期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习的蝴蝶科级标本图像自动识别
被引量：
17
1
作者
周爱明
马鹏鹏
+5 位作者
席天宇
王江宁
冯晋
邵泽中
陶玉磊
姚青
《昆虫学报》
CAS
CSCD
北大核心
2017年第11期1339-1348,共10页
【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增...
【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增强图像数据集。在Caffe框架下,利用迁移学习方法,首先使用Image Net数据集中的图像训练Caffe Net模型,迭代31万次后得到初始化的网络权值;然后利用蝴蝶图像训练已预训练好的Caffe Net模型,通过参数微调,获得一个蝴蝶科级标本图像自动识别的卷积神经网络模型。为了比较深度学习和传统模式识别两种方法建立的模型的泛化能力,对相同训练样本提取全局特征和局部特征,训练支持向量机(support vector machine,SVM)分类器。所有的模型在与训练样本图像来源一致和不一致的两个测试样本集上进行测试。【结果】当测试样本与训练样本来源一致,均为蝴蝶标本图像时,基于Caffe Net的蝴蝶识别模型对6个科的蝴蝶识别准确率平均达到95.8%,基于Gabor的SVM分类器也获得了94.8%的识别率。当测试样本与训练样本来源不一致,为自然环境下拍摄的蝴蝶图像时,两种方法获得的识别率均下降,但Caffe Net模型对蝴蝶自然图像的平均识别率仍能达到65.6%,而基于Gabor的SVM分类器的识别率仅为38.9%。【结论】利用Caffe Net模型进行蝴蝶科级标本图像识别是可行的,相比较传统模式识别方法,基于深度学习的蝴蝶识别模型具有更好的泛化能力。
展开更多
关键词
蝴蝶
标本图像
自动识别
深度学习
caffenet
模型
特征提取
支持向量机
下载PDF
职称材料
改进CaffeNet模型在水面垃圾识别中的应用
被引量：
10
2
作者
向伟
史晋芳
+2 位作者
刘桂华
徐锋
黄占鳌
《传感器与微系统》
CSCD
2019年第8期150-152,156,共4页
为了提高水面垃圾识别的准确率,提出一种改进CaffeNet的卷积神经网络模型对水面垃圾进行识别。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构,进而增强了网络模型特征提取的能力,降低了网络复杂度。实验结果证明:改进的C...
为了提高水面垃圾识别的准确率,提出一种改进CaffeNet的卷积神经网络模型对水面垃圾进行识别。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构,进而增强了网络模型特征提取的能力,降低了网络复杂度。实验结果证明:改进的CaffeNet模型将水面垃圾的识别率提高到95. 75%,能减少水面波纹、物体倒影和桥梁等复杂环境对水面垃圾识别的影响,具有较好的水面垃圾识别效果。
展开更多
关键词
深度学习
卷积神经网络
caffenet
模型
水面垃圾识别
下载PDF
职称材料
基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究
被引量：
1
3
作者
肖和平
赵宇恒
米素娟
《湖南交通科技》
2021年第1期140-145,共6页
综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值。鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模...
