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
共找到3,185篇文章
< 1 2 … 160 >
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：
迁移学习研究进展 被引量：462
1
作者 庄福振 罗平 +1 位作者 何清 史忠植 《软件学报》 EI CSCD 北大核心 2015年第1期26-39,共14页
近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)... 近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)必须有足够可利用的训练样本才能学习得到一个好的分类模型.目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题.对迁移学习算法的研究以及相关理论研究的进展进行了综述,并介绍了在该领域所做的研究工作,特别是利用生成模型在概念层面建立迁移学习模型.最后介绍了迁移学习在文本分类、协同过滤等方面的应用工作,并指出了迁移学习下一步可能的研究方向. 展开更多
关键词 迁移学习 相关领域 独立同分布 生成模型 概念学习
下载PDF
深度学习在图像识别中的应用研究综述 被引量：375
2
作者 郑远攀 李广阳 李晔 《计算机工程与应用》 CSCD 北大核心 2019年第12期20-36,共17页
深度学习作为图像识别领域重要的技术手段,有着广阔的应用前景,开展图像识别技术研究对推动计算机视觉及人工智能的发展具有重要的理论价值和现实意义,文中对深度学习在图像识别中的应用给予综述。介绍了深度学习的由来,具体分析了深度... 深度学习作为图像识别领域重要的技术手段,有着广阔的应用前景,开展图像识别技术研究对推动计算机视觉及人工智能的发展具有重要的理论价值和现实意义,文中对深度学习在图像识别中的应用给予综述。介绍了深度学习的由来,具体分析了深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络以及胶囊网络等深度学习模型,对各个深度学习模型的改进型模型逐一对比分析。总结近年来深度学习在人脸识别、医学图像识别、遥感图像分类等图像识别应用领域取得的研究成果并探讨了已有研究值得商榷之处,对深度学习在图像识别领域中的发展趋势进行探讨,指出有效使用迁移学习技术识别小样本数据,使用非监督与半监督学习对图像进行识别,如何对视频图像进行有效识别以及强化模型的理论性等是该领域研究的进一步方向。 展开更多
关键词 深度学习 图像识别 卷积神经网络 胶囊网络 迁移学习 非监督学习
下载PDF
深度学习的典型目标检测算法研究综述 被引量：179
3
作者 许德刚 王露 李凡 《计算机工程与应用》 CSCD 北大核心 2021年第8期10-25,共16页
目标检测是计算机视觉的一个重要研究方向,其目的是精确识别给定图像中特定目标物体的类别和位置。近年来,深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)所具有的特征学习和迁移学习能力,在目标检测算法特征提取、图像表... 目标检测是计算机视觉的一个重要研究方向,其目的是精确识别给定图像中特定目标物体的类别和位置。近年来,深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)所具有的特征学习和迁移学习能力,在目标检测算法特征提取、图像表达、分类与识别等方面取得了显著进展。介绍了基于深度学习目标检测算法的研究进展、常用数据集特点以及性能指标评价的关键参数,对比分析了双阶段、单阶段以及其他改进算法的网络结构和实现方式。阐述了算法在人脸、显著目标、行人、遥感图像、医学图像、粮虫等检测领域的应用进展,结合当前存在的问题和挑战,展望分析了其未来的研究方向。 展开更多
关键词 深度学习 目标检测 迁移学习 特征提取 计算机视觉
下载PDF
大数据下机械装备故障的深度迁移诊断方法 被引量：151
4
作者 雷亚国 杨彬 +1 位作者 杜兆钧 吕娜 《机械工程学报》 EI CAS CSCD 北大核心 2019年第7期1-8,共8页
机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别... 机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。 展开更多
关键词 机械装备 机械故障智能诊断 深度学习 迁移学习
原文传递
小样本学习研究综述 被引量：140
5
作者 赵凯琳 靳小龙 王元卓 《软件学报》 EI CSCD 北大核心 2021年第2期349-369,共21页
小样本学习旨在通过少量样本学习到解决问题的模型.近年来,在大数据训练模型的趋势下,机器学习和深度学习在许多领域中取得了成功.但是在现实世界中的很多应用场景中,样本量很少或者标注样本很少,而对大量无标签样本进行标注工作将会耗... 小样本学习旨在通过少量样本学习到解决问题的模型.近年来,在大数据训练模型的趋势下,机器学习和深度学习在许多领域中取得了成功.但是在现实世界中的很多应用场景中,样本量很少或者标注样本很少,而对大量无标签样本进行标注工作将会耗费很大的人力.所以,如何用少量样本进行学习就成为目前人们需要关注的问题.系统地梳理了当前小样本学习的相关工作,具体来说介绍了基于模型微调、基于数据增强和基于迁移学习这3大类小样本学习模型与算法的研究进展;将基于数据增强的方法细分为基于无标签数据、基于数据合成和基于特征增强这3类,将基于迁移学习的方法细分为基于度量学习、基于元学习和基于图神经网络这3类;总结了目前常用的小样本数据集和代表性的小样本学习模型在这些数据集上的实验结果;随后对小样本学习的现状和挑战进行了概述;最后展望了小样本学习的未来发展方向. 展开更多
