检索结果-内蒙古大学图书馆

黑龙江畜牧兽医 2025年第4期 125-130页

作者：潘雨龙沈延锋王广超张亚群徐宗鹏于家峰吉林化工学院信息与控制工程学院吉林吉林132022 德州学院(中俄)农业食品科学与技术山东省高校国际合作联合实验室山东德州253023

为了解决在驴规模化养殖过程中驴只个体识别时传统的耳标和无线射频识别(radio frequency identification,RFID)技术存在的易脱标、应激反应等问题,本研究将注意力模块(convolutional block attention module,CBAM)和resnet50模型相融合... 详细信息

为了解决在驴规模化养殖过程中驴只个体识别时传统的耳标和无线射频识别(radio frequency identification,RFID)技术存在的易脱标、应激反应等问题,本研究将注意力模块(convolutional block attention module,CBAM)和resnet50模型相融合,建立一种驴脸识别方法。首先随机选取23头驴(品种包括乌头驴和三粉驴)进行视频拍摄,提取每张图像的驴脸区域后通过数据增强方式构建了一个包含23000张图像的驴脸数据集;然后通过精简resnet50模型并在分类网络之前引入CBAM,构建了CBAM-resnet50模型;最后以混淆矩阵为模型识别性能的评价指标,计算准确率、召回率和参数量,并与resnet50模型和Swin Transformer(以下简称Swin)-T模型进行比较,评估CBAM-resnet50模型的识别性能。结果表明:CBAM-resnet50模型的准确率和召回率最高,分别为94.05%和93.09%;参数量最低,仅为7.05×10^(6)。与resnet50模型比较,CBAM-resnet50模型的准确率和召回率分别提升了0.86,0.39百分点,参数量降低了72.42%;与Swin-T模型比较,CBAM-resnet50模型的优势更为明显,准确率和召回率分别提升了22.97,22.22百分点,参数量降低了75.06%。说明相对于其他两种模型,CBAM-resnet50模型对于驴脸识别具有更优的效果。

关键词：驴脸识别注意力模块 resnet50模型 Swin Transformer模型智慧养殖

来源：评论

学校读者我要写书评

暂无评论

基于RAdam算法优化resnet50模型膏体图像识别方法研究

引用

中国矿业 2023年第7期32卷 79-86页

作者：杨莹吴爱祥王先成王国立金诚信矿业管理股份有限公司北京101500 北京科技大学土木与资源工程学院北京100083

膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化resnet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移... 详细信息

膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化resnet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和resnet50模型进行预训练,对比4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度。研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,resnet50模型性能最佳。基于RAdam算法优化resnet50模型收敛速度更快,识别精度更高。基于RAdam算法优化resnet50模型膏体图像识别精度可达99.24%,可实现膏体图像的高精度识别。

关键词：卷积神经网络图像识别 RAdam算法 resnet50模型膏体

来源：评论

学校读者我要写书评

暂无评论

基于YOLO模型的宫颈细胞簇团智能识别方法

引用

液晶与显示 2018年第11期33卷 965-971页

作者：郑欣田博李晶晶电子科技大学计算机科学与工程学院四川成都611731 成都九鼎天元知识产权代理有限公司四川成都610041 江苏科技大学计算机科学与工程学院江苏镇江212003

针对宫颈细胞簇团自动识别问题,本文提出了一种基于YOLO v2模型的智能识别方法。首先,针对宫颈细胞簇团识别任务的特点,采用resnet 50模型作为YOLO v2网络的基础特征提取模块。同时,提出了相应的数据扩增方法与YOLO v2网络的训练方案。... 详细信息

针对宫颈细胞簇团自动识别问题,本文提出了一种基于YOLO v2模型的智能识别方法。首先,针对宫颈细胞簇团识别任务的特点,采用resnet 50模型作为YOLO v2网络的基础特征提取模块。同时,提出了相应的数据扩增方法与YOLO v2网络的训练方案。同时,我们收集宫颈细胞液基涂片扫描图像,建立了宫颈细胞簇团图像数据集,并由细胞病理专家对其中的细胞簇团进行了标注。实验表明,本文方法能够有效完成宫颈细胞病变簇团的自动识别,在测试图像集中,针对细胞簇团识别的准确率为75.9%,召回率为86.3%;针对宫颈细胞图像识别的准确率为87.0%,召回率为86.7%。本文将深度学习技术引入到宫颈细胞辅助筛查领域,对于促进宫颈癌早期自动筛查系统的研究,具有重要意义。

