检索结果-内蒙古大学图书馆

生物医学工程学杂志 2021年第1期38卷 122-130页

作者：李建明陈斌孙晓飞冯涛张跃飞中国科学院成都计算机应用研究所成都610041 中国科学院大学北京100049 中科院广州电子技术有限公司广州510070

人类染色体核型分析是诊断遗传疾病的重要手段,染色体图像类型识别是分析过程的关键步骤,准确高效地识别对自动核型分析具有重大意义。本文提出了一种分段重标定的稠密卷积神经网络模型(SRDenseNet),模型各阶段先利用稠密连接的网络层... 详细信息

人类染色体核型分析是诊断遗传疾病的重要手段,染色体图像类型识别是分析过程的关键步骤,准确高效地识别对自动核型分析具有重大意义。本文提出了一种分段重标定的稠密卷积神经网络模型(SRDenseNet),模型各阶段先利用稠密连接的网络层自动提取染色体不同抽象层次的特征,再用压缩激活(SE)结构对汇集了局部所有特征的层进行特征重标定,对不同特征的重要性显式地构建可学习的结构;提出了一种模型融合方法,构建了染色体识别模型专家组。在国际公开的哥本哈根染色体识别数据集(G显带)上进行了实验验证,该模型的识别错误率仅为1.60%;采用模型融合方法后,识别错误率进一步降低到0.99%。在意大利帕多瓦大学的数据集(Q显带)上,识别错误率为6.67%;模型融合后,进一步降低到5.98%。实验结果表明本文所提方法是有效的,具备实现染色体类型识别自动化的潜力。

关键词：染色体识别稠密卷积神经网络分段重标定染色体核型分析

来源：评论

学校读者我要写书评

暂无评论

基于稠密卷积神经网络的非参数expectile回归模型

基于稠密卷积神经网络的非参数expectile回归模型

引用

作者：史子瑄南京审计大学

学位级别：硕士

金融风险测度与预测一直是经济领域研究的热点问题,尤其对于波动性较大的可投资产品而言,比如股票、期货与期权等。常用度量风险测度方法是Va R模型,与统计学的分位数模型是一致的。然而,传统的分位数回归模型无法反映分布尾部的极端风... 详细信息

金融风险测度与预测一直是经济领域研究的热点问题,尤其对于波动性较大的可投资产品而言,比如股票、期货与期权等。常用度量风险测度方法是Va R模型,与统计学的分位数模型是一致的。然而,传统的分位数回归模型无法反映分布尾部的极端风险,从而容易导致过度乐观的风险值。与分位数回归相比,expectile回归模型不仅具有良好的数学性质(如一致性和可引出性),而且可以刻画分布尾部的极端损失或收益。鉴于此,本文首先回顾了expectile回归在建模方面历史发展,然后结合神经网络近年来在模拟非线性系统模型方面的优异表现,提出了一种基于神经网络新的变型-稠密卷积神经网络的expectile回归,并命名为expectile DN模型。最后,通过对expectile DN进行数值模拟实验,并将实验结果与已有的非参数expectile模型相比较,结果展现出expectile DN模型优良的预测能力。具体来说,我们首先回顾了expectile回归的历史发展,非参数模型的发展从最初的局部线性、有限样条或小波基函数逼近,以及到较近代的集成学习代表ER-boost,后者是一种基于boosting算法的expectile回归模型。随后伴随着再生核方法的流行,一种基于可再生希尔伯特核空间的expectile回归模型被有些学者提出。然而,以上建模的方式都是以浅层学习展开的,无法对特征进行很好的变换以及难以适用于高维度的非线性问题。本文考虑充分利用稠密卷积神经网络(Dense Convolution Networks)的优势,提出基于稠密卷积神经网络的expectile模型以便实现较好的风险预测能力,简称为expectile DN。重要的是,稠密卷积神经网络不仅可以通过较少参数来表示高维数据,而且每一个隐含层与前面所有层都有连接,从而加强特征信息在每一层的传递,进而减轻梯度消失的问题。根据我们提出的模型,本文对expectile DN模型进行了数值模拟实验与比较分析。数值模拟样本点来自固定的样本生成函数,分别在不同误差分布、样本量、解释变量维度上,对expectile DN模型与其他两种非参数模型对比(基于boosting算法的expectile模型、基于再生核希尔伯特空间的expectile模型)进行实验。训练集占总样本的80%,测试集占20%。记录实验的误差度量指标-均方偏差和实验所用时间。通过对实验结果进行分析,发现expectile DN模型与ER-boost、再生核expectile回归相比,具有相对较好的特征学习与预测能力。综上,本文的研究工作,在方法上提出了将expectile回归和稠密卷积神经网络结合的模型,并给出具体的模型结构和训练方法,丰富了expectile回归的建模工具。在数值模拟上,将提出的expectile DN模型与已有的expectile非参估计器—ER-boost和再生核技术进行了细致的比较。数值模拟实验结果显示出expectile DN模型优良的预测性能。

关键词：深度学习 expectile回归稠密卷积神经网络非参数模型分位数回归

来源：评论

学校读者我要写书评

暂无评论

基于语谱图与稠密卷积神经网络的性别与年龄识别研究

引用

仪表技术 2022年第1期 66-70,73页

作者：朱梦帆汪志成戴诗柏东华理工大学机械与电子工程学院江西南昌330013

针对传统的特征提取算法与分类识别模型对说话人年龄的识别精确度较低,且受外界噪声影响较大等问题,提出了一种结合改进型语谱图与自建DenseNets网络对性别与年龄识别的方法。首先制作语谱图数据集并改进语谱图的特征提取方式,然后搭建... 详细信息

