斯滤波器组成的尺度感知边缘保护滤波器对输入的源图像进行多尺度分解,基础层利用像素强度分布的加权平均融合规则进行融合,细节层借助卷积神经网络对空间细节进行提取融合。实验结果表明,本文算法可以较好的将特定尺度信息进行保存,并减小滤波对边缘细节带来的光晕影响,融合后图像噪声较少,细节呈现的更加自然,并且适合人类视觉感知。
  • 【期刊】 一种基于双流卷积神经网络跌倒识别方法

    刊名:河南师范大学学报(自然科学版) 作者:袁智 ; 胡辉 关键词:跌倒识别 ; 双流卷积神经网络 ; 视频帧 ; 光流图 机构:华东交通大学信息工程学院 ; 华东交通大学信息工程学院 年份:2017
    摘要:针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.
  • 【期刊】 融合主成分分析与并行混合的卷积神经网络

    刊名:电脑知识与技术 作者:马文楷 关键词:卷积神经网络 ; 主成分分析 ; 局部对比度标准化 ; 概率最大化下采样 ; 并行混合 机构:江西理工大学信息工程学院 ; 江西理工大学信息工程学院 年份:2018
    摘要:针对卷积神经网络在小样本易产生过拟合,性能较差等问题,提出融合主成分分析(Principal Component Analysis,PCA)与并行混合的卷积神经网络(PCA Parallel Mixing CNN, PCA-PMCNN)模型。该模型首先利用主成分分析非监督预训练初始化卷积神经网络,学习得到含有训练数据统计特性的初始滤波器集合,以解决首层滤波器集无法充分训练的问题;其次,引入局部对比度标准化概念及概率最大化采样规则,以减小下采样对特征的损失,增强特征描述的鲁棒性;最后,采用线性修正函数(Rectified Linear Units, ReLU)代替非线性激活函数,以保证特征稀疏,提高训练效率。实验结果表明该模型对行人目标具有较好的识别率,对行人重叠、姿态变化、复杂背景等具有较好的鲁棒性。
上一页 1 2 3 4 5 6 7 8 9 10 下一页 跳转