福利视频一区二区三区,欧美激情一区二区成人,日本JAPANESE丰满少妇

基于深度學習的魚類識別與檢測的算法研究

魚類分類識別在漁業(yè)資源研究、魚類知識的科學推廣、水產養(yǎng)殖加工、稀有物種保護等領域具有廣泛的應用前景。針對大菱鲆、黃鰭鯛、金錢魚、鯔魚這四種魚類，利用PyTorch框架為基礎，通過ResNet50網(wǎng)絡模型，用不同的算法對其進行分類識別，不斷對模型進行優(yōu)化，對四種魚類訓練學習，通過測試其準確率達到96%以上。同時用PyQt5開發(fā)了GUI可視化界面，通過界面圖片的選擇和預測功能按鈕的操作，測試結果實際類別與預測類別一致，用DSOD框架做了水下目標實時跟蹤檢測，提高了對小目標的檢測率，同時保持了模型的檢測速度，檢測結果達到期望。

發(fā)表于：12/17/2020

安全類文章的多文本分類系統(tǒng)的設計與實現(xiàn)

目前安全類網(wǎng)站信息的分類標簽各不相同，沒有統(tǒng)一分類標準，使安全類網(wǎng)站無法準確地向用戶展示特定類別的安全信息。面對大量的安全類網(wǎng)站的技術類文章信息，用戶需要花費大量的時間來識別文本類別。因此，設計一個多文本分類系統(tǒng)對于提高安全類網(wǎng)站的用戶體驗和使用效率具有重要意義。開發(fā)了一套基于CNN和LSTM混合模型的安全類文章多文本分類系統(tǒng)，本系統(tǒng)采用基于Scrapy框架的網(wǎng)絡爬蟲，該網(wǎng)絡爬蟲支持定制化配置提取不同布局的頁面數(shù)據(jù)，支持數(shù)據(jù)持久化存儲。并在 CNN和 LSTM混合模型基礎上設計實現(xiàn)了多文本自動標注模塊，實現(xiàn)了網(wǎng)站安全類信息的自動分類，相對傳統(tǒng)的CNN和LSTM模型分類準確率分別提升1.79%和1.54%，F(xiàn)1值分別提升1.02%和0.32%。

發(fā)表于：12/17/2020

基于Android的PDR改進算法研究

基于Android開發(fā)實現(xiàn)了一款室內定位軟件，采用PDR（Pedestrian Dead Reckoning）算法作為室內定位算法，利用智能手機內置加速度傳感器、磁場傳感器來實現(xiàn)步數(shù)、步長和航向的檢測。同時，在基本的PDR算法的基礎上做了改進，即采用卡爾曼濾波平滑處理步長、粒子濾波優(yōu)化結果。最后對改進的算法進行實際測試，直線為主的軌跡中采用直線判定后誤差為0.64 m；曲線為主的軌跡中采用兩種濾波方法優(yōu)化后誤差為1.08 m。

發(fā)表于：12/17/2020

基于深度學習的視頻火焰識別方法

針對傳統(tǒng)視頻火災檢測方法依靠人工經(jīng)驗提取火焰特征，誤報率高、魯棒性差的特點，提出一種基于深度學習的視頻火焰識別方法。該方法充分利用火焰的運動特征和顏色信息，先使用改進的五幀差法和自適應混合高斯建模法進行運動目標提?。辉俨捎肦GB-HSV混合顏色空間模型篩選出圖像中可能的火焰像素區(qū)域；最后將以上兩個步驟結合起來進行疑似火焰區(qū)域提取，并將疑似火焰區(qū)域圖像傳入預訓練的AlexNet卷積神經(jīng)網(wǎng)絡模型進行火與非火的精確識別。通過對多種場景下火焰視頻的測試結果表明，提出的方法具有較高的召回率、準確率和較低的誤報率。