关键词 小样本学习 微调 数据增强 迁移学习 度量学习 元学习
下载PDF
基于卷积神经网络与迁移学习的油茶病害图像识别 被引量：136
6
作者 龙满生 欧阳春娟 +1 位作者 刘欢 付青 《农业工程学报》 EI CAS CSCD 北大核心 2018年第18期194-201,共8页
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶... 传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。 展开更多
关键词 病害 分类 作物 油茶病害 图像识别 深度学习 迁移学习
下载PDF
基于迁移学习的卷积神经网络玉米病害图像识别 被引量：124
7
作者 许景辉 邵明烨 +1 位作者 王一琛 韩文霆 《农业机械学报》 EI CAS CSCD 北大核心 2020年第2期230-236,253,共8页
为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在ImageNet图像数据集训练好的卷积层迁移到本模型中... 为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在ImageNet图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95.33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。 展开更多
关键词 玉米病害 迁移学习 深度学习 图像识别 卷积神经网络
下载PDF
基于岩石图像深度学习的岩性自动识别与分类方法 被引量：115
8
作者 张野 李明超 韩帅 《岩石学报》 SCIE EI CAS CSCD 北大核心 2018年第2期333-342,共10页
岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别... 岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。 展开更多
关键词 岩石图像 深度学习算法 岩性识别 自动分类 迁移学习
下载PDF
基于小样本学习的图像分类技术综述 被引量：84
9
作者 刘颖 雷研博 +3 位作者 范九伦 王富平 公衍超 田奇 《自动化学报》 EI CAS CSCD 北大核心 2021年第2期297-315,共19页
图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述,根据不同的建模方式,将现有算法分为卷积神经网络模... 图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述,根据不同的建模方式,将现有算法分为卷积神经网络模型和图神经网络模型两大类,其中基于卷积神经网络模型的算法包括四种学习范式:迁移学习、元学习、对偶学习和贝叶斯学习;基于图神经网络模型的算法原本适用于非欧几里得结构数据,但有部分学者将其应用于解决小样本下欧几里得数据的图像分类任务,有关的研究成果目前相对较少.此外,本文汇总了现有文献中出现的数据集并通过实验结果对现有算法的性能进行了比较.最后,讨论了小样本图像分类技术的难点及未来研究趋势. 展开更多
关键词 迁移学习 元学习 对偶学习 贝叶斯学习 图神经网络
下载PDF
基于迁移学习的棉花叶部病虫害图像识别 被引量：84
10
作者 赵立新 侯发东 +2 位作者 吕正超 朱慧超 丁筱玲 《农业工程学报》 EI CAS CSCD 北大核心 2020年第7期184-191,共8页
针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,... 针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。 展开更多
关键词 卷积神经网络 图像识别 病害 图像增强 迁移学习 棉花
下载PDF
基于深度迁移学习的小样本智能变电站电力设备部件检测 被引量：81
11
作者 马鹏 樊艳芳 《电网技术》 EI CSCD 北大核心 2020年第3期1148-1159,共12页
随着人工智能的不断普及,智能变电站电力设备图像自动化检测系统的建立迫在眉睫。由于智能变电站电力设备图像数据集样本较少、场景复杂且电力设备部件相似度较高,传统图像检测算法无法对电力设备部件做到实时定位和准确识别。针对小样... 随着人工智能的不断普及,智能变电站电力设备图像自动化检测系统的建立迫在眉睫。由于智能变电站电力设备图像数据集样本较少、场景复杂且电力设备部件相似度较高,传统图像检测算法无法对电力设备部件做到实时定位和准确识别。针对小样本目标检测识别难题,基于网络的深度迁移学习可以在不同数据集之间建立特征上的关联,能够较好地学习现有小样本智能变电站电力设备数据集的特征。该文采用迁移学习的方法,提出一种利用单阶段多框检测器(singleshotmultiboxdetector,SSD)的智能变电站电力设备图像目标检测算法,并根据智能变电站电力设备数据集相关特点添加特征提取层,重新设计特征预测框数量及比例,采用软性惩罚非极大值抑制(softpunishnon-maximum suppression,Soft-PNMS)等改进方法进行优化,能够自适应于小样本电力设备数据集的检测。此方法通过200张智能变电站电力设备训练集、50张智能变电站电力设备测试集,实现了在小样本复杂背景下对电力设备部件的分类和定位,验证了所提算法的有效性。研究结果表明,对于绝缘子、套管、电流互感器、油枕、螺帽5类电力设备,该方法的平均精准度达到了91.1%,比常规SSD卷积神经网络分类器平均精准度提高13%,平均漏检率下降3%,平均误识别率下降4‰,该方法为小样本电力设备智能化检测奠定了理论基础。 展开更多