关键词：宫颈细胞簇团数据增强 resnet50模型 YOLO v2网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习模型的急危重症神经和呼吸功能超声评估技术的研究

基于深度学习模型的急危重症神经和呼吸功能超声评估技术的研究

引用

作者：吴春双浙江大学

学位级别：博士

前言瞳孔大小和对光反射变化是急危重症患者神经功能评估的重要内容,特别在早期发现颅内压升高、评估脑干功能变化上有重要价值。目前临床上对瞳孔的检测手段有限,传统使用的目测法评估瞳孔大小和对光反射的准确性差,具有主观局限性,难... 详细信息

前言瞳孔大小和对光反射变化是急危重症患者神经功能评估的重要内容,特别在早期发现颅内压升高、评估脑干功能变化上有重要价值。目前临床上对瞳孔的检测手段有限,传统使用的目测法评估瞳孔大小和对光反射的准确性差,具有主观局限性,难以发现细微的变化。新型的瞳孔检测技术如红外瞳孔测量等不断出现,床旁超声可以清晰地观察到瞳孔及其他眼部结构,但目前尚缺乏相关研究和探索。此外,临床单靠瞳孔或意识来判断颅内压升高情况还不可靠,常用的有创/无创监测技术如颅内压监测仪、近红外光谱技术、经颅多普勒技术等具有操作复杂、仪器昂贵、结果影响因素多及有并发症的风险等,研究发现超声测定视神经鞘直径评估颅内压升高是一种相对较准确的方法,且具有快速、便捷、可重复性好、价廉等特点。因此床旁超声监测瞳孔大小变化和测量视神经鞘直径在神经系统检查中具有巨大的潜能。呼吸系统功能损害是急危重症救治中常见和重要的问题。快速鉴别病因,如肺水肿、气胸、肺栓塞以及肺不张和胸腔积液等,并动态监测病情变化,对指导针对性处理至关重要。目前对呼吸系统的评估主要依靠床旁体格检查,但无法精确评估;CT检查是评估肺损伤的金标准,但需要将患者转运到CT室,搬运风险大、有辐射、价格昂贵、重复评估的可行性差。床旁肺超声是评估各种肺部病变的一种有效手段,尤其床旁肺超声评分对肺通气状况的半定量评估,可动态监测肺损伤病情变化,评估治疗效果并协助机械通气者脱机过程。因此,床旁超声在急危重症呼吸系统功能评估中具有重要价值。床旁超声检查虽然具有操作简单、移动方便、即时成像、无辐射等优点,在急危重症的快速评估中展示出巨大的价值,但其应用效果主要依赖临床医生的超声图像获取和解读水平,由于当前缺乏规范的教学培训及足够训练时间,急危重症临床医生的超声技能参差不齐,影响超声评估的准确性和可靠性,甚至误诊造成严重后果。近年来,随着人工智能技术在医学领域中应用的不断发展,其在超声影像中的应用得到高度关注,可以明显提高诊断精确度和一致性,减少医师的阅片时间。但是目前大多的人工智能技术应用在超声专科中,针对急危重症超声领域的人工智能技术近几年刚刚兴起。本研究中,我们探讨基于深度学习的人工智能技术在急危重症神经和呼吸系统功能超声快速评估中的应用,建立瞳孔、视神经鞘和肺损伤的超声智能识别和自动量化技术的开发,为以后人工智能技术在急危重症超声更多领域的应用及智能化体系的建立提供科学依据。第一部分基于深度学习模型建立瞳孔大小及对光反射的超声自动测量技术目的:采用深度学习经典卷积神经网络构建瞳孔大小及对光反射的超声自动测量技术。方法:于2017年6月至2018年12月期间,急诊医师应用床旁超声在浙江大学医学院附属第二医院急诊重症监护室录制患者双眼的瞳孔大小及对光反射的扫查视频。针对瞳孔超声测量的需求,采用8-12MHz的线阵探头,设计带有光源的新型眼部超声探头结合在里邦AX8 Supper便携式超声设备上,实现瞳孔超声检测时的光刺激并实时记录对光反射。由固定的经过超声培训的医师利用该超声机获取500次病人对光反射检查中的瞳孔超声图像视频,最终截取共获得8366张图像,分为训练集6317张,验证集1049张和测试集2000张。采用深度学习经典分割模型UNet进行瞳孔区域的识别与分割,同时在网络内部引入残差模块收敛速度,并对模型进行轻量化处理以缩减模型内部参数。模型训练过程中在传统的二值交叉熵损失函数的基础上增添Focal loss损失函数以增加困难样本的权重,提升模型对困难样本的分割精度。并对数据进行归一化处理,以增加算法泛化能力和稳定性。此后对模型的预测结果进行二值处理,并在二值图的基础上进行椭圆拟合,最后得到瞳孔直径。通过算法的不断训练和验证成功建立自动测量模型后,结合相关的软件和硬件系统将其整合到床旁超声机,实现对实时图像中每一帧瞳孔的自动识别、和直径的自动测量,评估对光反射中的各指标。结果:1.成功设计带有光源的新型眼部超声探头,超声机可以自动控制LED灯的开关及持续时间,使操作者实现脱离手电筒的瞳孔对光反射的检查。2.基于UNet方法初步建立了瞳孔超声自动测量技术,其准确率为0.9991±0.0009,精确率为0.9550±0.0585,召回率为0.9398±0.0633和F1值0.9443±0.03755。基于样本分布和需求优化后的模型瞳孔超声自动识别和测量的准确率为0.9991±0.0007,精确率为0.9484±0.0650,召回率为0.9530±0.0537,和F1值0.9479±0.03721。其效果优于经典UNet模型。3.将优化后的瞳孔超声自动测量技术成功结合至床旁便携式超声机上,将带有光源的探头放在眼睑上,观察到瞳孔后适时给予光刺激,即可自动获取瞳孔光反射的超声视频,自动计算出瞳孔最大直径、瞳孔最小直径、瞳孔收缩速度、恢复

