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4篇文章
< 1 >
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：
基于EWBiLSTM-ATT的数据手套手语识别 被引量：1
1
作者 武东辉 王金凤 +1 位作者 仇森 刘国志 《计算机工程》 北大核心 2025年第8期107-119,共13页
手语识别近年来受到广泛关注,但现有手语识别模型存在训练时间长和计算成本高的问题。为此,基于穿戴式数据手套提出一种融合注意力机制的首层宽卷积核扩展深度卷积神经网络(EWDCNN)和双向长短期记忆网络(BiLSTM)的混合深度学习方法——E... 手语识别近年来受到广泛关注,但现有手语识别模型存在训练时间长和计算成本高的问题。为此,基于穿戴式数据手套提出一种融合注意力机制的首层宽卷积核扩展深度卷积神经网络(EWDCNN)和双向长短期记忆网络(BiLSTM)的混合深度学习方法——EWBiLSTM-ATT模型。首先通过加宽首层卷积层来减少模型参数量,提升计算速度,通过扩展WDCNN卷积层深度来提高模型自动提取手语特征的能力;其次引入BiLSTM作为时间建模器捕捉手语序列数据的时间动态信息,有效处理传感器数据中的时序关系;最后利用注意力机制通过映射加权和学习参数矩阵赋予BiLSTM隐含状态不同权重,通过计算每个时间段的注意力权重,模型自动选择与手势动作相关的关键时间段。以STM32F103为主控模块,以MPU6050与Flex Sensor 4.5传感器为核心搭建数据手套手语采集平台。选取16种动态手语动作用于构建GR-Dataset数据训练模型。同一实验条件下,EWBiLSTM-ATT准确率为99.40%,相对于CLT-net、CNN-GRU、CLA-net、CNN-GRU-ATT模型分别提升10.36、8.41、3.87、3.05百分点,训练总时间分别缩减至这4种对比模型的57%、61%、55%、56%。 展开更多
关键词 扩展深度卷积神经网络 双向长短期记忆网络 注意力模块 手语识别 数据手套 深度学习
在线阅读 下载PDF
基于卷积神经网络的烟丝物质组成识别方法 被引量：29
2
作者 高震宇 王安 +5 位作者 董浩 刘勇 王锦平 周明珠 夏营威 张龙 《烟草科技》 EI CAS CSCD 北大核心 2017年第9期68-75,共8页
为了满足混合烟丝物质组成的检测需求,针对叶丝、梗丝、膨胀叶丝、再造烟叶丝4种烟丝组成的结构特征差异,采用深度学习的方法,建立基于卷积神经网络的烟丝组成识别模型,使用体现烟丝微观结构特征的局部特征图片作为神经网络的输入,分析... 为了满足混合烟丝物质组成的检测需求,针对叶丝、梗丝、膨胀叶丝、再造烟叶丝4种烟丝组成的结构特征差异,采用深度学习的方法,建立基于卷积神经网络的烟丝组成识别模型,使用体现烟丝微观结构特征的局部特征图片作为神经网络的输入,分析识别出每个特征图片对应的输出结果,通过统计方法得出烟丝的组成成分。结果表明:识别模型对烟丝训练样本和测试样本的识别正确率分别为100%和84.95%,模型中的卷积神经网络结合相应的结果表示方法,可以更好地提高烟丝样本成分的识别正确率。 展开更多
关键词 卷积神经网络 叶丝 梗丝 膨胀叶丝 再造烟叶丝 反向传播 深度学习 结构特征 组成成分识别
在线阅读 下载PDF
基于深度学习的仓储托盘检测算法研究 被引量：9
3
作者 刘江玉 李天剑 《北京信息科技大学学报（自然科学版）》 2017年第2期78-84,94,共8页
针对仓储环境下仓储机器人工作效率的问题,提出基于深度学习的卷积神经网络方法实现仓储机器人对托盘的检测。通过卷积神经网络关于物体检测方面的4种模型的比较,建立Faster RCNN模型。通过设计托盘检测模型,训练VGG16网络和自建仓储托... 针对仓储环境下仓储机器人工作效率的问题,提出基于深度学习的卷积神经网络方法实现仓储机器人对托盘的检测。通过卷积神经网络关于物体检测方面的4种模型的比较,建立Faster RCNN模型。通过设计托盘检测模型,训练VGG16网络和自建仓储托盘数据库,实现仓储机器人对仓储环境中托盘的检测。通过对样本进行扩充,增加样本数量,再与其它3个模型进行比较。实验证明,该模型能提高仓储机器人检测托盘的准确率(mAP)。 展开更多
关键词 深度学习 卷积神经网络 托盘检测 FASTER RCNN 扩充样本
在线阅读 下载PDF
深度扩展网络在图像识别中的应用 被引量：2
4
作者 钱淑娟 《计算机技术与发展》 2020年第11期14-19,共6页
高效的卷积神经网络结构建立了前后两层间的连接,实现参数的共享,然而它们参数规模大、计算成本高。该文提出了使用具有稀疏性和密集连接的图来构建网络间各层之间的连接。稀疏性能够减小深度神经网络的计算复杂度,从而提高了网络的效率... 高效的卷积神经网络结构建立了前后两层间的连接,实现参数的共享,然而它们参数规模大、计算成本高。该文提出了使用具有稀疏性和密集连接的图来构建网络间各层之间的连接。稀疏性能够减小深度神经网络的计算复杂度,从而提高了网络的效率,良好的连通性可以保证网络结构的数据共享能力。基于扩展图来设计网络结构,设计出来的网络称为Deep-ExpanderNet。与ResNet和DenseNet这一类网络结构相比,该结构提供了更高效的性能。分别在CIFAR-100、MNIST多个数据集进行训练,结果表明,Deep-ExpanderNet有着较强的表现能力,在提高图像识别准确性的同时,降低了网络的参数规模。与修剪技术相比,Deep-ExpanderNet模型具有更强的连通性和更快的训练速度,展示出了更高的网络性能。 展开更多
关键词 卷积神经网络 深度扩展 密集卷积 紧凑型结构 分组卷积
在线阅读 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 下一页 到第 页
使用帮助 返回顶部