关键词 迁移学习 小样本检测 智能变电站 电力设备
下载PDF
改进LSSVM迁移学习方法的轴承故障诊断 被引量：77
12
作者 陈超 沈飞 严如强 《仪器仪表学报》 EI CAS CSCD 北大核心 2017年第1期33-40,共8页
机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的... 机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的增强型最小二乘支持向量机(LSSVM)迁移学习策略,用于数据量不足时的轴承故障诊断。其中利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合以提高诊断精度。诊断分类器通过改进传统LSSVM模型,在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,最终得到加入辅助集的函数估计,从而将该算法推广至迁移学习。此外,类内类间距离指标用于描述特征区分性,并提出4种辅助数据集的使用方法,从而构建迁移学习为框架的诊断模型。球形轴承的振动信号试验结果表明,相比传统机器学习,在目标振动数据较少条件下所提模型在轴承故障诊断时性能提升显著。 展开更多
关键词 轴承故障诊断 递归定量分析 迁移学习 最小二乘支持向量机
下载PDF
基于改进YOLOv3的绝缘子串定位与状态识别方法 被引量：74
13
作者 颜宏文 陈金鑫 《高电压技术》 EI CAS CSCD 北大核心 2020年第2期423-432,共10页
为了对高压输电线路的绝缘子串航拍图像进行精确快速的定位与状态识别,提出了一种基于改进YOLOv3的绝缘子串诊断方法。在自主建立航拍绝缘子串数据库的基础上,针对数据集样本存在的复杂度不均衡和类别不均衡现象,采用Focal Loss函数和... 为了对高压输电线路的绝缘子串航拍图像进行精确快速的定位与状态识别,提出了一种基于改进YOLOv3的绝缘子串诊断方法。在自主建立航拍绝缘子串数据库的基础上,针对数据集样本存在的复杂度不均衡和类别不均衡现象,采用Focal Loss函数和均衡交叉熵函数改进YOLOv3算法的损失函数;然后,对原网络在COCO数据集上训练的卷积层过滤器进行可视化分析,选择冻结层并采用多阶段迁移学习策略来训练网络。在Python环境下训练并测试实例,结果表明:改进的损失函数可优化网络训练的损失值,提升算法精确度;多阶段迁移学习策略在提高算法精确度的同时,能有效应对数据集小而易过拟合问题;所提方法可端对端实现绝缘子串的定位与状态识别,且诊断精确度达到0.918。研究结果证明所提方法具有较高的精确性和实时性。 展开更多
关键词 绝缘子串 状态识别 YOLOv3 损失函数 迁移学习 高压输电线路
下载PDF
基于深度学习的无人机航拍目标检测研究综述 被引量：71
14
作者 江波 屈若锟 +1 位作者 李彦冬 李诚龙 《航空学报》 EI CAS CSCD 北大核心 2021年第4期131-145,共15页
目标检测是提高无人机(UAV)感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标... 目标检测是提高无人机(UAV)感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。 展开更多
关键词 目标检测 无人机影像 卷积神经网络 计算机视觉 深度学习 迁移学习
原文传递
基于迁移学习的卷积神经网络植物叶片图像识别方法 被引量：68
15
作者 郑一力 张露 《农业机械学报》 EI CAS CSCD 北大核心 2018年第S1期354-359,共6页
为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图... 为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型(Alex Net、Inception V3)在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由Tensor Board可视化得到的数据绘制而成。结果表明,利用Alex Net、Inception V3预训练模型得到的测试集准确率分别为95. 31%、95. 40%,有效提高了识别准确率。 展开更多
关键词 叶片识别 卷积神经网络 迁移学习
下载PDF
基于卷积神经网络的小样本图像识别方法 被引量：65
16
作者 段萌 王功鹏 牛常勇 《计算机工程与设计》 北大核心 2018年第1期224-229,共6页