关键词：瞳孔瞳孔对光反射超声检查 UNet模型超声颅内压视神经鞘直径 SD-UNet模型肺超声评分 resnet50模型 Mobilenet V2模型知识蒸馏法

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的汽车图像分类算法与加速研究

引用

现代电子技术 2024年第7期47卷 140-144页

作者：黄佳美张伟彬熊官送北京自动化控制设备研究所北京100074

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针... 详细信息

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针对上述问题,提出一种基于深度卷积神经网络的公交分类算法,该方法在现场可编程逻辑门阵列上实现了公交车图像分类算法的加速。通过基于迁移学习方法对resnet50预训练模型进行微调,采用嵌入式端的推理加速实现对模型的推理,并对FPGA加速方案进行推理部署实现。结果表明,该算法具有硬件配置灵活、信息处理加速快的优点,这为实现神经网络在嵌入式平台的高效、高速应用提供了有效解决方案。

关键词：图像分类边缘计算卷积神经网络迁移学习 resnet50模型加速推理

来源：评论

学校读者我要写书评

暂无评论

基于迁移学习和特征融合的的人脸表情识别算法研究

基于迁移学习和特征融合的的人脸表情识别算法研究

引用

作者：杨瑞杰武汉大学

学位级别：硕士

人脸表情识别是人脸属性研究的重要领域之一,人脸表情识别的成果已经广泛应用于商业分析、安全驾驶、在线教育、智慧医疗等领域。因此,人脸表情识别的研究具有重大的意义。但是,传统的人脸表情识别算法需要手工设计特征提取方法,这导致... 详细信息