针对传统的特征提取算法与分类识别模型对说话人年龄的识别精确度较低,且受外界噪声影响较大等问题,提出了一种结合改进型语谱图与自建DenseNets网络对性别与年龄识别的方法。首先制作语谱图数据集并改进语谱图的特征提取方式,然后搭建网络模型对语谱图进行分类识别,最后对算法模型的性能进行分析,并实现在线识别说话人的声纹特征。实验结果表明:该算法模型可以有效识别说话人的性别与年龄区间,具有一定的实用意义。

关键词：语谱图稠密卷积神经网络性别识别年龄识别

来源：评论

学校读者我要写书评

暂无评论

基于多特征卷积神经网络的手写公式符号识别

引用

激光与光电子学进展 2019年第7期56卷 256-263页

作者：方定邦冯桂曹海燕杨恒杰韩雪易银城华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室福建厦门361021

提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度... 详细信息

提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。

关键词：光计算稠密卷积神经网络手写公式符号稠密残差块深度特征细粒度特征

来源：评论

学校读者我要写书评

暂无评论

基于DenseNet的人脸表情识别方法研究

引用

计算机与数字工程 2023年第10期51卷 2425-2430页

作者：顾状状许学斌路龙宾豆阳光西安邮电大学计算机学院西安710000 长安大学地质工程与测绘学院西安710054

在人脸识别方向,文章提出了一种基于稠密卷积神经网络的人脸表情识别方法。该方法通过特征复用与旁路连接的策略,实现低计算资源的高效特征表达,从而达到提高表情识别系统准确率的目的。文中提出的人脸表情识别方法,使用GPU运算优化模型... 详细信息

在人脸识别方向,文章提出了一种基于稠密卷积神经网络的人脸表情识别方法。该方法通过特征复用与旁路连接的策略,实现低计算资源的高效特征表达,从而达到提高表情识别系统准确率的目的。文中提出的人脸表情识别方法,使用GPU运算优化模型,最终在拓展的KDEF人脸表情数据集上取得了96.88%的准确率,优于目前已公开的大部分人脸表情识别方法。文章利用预先训练好的人脸表情识别模型,设计出表情识别原型软件,通过使用摄像头实时捕捉人脸表情进行识别,能够取得很好的识别效果。

关键词：稠密卷积神经网络人脸表情识别深度学习图像分类

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征损失函数的图像超分辨率重建

引用

光电工程 2019年第11期46卷 1-9页

作者：徐亮符冉迪金炜唐彪王尚丽宁波大学信息科学与工程学院

在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的... 详细信息

在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。

关键词：图像超分辨率重建稠密卷积神经网络多尺度特征损失函数深度学习

来源：评论

学校读者我要写书评

暂无评论

基于视频内容的行为识别算法研究

基于视频内容的行为识别算法研究

引用

作者：刘新燕山大学

学位级别：硕士

随着视频信息量的激增与机器视觉的快速发展,人们对视频处理领域的技术要求越来越高。视频行为识别作为视频理解方向的一个分支,具有十分重要的研究意义。该文对视频行为识别算法做了详细研究,旨在于通过对视频时空信息的分析,形成更加... 详细信息

随着视频信息量的激增与机器视觉的快速发展,人们对视频处理领域的技术要求越来越高。视频行为识别作为视频理解方向的一个分支,具有十分重要的研究意义。该文对视频行为识别算法做了详细研究,旨在于通过对视频时空信息的分析,形成更加有效的视频特征,得到更有判别力的视频行为识别系统。首先,设计了基于时空卷积网络的视频行为识别算法,将视频行为识别处理为单独对视频空间与时间信息的获取。在双流卷积网络的基础上,比较分析了光流图像和显著性图像作为网络输入时,对行为识别效果的影响。同时,通过视频时空信息的分析,并借助三维卷积,构建了一个具有双分支结构的时空卷积网络,该网络能够以独立且明确的方式获取视频的时间与空间信息,提高了行为识别效果。其次,研究了基于循环神经网络的特征融合与视频分段的视频行为识别算法,将视频行为识别工作按时序信息处理。在循环神经网络的基础上,首先实现了与卷积神经网络联合的行为识别算法,并对网络类型和采样长度的选取进行比较分析;再者,分别根据相邻特征平均化和三维卷积网络,提出了基于特征融合的识别算法;之后,提出了基于视频分段的视频行为识别算法,并比较分析了融合函数和视频段数对行为识别效果的影响。最后,设计了基于三维卷积稠密网络的视频行为识别算法,将视频行为识别处理为同时获取视频时空信息。基于稠密卷积神经网络的稠密层级连接方式,并借助三维卷积操作,构建了三维卷积稠密网络;同时,通过对三维卷积处理视频序列尺度的研究,设计构建了多尺度时间输入转换层,构建了可以密集且高效获取视频时空信息的多尺度三维卷积稠密网络,提高了视频行为识别效果。

关键词：视频行为识别深度学习循环神经网络稠密卷积神经网络三维卷积

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：