摘要：该文首次将resnet网络的思想对复杂教室环境下的人物进行多类别分类设计,改进了网络结构,有效解决了传统基于像素特征的方法分类效果不理想的问题。实验中通过卷积提取特征、不同感受野、保留像素间联系、多层卷积级联提取深层次特征等方法,在网络训练过程中进行参数调整,优化算法和网络参数来解决困难样本的识别,将多类别的分类准确率从83.5%提升到99.2%,并实现了多目标检测的11类样本的判定。最终选取resnet1816来进行高速有效的多类别识别。

摘要：为了研究光伏电站对周边环境的负面影响,提出了一种利用遥感影像和深度学习手段获取光伏电站地理空间信息的方法。构建了高分辨率遥感影像光伏电站目标检测数据集,改进了resnet网络中的多级特征提取器结构,提出了基于误差筛选的光伏电站检测方法。该方法增强了针对周边环境复杂、不规律的光伏电站的特征提取能力,提高了光伏电站目标检测准确率。

摘要：针对光伏板检测提取精度问题,提出一种改进的SSD和resnet的光伏板检测与分类算法。为了提升SSD算法检测精度,在其主干网络VGG16中融合CBAM注意力机制,从而增强算法的多尺度特征提取能力,针对光伏板的形状特征,重新设计了网络中默认框的长宽比;在resnet算法每个残差结构中嵌入SENet(Squeeze and Excitation)通道注意力模块,提升模型特征提取能力。结果表明,改进后SSD算法检测精度更高,模型训练速度更快;改进后resnet模型在光伏表面缺陷数据集上分类准确率较原算法有了很大提升。

摘要：针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(resnet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。

摘要：科技的不断进步推动了娱乐机器人的快速发展。为提高舞蹈机器人的灵活性和交互性,研究从硬件系统和软件系统完成了机器人舞蹈系统设计,并将长短时记忆网络(Long Short-Term Memory,LSTM)与3D resnet相结合,由此进行多视角舞蹈动作识别。结果表明,所提出的识别方法在舞蹈动作数据集中第5轮出现收敛,准确率高达97.5%;应用于机器人舞蹈系统后,对于四种专业舞蹈的识别准确率均在90%以上,最低用时23 s。说明所设计的机器人舞蹈系统能够以较高的准确率识别相应的舞蹈动作,并且用时较短,运行效率更高,可以在机器人舞蹈控制中得到有效运用,为智能机器人的舞蹈动作控制提供了新的方法借鉴,具有一定的实用价值。

摘要：在无人机影像建筑物自动提取过程中,传统地物分类算法其精度已无法满足生产过程中的分类要求。为此,文章提出以深度学习技术结合条件随机场应用于无人机影像建筑物的自动提取方法。首先利用基于残差模块的卷积神经网络对图像进行特征提取,然后利用全卷积对图像进行反卷积,恢复图像特征。基于初步分类结果,利用条件随机场模型进行边缘细化。通过对实验结果进行分析,验证了该算法应用于无人机影像建筑物自动提取的可行性。

摘要：深度学习是机器学习的一个重要分支,可用于图像分类及目标识别等,其中resnet网络由于其自身的优势,所以应用较为广泛。在此基础上,提出了一个新的算法,用于训练resnet网络。由于resnet网络结构可以看做是逐层增强的结构,其本身结构解决了深度学习中的退化问题,故结合Boosting的原理,提出了一个基于Boosting理论,同时完整保留resnet网络本身优点的训练算法。在resnet网络每一层的输出处引入一个线性的全连接层,使之分别相对于一个弱的分类器。此时,仅需要训练浅层的网络便可达到所需效果,继承了resnet网络优点的同时,使得网络可以达到更深同时又不影响准确率。总而言之,提供了一个弱学习环境以及Boosting理论,在此条件下,利用新的算法对resnet网络进行训练。