人脸表情识别是人脸属性研究的重要领域之一,人脸表情识别的成果已经广泛应用于商业分析、安全驾驶、在线教育、智慧医疗等领域。因此,人脸表情识别的研究具有重大的意义。但是,传统的人脸表情识别算法需要手工设计特征提取方法,这导致特征的代表性不够、模型泛化能力差。其次,基于深度学习的人脸表情识别算法则主要提取图像的深层特征而忽略了图像的浅层特征和中层特征。而且,目前的表情识别数据集大部分是小型数据集,不足以支持训练大型卷积神经网络。为解决传统人脸表情识别算法的特征代表性不够,以及数据集小的问题,论文提出了基于迁移学习的人脸表情识别算法。根据迁移学习的理论以及相关的经验,论文将在Image Net数据集上预训练的Inception V3和Res Net50模型迁移到新的数据集KDEF和Ra FD,并搭建分类层构成新的网络模型。确定初次的学习率、优化器、数据预处理方式、模型训练方式后,根据实验结果修改参数得到不同的模型。通过实验结果分析找到当前数据集中准确率最高的模型。KDEF数据集中准确率最高的模型是KI21A121,准确率是93.77%,Ra FD数据集中准确率最高的模型是RI21A121,准确率是98.98%。为解决论文提出的基于迁移学习的人脸表情识别算法不具备提取图像浅层特征和中层特征的能力的问题,论文提出了基于迁移学习和特征融合的人脸表情识别算法。论文取在Image Net数据集上预训练的Inception V3或Res Net50模型的不同的层进行融合后,得到最终的特征提取层,与两层的全连接分类层组成融合后的新模型。融合后的Inception V3模型和Res Net50模型,在KDEF、Ra FD数据集的实验结果表明:融合后的模型的准确率高于融合前的模型准确率。融合后的模型KI20AFFF2在KDEF数据集上的准确率为94.48%,RI21AFF3在Ra FD数据集上的准确率为99.09%。最后,使用模型KI20AFFF2和RI21AFF3对KDEF、Ra FD数据集中随机抽取的图像进行识别,多次识别结果均正确,模型RI21AFF3的泛化能力优于KI20AFFF2。所以,使用RI21AFF3对真实人脸进行识别,多次识别结果均正确。

关键词：迁移学习特征融合 InceptionV3模型 resnet50模型 KDEF数据集 RaFD数据集

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的梨树叶片病害识别系统设计与实现

基于卷积神经网络的梨树叶片病害识别系统设计与实现

引用

作者：刘洋重庆三峡学院

学位级别：硕士

梨树是我国主要的种植果树,梨除了可食用价值以外,还具备药用价值以及营养价值。但由于梨树病害的发生,造成了梨树枝枯、梢焦等问题出现,严重影响了梨果实的产量以及结果质量。果农通常依靠人工分辨的方式对病害进行分类,这需要长期的... 详细信息

梨树是我国主要的种植果树,梨除了可食用价值以外,还具备药用价值以及营养价值。但由于梨树病害的发生,造成了梨树枝枯、梢焦等问题出现,严重影响了梨果实的产量以及结果质量。果农通常依靠人工分辨的方式对病害进行分类,这需要长期的判别经验,且容易导致误判。由于识别病害类型和发生程度存在易出错和不及时等问题,可能会错过防治最佳时间。当前,深度学习在农业领域的应用已经取得了显著的进展。因此,本研究采用深度学习技术,设计了一种基于卷积神经网络的病害识别算法。该算法能够快速、准确地识别病害种类,从而进一步提升了卷积神经网络在图像分类中的精准度。本文的主要研究工作如下:通过将Inception模块融入传统Res Net50模型,并引入CBAM注意力机制,我们能够更有效地提取输入图像的关键信息,并去除冗余特征,从而加强模型对病害部位的关注程度,进一步提高模型识别精度。针对梨树叶片病害图像集规模较小的情况,本文采用图像增强和迁移学习的方法,提升模型的训练速度和泛化能力。通过在自行构建的病害图像集上进行图像分类实验,获取实验结果。可知改进后的模型识别率无论是准确率还是损失值表现都是最优异的。验证了改进后的算法能够获得更高的图像分类准确率。本研究旨在研发一个基于卷积神经网络的梨树叶片病害识别系统,以应对传统梨树叶片病害识别方法效率低、人力成本高的问题。该系统通过拍摄图像并结合图像分类算法,能够快速准确地识别病害。经过软件测试验证,系统表现稳定,有效地实现了梨树叶片病害的识别。

