-
题名基于ResNet对花朵分类研究
被引量：1
- 1
-
-
作者
廖明霜
罗远远
-
机构
塔里木大学信息工程学院
-
出处
《农业与技术》
2023年第2期65-68,共4页
-
文摘
花卉是人们寄托思绪的常见物之一,但是由于花卉种类繁多,人们只对常见的品种记忆犹新,主要靠人工方式,以及网络查询方式,识别度不高,随着深度学习和电子拍摄产品的发展,使用图像智能识别物体成了可能,本文基于RseNet使用5×5卷积替代7×7卷积,并且将池化模块改为1×1卷积,较少特征消失。采用网络上104种花卉数据来进行训练,使用836张图进行测试,改进后的ResNet模型在accuracy_top1、accuracy_top5,recall 3个评价指标,分别提升了7.58%、7.26%、5.51%。实现了花型和品种智能识别,具有重要的理论和应用价值,为广大群众提供识别花朵的新手段,为移动端花卉识别提供一个新的解决思路。
-
关键词
ResNet
小卷积核
1×1卷积
花朵分类
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名复杂场景下实时人脸口罩检测研究
- 2
-
-
作者
洪叁亮
-
机构
深圳平安综合金融服务有限公司
-
出处
《应用科技》
CAS
2023年第5期54-57,65,共5页
-
文摘
针对AIZOO开源人脸口罩检测算法FaceMaskDetection存在较严重的人脸口罩分类精度低的缺陷,本文设计了高精度轻量级人脸口罩分类模型,提出快速特征提取模块FastBlock和基于多层级特征融合的轻量级人脸口罩分类网络(Light MaskNet)。FastBlock减少深度可分离(depthwise,DW)卷积和1×1卷积中间张量的通道数量,进一步降低计算成本,从而提高了特征提取速度。不同层级之间的特征融合可以增大模型的广度,提高模型的鲁棒性。实验结果表明,该人脸口罩分类模型精度可达98.852%,中央处理器(central processing unit,CPU)推理时间仅为9.8 ms,图形处理器(graphics processing unit,GPU)可实现亚毫秒级运算,仅牺牲少量计算资源就能弥补FaceMaskDetection精度低的缺陷,可很好地满足计算资源有限的边缘设备、移动端等的应用需求。
-
关键词
特征提取器
DW卷积
1×1卷积
人脸口罩检测
快速特征提取模块
多层级特征融合
轻量级人脸口罩分类网络
GPU亚毫秒运算
-
Keywords
feature extractor
DepthWise convolution
1×1 convolution
face mask detection
fast feature extraction module
multi-level feature fusion
lightweight face mask classification network
GPU sub-millisecond operation
-
分类号
TN
[电子电信]
-
-
题名多尺度卷积神经网络的头部姿态估计
被引量：10
- 3
-
-
作者
梁令羽
张天天
何为
-
机构
中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室
上海科技大学信息科学与技术学院
中国科学院大学
-
出处
《激光与光电子学进展》
CSCD
北大核心
2019年第13期71-78,共8页
-
基金
国家重点研发计划(2018YFC1505204)
-
文摘
针对多尺度卷积神经网络的头部姿态估计准确率在实际应用中易受到光照、遮挡等干扰因素的影响,以及大量运算导致算法运行速度较低的问题,提出了头部姿态估计算法。使用不同尺度的卷积核对输入的头部姿态图片进行特征提取,丰富了图像特征,同时保留了图像信息,增强了算法对干扰因素的稳健性。引入1×1卷积对网络结构参数进行降维,降低了系统的运算量,提高了算法的时效性。实验结果表明,所提算法在Pointing′04和CAS-PEAL-R1数据库上的识别率分别为96.5%和98.9%,对于光照、表情、遮挡等干扰表现出较好的稳健性,具有较快的运行速度。
-
关键词
图像处理
头部姿态估计
卷积神经网络
多尺度卷积
1X1卷积
-
Keywords
imaging processing
head pose estimation
convolutional neural network
multi-scale convolution
1X1 convolution
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于密集连接与激励模块的图像超分辨网络
被引量：6
- 4
-
-
作者
胡诗语
王国栋
赵毅
王岩杰
潘振宽
-
机构
青岛大学计算机科学技术学院
-
出处
《激光与光电子学进展》
CSCD
北大核心
2019年第20期261-270,共10页
-
基金
山东省自然科学基金（ZR2019MF050）
"十二五"国家科技支撑计划（2014BAG03B05)
-
文摘
针对基于卷积神经网络的超分辨技术在纹理恢复时存在信息丢失、边缘模糊的现象,将密集块和激励模块结合,对图像进行低分辨率到高分辨率的端对端处理。密集连接融合后组成的密集块结构使图像区域的上下文信息得到有效利用。激励模块将有价值的全局信息选择性放大并将无用特征加以抑制。图像重建部分中的多个1×1卷积层结构减小了前一层的尺寸,在加速计算的同时减少了信息丢失。直接处理的原始图像缩短了训练时间,卷积层和滤波器的优化显著降低了计算复杂度。
-
关键词
图像处理
超分辨技术
密集连接
激励模块
1×1卷积层
计算复杂度
-
Keywords
image processing
super-resolution technology
dense connection
squeeze module
1×1convolution layer
computational complexity
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于逐级反投影网络的车牌图像超分辨率重建
被引量：4
- 5
-
-
作者
王殿伟
郝元杰
刘颖
谢永军
宋海军
-
机构
西安邮电大学通信与信息工程学院
中国科学院西安光学精密机械研究所
-
出处
《激光与光电子学进展》
CSCD
北大核心
2020年第16期56-64,共9页
-
基金
公安部科技强警基础研究专项(2019GABJC42)
陕西省自然科学基础研究计划(创新创业“双导师”)研究项目(2018JM6118)
+1 种基金
西安邮电大学创新创业项目(2018SC-08)
西安邮电大学研究生创新基金(CXJJLY2018039)。
-
文摘
针对监控视频中车牌图像超分辨率重建数据处理量较大、性能差的问题,提出了一种基于逐级反投影网络的车牌图像超分辨率重建算法。首先,为了减少超分辨率网络数据处理量,先检测并提取出低分辨率车牌区域。然后,分解深度反投影网络(DBPN)中较大的采样倍数,以逐级采样的方式完成迭代反投影。在逐级反投影单元中,跳线连接融合逐级采样产生的中间尺度特征,以提高特征利用率;用1×1卷积层降低融合后中间尺度的特征维度,同时保留关键信息。最后,根据逐级上投影单元产生的特征图重建高分辨率车牌图像。实验结果表明,相比DBPN,本算法不仅降低了超分辨率网络的数据处理量和参数量,且重建的车牌图像质量在主观感受和客观评价指标方面都得到了很大的提升。
-
关键词
超分辨率
车牌图像
逐级反投影单元
跳线连接
1×1卷积层
-
Keywords
super-resolution
license plate image
gradual back-projection unit
skip connection
1×1 convolutional layer
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