發(fā)表于：12/17/2020

基于深度回歸的指針儀表讀數(shù)識別方法

現(xiàn)有儀表讀數(shù)識別方法通過檢測指針和刻度獲取讀數(shù)，對輸入的儀表圖像質量要求較高，為此提出一種新的基于深度回歸的指針儀表讀數(shù)識別方法。該方法首先由儀表圖像獲取圖像特征，然后通過方向回歸模塊預測指針方向，最后根據(jù)指針角度計算儀表讀數(shù)。相比于其他方法，該方法采用端到端的回歸方式進行直接學習，具有更強的識別能力。在較大規(guī)模變電站儀表圖像數(shù)據(jù)集上，該方法取得了97.2%的讀數(shù)精度，相比于基于Mask R-CNN的儀表讀數(shù)識別方法提高了7.4%。定性分析和定量分析結果表明，相比于現(xiàn)有的儀表讀數(shù)識別方法，該方法對表盤圖像干擾具有更強的魯棒性。

發(fā)表于：12/17/2020

基于立體視覺的無人機動態(tài)目標實時跟蹤

針對小型四旋翼飛行器的動態(tài)目標跟蹤問題，提出了連續(xù)自適應橢圓檢測(Continuously Adaptive Ellipse Detector，CAED)算法的飛行器目標定位以及一種基于立體視覺的跟蹤控制算法。首先，雙目相機拍攝的圖像通過CAED算法得到目標的像素中心點，利用三角測量原理，實現(xiàn)了對目標位置的有效估計。其次，針對運動目標跟蹤任務，設計并實現(xiàn)了兩個級聯(lián)串級PID的四旋翼位置姿態(tài)控制律。最后，在四旋翼上將圖像處理算法與四旋翼控制相結合，進行了測試實驗，驗證了本文所提出的檢測和控制方法。

發(fā)表于：12/17/2020

基于Anchor-free架構的行人檢測方法

使用無預選框(Anchor-free)的檢測框架，設計了一種行人檢測算法。將深度殘差網(wǎng)絡(ResNet)作為特征提取網(wǎng)絡，與特征金字塔網(wǎng)絡(FPN)結構相結合，使用了多尺度預測的方式進行預測。把目標中心點和尺寸作為一種高級的語義特征，將含有更多細節(jié)信息的淺層特征圖和含有更多語義信息的深層特征圖進行融合。在Citypersons數(shù)據(jù)集上進行了實驗驗證，相較現(xiàn)有行人檢測算法，提出的算法在輕微遮擋、一般遮擋和嚴重遮擋情況下漏檢率分別提升了1.11%~3.01%，0.15%~6.55%和0.59%~6.39%，檢測效果更好。

發(fā)表于：12/17/2020

基于改進LeNet-5的形狀類似物體識別方法

針對深度學習在對外形類似物體的識別上存在著識別精度低、耗時長等問題，提出基于改進的LeNet-5的識別方法。在傳統(tǒng)LeNet-5網(wǎng)絡基礎上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時長的缺點；通過對訓練集進行增廣增加訓練樣本。實驗結果表明，改進LeNet-5網(wǎng)絡的訓練精度達到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內收斂，這些指標均顯著優(yōu)于原網(wǎng)絡。

發(fā)表于：12/16/2020

飛機舵機電液伺服系統(tǒng)智能PID控制方法研究

針對飛機舵機電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問題，引入一種智能PID控制方法。該方法結合了粒子群算法和PID控制器的優(yōu)點，并利用蜂群算法的選擇策略對粒子群算法進行優(yōu)化，適應了飛機舵機電液伺服系統(tǒng)非線性動態(tài)控制環(huán)境的要求。實驗結果表明，飛機舵機電液伺服系統(tǒng)智能PID控制方法能夠達到系統(tǒng)控制性能指標要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡的織物瑕疵檢測方法研究

織物瑕疵檢測是控制織物產品質量的重要步驟，傳統(tǒng)的織物瑕疵檢測方法檢測效率低，勞動強度大。因此，針對傳統(tǒng)檢測方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(CNN)的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡是在VGG16的基礎上進行減枝，通過優(yōu)化網(wǎng)絡參數(shù)實現(xiàn)最優(yōu)結果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測的目標，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡訓練，既提高了網(wǎng)絡的分類準確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測試過程中，提出對大尺度圖片進行有重疊的分割，然后對分割后的圖片進行分類，根據(jù)每張圖片的輸出標簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結果表明，本文所提出的網(wǎng)絡結構相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡結構, 具有檢測速度快、檢測精度高等優(yōu)勢。