关键词：卷积神经网络 resnet50模型迁移学习梨树叶片病害系统设计与开发

来源：评论

学校读者我要写书评

暂无评论

基于层级特征融合的多分支网络行人重识别算法研究

基于层级特征融合的多分支网络行人重识别算法研究

引用

作者：李艳楠燕山大学

学位级别：硕士

现代社会发展越来越迅速,各国在公共安全方面投入的人力物力越来越多。伴随着监控技术的不断发展,许多公共场所都设有监控摄像头,比如公园、学校、医院、超市、车站等。面对复杂的海量的监控视频数据,人工处理效率越来越低,使用计算机... 详细信息

现代社会发展越来越迅速,各国在公共安全方面投入的人力物力越来越多。伴随着监控技术的不断发展,许多公共场所都设有监控摄像头,比如公园、学校、医院、超市、车站等。面对复杂的海量的监控视频数据,人工处理效率越来越低,使用计算机处理海量的监控视频变得非常重要。因此,计算机视觉中的行人重识别是一个经典的值得讨论的问题。行人重识别是利用计算机视觉技术,在跨摄像头监控视频中识别并找到需要寻找的特定行人。它对建设智慧城市有着重要的意义,也对智能制造起着积极的促进作用。本论文主要是在深度学习的框架下,针对行人重识别问题进行了研究:首先,本论文对现有的行人重识别算法的研究现状和基本概念进行了深入的探讨。并对一些神经网络的基础知识进行了阐述。其次,对基于层级特征融合的特征提取网络进行了研究。阐述了选择基于层级特征融合的特征提取网络的基础网络模型的原因,详细介绍了改进前后的特征提取网络的结构体系图。再次,对多分支网络行人重识别算法进行了研究。针对resnet50网络模型提取的特征进行了探讨,提出了一种新的行人重识别方法。本论文修改resnet50网络模型,将获得的多个层级特征进行融合。对融合特征进行基础卷积和平均分割,一个分割成三部分,一个分割成四部分,形成多分支网络,最后计算损失函数。之后,对模型的训练过程以及测试过程进行了详细的描述。最后,本文在pytorch深度学习框架中对模型进行了实验验证及性能分析,证明本论文提出的行人重识别方法能得到精确度较高的行人匹配结果。

关键词：深度学习行人重识别 resnet50模型层级特征融合多分支网络

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络模型水生植物分类识别研究与系统研发

基于卷积神经网络模型水生植物分类识别研究与系统研发

引用

作者：杨旭光山东农业大学

学位级别：硕士

水生植物作为生物资源,在去除各类水中污染物方面具有巨大潜力,其种类识别效率关系到水生植物的培养和水污染的治理。传统的人工判别方式效率低下且存在一定的主观因素,因此,需要一个简单高效的识别方法替代传统的人工判别方式。本文以... 详细信息