为提高仅包含少量训练样本的图像识别准确率,利用卷积神经网络作为图像的特征提取器,提出一种基于卷积神经网络的小样本图像识别方法。在原始小数据集中引入数据增强变换,扩充数据样本的范围;在此基础上将大规模数据集上的源预训练模型... 为提高仅包含少量训练样本的图像识别准确率,利用卷积神经网络作为图像的特征提取器,提出一种基于卷积神经网络的小样本图像识别方法。在原始小数据集中引入数据增强变换,扩充数据样本的范围;在此基础上将大规模数据集上的源预训练模型在目标小数据集上进行迁移训练,提取除最后全连接层之外的模型权重和图像特征;结合源预训练模型提取的特征,采用层冻结方法,微调目标小规模数据集上的卷积模型,得到最终分类识别结果。实验结果表明,该方法在小规模图像数据集的识别问题中具有较高的准确率和鲁棒性。 展开更多
关键词 卷积神经网络 模型预训练 模型微调 迁移学习 小样本
下载PDF
基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法 被引量：64
17
作者 吕石磊 卢思华 +3 位作者 李震 洪添胜 薛月菊 吴奔雷 《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页
柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框... 柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。 展开更多
关键词 神经网络 果树 算法 柑橘 YOLOv3-LITE 混合训练 迁移学习 GIoU边框回归损失函数
下载PDF
基于深度学习混合模型迁移学习的图像分类 被引量：61
18
作者 石祥滨 房雪键 +1 位作者 张德园 郭忠强 《系统仿真学报》 CAS CSCD 北大核心 2016年第1期167-173,182,共8页
为提高深度模型迁移学习的特征识别力,提出一种基于受限玻尔兹曼机与卷积神经网络混合模型迁移学习的图像分类方法。该方法融合了2种模型特征的学习能力,提取图像的结构性高阶统计特征进行主题分类。该方法在迁移预训练的卷积神经网络... 为提高深度模型迁移学习的特征识别力,提出一种基于受限玻尔兹曼机与卷积神经网络混合模型迁移学习的图像分类方法。该方法融合了2种模型特征的学习能力,提取图像的结构性高阶统计特征进行主题分类。该方法在迁移预训练的卷积神经网络模型到小目标集时,使用受限玻尔兹曼机代替卷积神经网络模型中的全连接层,在目标集上重新训练受限玻尔兹曼机层和Softmax层,并使用BP算法进行参数调整。加入的受限玻尔兹曼机层不仅全连接所有特征maps,还从最大对数似然的角度学习目标集特有的统计特征,消除了数据集间内容差异对迁移学习特征识别力的影响。在Pascal VOC2007和Caltech101数据集上的实验结果表明,该方法具有较高的分类准确率。 展开更多
关键词 图像分类 卷积神经网络 受限玻尔兹曼机 迁移学习 Softmax
下载PDF
基于迁移学习的类别级物体识别与检测研究与进展 被引量：59
19
作者 张雪松 庄严 +1 位作者 闫飞 王伟 《自动化学报》 EI CSCD 北大核心 2019年第7期1224-1243,共20页
类别级物体识别与检测属于计算机视觉领域的一个基础性问题,主要研究在图像或视频流中识别和定位出其中感兴趣的物体.在基于小规模数据集的类别级物体识别与检测应用中,模型过拟合、类不平衡和跨领域时特征分布变化等关键问题与挑战交... 类别级物体识别与检测属于计算机视觉领域的一个基础性问题,主要研究在图像或视频流中识别和定位出其中感兴趣的物体.在基于小规模数据集的类别级物体识别与检测应用中,模型过拟合、类不平衡和跨领域时特征分布变化等关键问题与挑战交织在一起.本文介绍了迁移学习理论的研究现状,对迁移学习理论解决基于小规模数据集的物体识别与检测中遇到的主要问题的研究思路和前沿技术进行了着重论述和分析.最后对该领域的研究重点和技术发展趋势进行了探讨. 展开更多
关键词 迁移学习 物体识别 物体检测 小规模数据集 类不平衡数据集
下载PDF
基于机器视觉的垃圾自动分类系统设计 被引量：57
20
作者 康庄 杨杰 郭濠奇 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2020年第7期1272-1280,1307,共10页
为了提高垃圾分类过程中前端收集的工作效率,基于机器视觉技术设计垃圾自动分类系统.设计制作垃圾分类的硬件设备,主要包括可回收和不可回收2个箱体;针对垃圾数据集较少的问题,提出基于Inception v3网络特征提取模型和迁移学习相结合的... 为了提高垃圾分类过程中前端收集的工作效率,基于机器视觉技术设计垃圾自动分类系统.设计制作垃圾分类的硬件设备,主要包括可回收和不可回收2个箱体;针对垃圾数据集较少的问题,提出基于Inception v3网络特征提取模型和迁移学习相结合的垃圾种类识别方法,在自建的垃圾数据集上进行训练和测试.结果显示,利用该方法可以准确地对垃圾种类进行识别,平均准确率达到0.99;将训练好的模型部署在树莓派3B+上,在制作的实物垃圾桶上进行测试,系统稳定后,平均完成一次分类回收的时间为0.95 s.实验表明,该系统能够有效地进行垃圾种类的识别和完成垃圾的分类回收. 展开更多
关键词 人工智能 Inception v3 机器视觉 图像分类 智能垃圾桶 迁移学习
下载PDF
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 2 … 160 下一页 到第 页
使用帮助 返回顶部