综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值。鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火车站等交通设施场景图像的特征向量,并输入到SVM分类器中进行分类,平均分类精度达到93.5%。实验中将CaffeNet模型与基于VGG-16、GoogleNet这2种深度学习模型的方法,以及SIFT、LBP、CH这3种基于低层特征提取的方法进行对比分析,证明基于CaffeNet模型的方法具有相对较好的稳定性和较高的识别精度。
展开更多
关键词
深度学习
caffenet
模型
交通设施
分类
下载PDF
职称材料
题名
基于深度学习的蝴蝶科级标本图像自动识别
被引量：
17
1
作者
周爱明
马鹏鹏
席天宇
王江宁
冯晋
邵泽中
陶玉磊
姚青
机构
浙江理工大学信息学院
中国科学院动物研究所
出处
《昆虫学报》
CAS
CSCD
北大核心
2017年第11期1339-1348,共10页
基金
国家高技术研究发展计划(863计划)项目(2013AA102402)
国家自然科学青年基金项目(31501841)
+1 种基金
浙江省新苗计划项目(2016R406039)
浙江理工大学521人才培养计划资助
文摘
【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增强图像数据集。在Caffe框架下,利用迁移学习方法,首先使用Image Net数据集中的图像训练Caffe Net模型,迭代31万次后得到初始化的网络权值;然后利用蝴蝶图像训练已预训练好的Caffe Net模型,通过参数微调,获得一个蝴蝶科级标本图像自动识别的卷积神经网络模型。为了比较深度学习和传统模式识别两种方法建立的模型的泛化能力,对相同训练样本提取全局特征和局部特征,训练支持向量机(support vector machine,SVM)分类器。所有的模型在与训练样本图像来源一致和不一致的两个测试样本集上进行测试。【结果】当测试样本与训练样本来源一致,均为蝴蝶标本图像时,基于Caffe Net的蝴蝶识别模型对6个科的蝴蝶识别准确率平均达到95.8%,基于Gabor的SVM分类器也获得了94.8%的识别率。当测试样本与训练样本来源不一致,为自然环境下拍摄的蝴蝶图像时,两种方法获得的识别率均下降,但Caffe Net模型对蝴蝶自然图像的平均识别率仍能达到65.6%,而基于Gabor的SVM分类器的识别率仅为38.9%。【结论】利用Caffe Net模型进行蝴蝶科级标本图像识别是可行的,相比较传统模式识别方法,基于深度学习的蝴蝶识别模型具有更好的泛化能力。
关键词
蝴蝶
标本图像
自动识别
深度学习
caffenet
模型
特征提取
支持向量机
Keywords
Butterfly
specimen images
automatic identification
deep learning
caffenet
model
feature extraction
support vector machine
分类号
Q969 [生物学—昆虫学]
下载PDF
职称材料
题名
改进CaffeNet模型在水面垃圾识别中的应用
被引量：
10
2
作者
向伟
史晋芳
刘桂华
徐锋
黄占鳌
机构
西南科技大学制造科学与工程学院
西南科技大学制造过程测试技术省部共建教育部重点实验室
西南科技大学特殊环境机器人技术四川省重点实验室
出处
《传感器与微系统》
CSCD
2019年第8期150-152,156,共4页
基金
国防科工局核能开发科研项目([2016]1295)
四川省教育厅资助项目(16ZB0141)
+2 种基金
西南科技大学研究生创新基金资助项目(19YCX0124)
国家自然科学基金资助项目(11602292)
国家自然科学基金青年科学基金资助项目(61701421)
文摘
为了提高水面垃圾识别的准确率,提出一种改进CaffeNet的卷积神经网络模型对水面垃圾进行识别。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构,进而增强了网络模型特征提取的能力,降低了网络复杂度。实验结果证明:改进的CaffeNet模型将水面垃圾的识别率提高到95. 75%,能减少水面波纹、物体倒影和桥梁等复杂环境对水面垃圾识别的影响,具有较好的水面垃圾识别效果。
关键词
深度学习
卷积神经网络
caffenet
模型
水面垃圾识别
Keywords
deep learning
convolutional neural network
caffenet
model
water surface garbage identification
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP18 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究
被引量：
1
3
作者
肖和平
赵宇恒
米素娟
机构
湖南省交通运输厅科技信息中心
中国地质大学(武汉)地理与信息工程学院
中国交通通信信息中心
出处
《湖南交通科技》
2021年第1期140-145,共6页
基金
国家重点研发计划课题项目(2017YFB0503804)。
文摘
综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值。鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火车站等交通设施场景图像的特征向量,并输入到SVM分类器中进行分类,平均分类精度达到93.5%。实验中将CaffeNet模型与基于VGG-16、GoogleNet这2种深度学习模型的方法,以及SIFT、LBP、CH这3种基于低层特征提取的方法进行对比分析,证明基于CaffeNet模型的方法具有相对较好的稳定性和较高的识别精度。
关键词
深度学习
caffenet
模型
交通设施
分类
分类号
TU984.191 [建筑科学—城市规划与设计]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度学习的蝴蝶科级标本图像自动识别
周爱明
马鹏鹏
席天宇
王江宁
冯晋
邵泽中
陶玉磊
姚青
《昆虫学报》
CAS
CSCD
北大核心
2017
17
下载PDF
职称材料
2
改进CaffeNet模型在水面垃圾识别中的应用
向伟
史晋芳
刘桂华
徐锋
黄占鳌
《传感器与微系统》
CSCD
2019
10
下载PDF
职称材料
3
基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究
肖和平
赵宇恒
米素娟
《湖南交通科技》
2021
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