水生植物作为生物资源,在去除各类水中污染物方面具有巨大潜力,其种类识别效率关系到水生植物的培养和水污染的治理。传统的人工判别方式效率低下且存在一定的主观因素,因此,需要一个简单高效的识别方法替代传统的人工判别方式。本文以卷积神经网络对水生植物四大类识别为切入点,开发了一套用于水生植物分类识别系统,主要内容如下:(1)图像数据库的建立与数据预处理。数据库的数据来源于中国水生植物数据库、聊城地区国家级东昌湖等湿地公园实地拍摄。通过查阅相关资料,构建水生植物四种分类:分为湿生植物、挺水植物、浮叶植物和沉水植物。从归一化、数据增强两个角度对数据进行预处理,为本文提供数据支持。(2)构建水生植物四大类识别的卷积神经网络模型。引入Google Net模型并对其Inception结构进行优化,实验表明优化后Google Net模型训练得到97%的准确率和93%的总体识别率。针对识别率低和模型体积较大的问题,本文提出了一种改进的Res Net50网络结构,利用小卷积核堆叠的方式替代原来的大卷积核,并新增了Inception结构,对模型进一步优化。实验表明模型的准确率和总体识别率在97%和96%,并且与改进前的Res Net50模型对比,收敛速度显著提升。(3)基于微信小程序技术搭建在线识别系统,实现从上传图片到显示结果的全过程。系统采用Apache作为服务器,利用WXML、WXSS和Java Script三种主要技术完成系统前端页面。利用PHP语言在服务器内部调用Python文件,Python程序加载Res Net50优化算法生成的神经网络模型,通过异步通信技术将识别结果回传到前端页面。本文将深度学习技术引入到微信小程序平台,并完整开发出了水生植物四大类在线识别系统,系统有着较高的识别准确率与良好的稳定性。

关键词：水生植物 GoogleNet模型 resnet50模型优化器识别率

来源：评论

学校读者我要写书评

暂无评论

基于迁移学习和特征融合的人脸表情识别算法研究

基于迁移学习和特征融合的人脸表情识别算法研究

引用

作者：杨瑞杰武汉大学

学位级别：硕士

人脸表情识别是人脸属性研究的重要领域之一，人脸表情识别的成果已经广泛应用于商业分析、安全驾驶、在线教育、智慧医疗等领域。因此，人脸表情识别的研究具有重大的意义。但是，传统的人脸表情识别算法需要手工设计特征提取方法，这... 详细信息

人脸表情识别是人脸属性研究的重要领域之一，人脸表情识别的成果已经广泛应用于商业分析、安全驾驶、在线教育、智慧医疗等领域。因此，人脸表情识别的研究具有重大的意义。但是，传统的人脸表情识别算法需要手工设计特征提取方法，这导致特征的代表性不够、模型泛化能力差。其次，基于深度学习的人脸表情识别算法则主要提取图像的深层特征而忽略了图像的浅层特征和中层特征。而且，目前的表情识别数据集大部分是小型数据集，不足以支持训练大型卷积神经网络。　　为解决传统人脸表情识别算法的特征代表性不够，以及数据集小的问题，论文提出了基于迁移学习的人脸表情识别算法。根据迁移学习的理论以及相关的经验，论文将在ImageNet数据集上预训练的InceptionV3和resnet50模型迁移到新的数据集KDEF和RaFD，并搭建分类层构成新的网络模型。确定初次的学习率、优化器、数据预处理方式、模型训练方式后，根据实验结果修改参数得到不同的模型。通过实验结果分析找到当前数据集中准确率最高的模型。KDEF数据集中准确率最高的模型是KI21A121，准确率是93.77%，RaFD数据集中准确率最高的模型是RI21A121，准确率是98.98%。　　为解决论文提出的基于迁移学习的人脸表情识别算法不具备提取图像浅层特征和中层特征的能力的问题，论文提出了基于迁移学习和特征融合的人脸表情识别算法。论文取在ImageNet数据集上预训练的InceptionV3或resnet50模型的不同的层进行融合后，得到最终的特征提取层，与两层的全连接分类层组成融合后的新模型。融合后的InceptionV3模型和resnet50模型，在KDEF、RaFD数据集的实验结果表明：融合后的模型的准确率高于融合前的模型准确率。融合后的模型KI20AFFF2在KDEF数据集上的准确率为94.48%，RI21AFF3在RaFD数据集上的准确率为99.09%。　　最后，使用模型KI20AFFF2和RI21AFF3对KDEF、RaFD数据集中随机抽取的图像进行识别，多次识别结果均正确，模型RI21AFF3的泛化能力优于KI20AFFF2。所以，使用RI21AFF3对真实人脸进行识别，多次识别结果均正确。

关键词：迁移学习表情识别特征融合 InceptionV3模型 resnet50模型 KDEF数据集 RaFD数据集

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：