發(fā)表于：12/16/2020

人工智能基礎軟硬件架構的關鍵技術研究

針對當前人工智能技術在軍用領域的應用問題和難點，研究基于深度學習技術的軍用軟硬件架構設計方法，并且結合業(yè)內主流的軟硬件基礎架構，分析在軍事應用中涉及的關鍵技術和解決思路。通過對深度學習模型壓縮轉化、數(shù)據(jù)增強和分布式訓練等軟硬件架構的關鍵技術研究，設計構建了一站式人工智能開發(fā)平臺、嵌入式邊緣智能計算平臺，對軍用人工智能提供端到端的訓練、部署和測試支撐。該研究可為未來智能無人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計算解決方案。

發(fā)表于：12/16/2020

基于改進P-Unet模型的巖屑顆粒識別

提出了一種基于改進P-Unet模型的巖屑顆粒識別方法。該方法基于Unet模型結構，運用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進P-Unet模型采用了殘差網(wǎng)絡ResNeXt101，在提高巖屑顆粒識別準確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問題，同時運用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡的參數(shù)以及預測的時間。實驗結果表明，改進P-Unet模型得到的識別準確率對比同類先進算法有一定的提升，對巖屑顆粒識別的結果更加準確。

發(fā)表于：12/16/2020

基于GANs無監(jiān)督回歸三維參數(shù)化人臉模型

針對神經(jīng)網(wǎng)絡回歸訓練過程中三維人臉數(shù)據(jù)稀缺的問題，提出了基于生成對抗網(wǎng)絡(GANs)回歸三維參數(shù)化人臉模型(3DMM)的無監(jiān)督學習方式。首先利用GANs的對抗生成訓練使生成器回歸的3DMM參數(shù)符合真實感人臉形狀的參數(shù)分布。隨后將生成的三維人臉網(wǎng)格渲染成二維圖片，利用身份編碼器對輸入人臉及渲染人臉分別提取身份特征向量，通過不斷縮小向量之間的距離使得生成的三維人臉網(wǎng)格靠近輸入人臉的身份特征。實驗結果表明，該方法在重建結果頂點位置準確性上相對于現(xiàn)有的方法有明顯的提升，且擁有較好的RMSE值，能夠較好應用于三維人臉重建任務。

發(fā)表于：12/16/2020

智能化武器裝備標準體系框架研究

近年來，隨著邊緣計算、深度學習等人工智能技術的迅速發(fā)展，基于人工智能技術的智能化武器裝備應用日趨廣泛，這對智能化武器裝備的標準化工作提出了更高的要求。針對智能化武器裝備發(fā)展現(xiàn)狀進行分析與研究，基于智能化武器裝備標準現(xiàn)狀及發(fā)展需求建立了智能化武器裝備標準體系框架。同時，根據(jù)智能化武器裝備特點和智能化戰(zhàn)爭需求對未來的標準研制工作提出了建議。

發(fā)表于：12/16/2020

基于機器學習的惡意軟件檢測研究進展及挑戰(zhàn)

由于惡意軟件的數(shù)量日漸龐大，攻擊手段不斷更新，結合機器學習技術是惡意軟件檢測發(fā)展的一個新方向。先簡要介紹惡意軟件檢測中的靜態(tài)檢測方法以及動態(tài)檢測方法，總結基于機器學習的惡意軟件檢測一般流程，回顧了研究進展。通過使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗證了結構化特征相關方法，包括隨機森林(Random Forest，RF)、LightGBM、支持向量機(Support Vector Machine，SVM)、K-means以及卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗證了序列化特征相關方法，包括幾種常見的深度學習算法模型。計算模型以在不同測試集上的準確率、精確率、召回率以及F1-值作為評估指標。根據(jù)實驗結果分析討論了各類方法的優(yōu)缺點，著重驗證分析了樹模型的泛化能力，表明隨著樣本的不斷演變，模型普遍存在退化問題，并指出進一步研究方向。

發(fā)表于：12/16/2020