提出了一种利用图像深度学习解决无线电信号识别问题的技术思路。首先把无线电信号具象化为一张二维图片，将无线电信号识别问题转化为图像识别领域的目标检测问题；进而充分利用人工智能在图像识别领域的先进成果，提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。基于该思路，提出了一种基于图像深度学习的无线电信号识别算法——RadioImageDet 算法。实验结果表明，所提算法能有效识别无线电信号的波形类型和时/频坐标，在实地采集的12种、4 740个样本的数据集中，识别准确率达到86.04%，mAP值达到77.72，检测时间在中等配置的台式计算机上仅需33 ms，充分验证了所提思路的可行性和所提算法的有效性。
2021-12-02 15:17:24
4.01MB
1
现有深度残差网络作为一种卷积神经网络的变种，由于其良好的表现，被应用于各个领域，深度残差网络虽然通过增加神经网络深度获得了较高的准确率，但是在相同深度情况下，仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充；（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络，实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.
2021-11-30 21:00:31
1.03MB
1
中国是传统的农业大国, 农业不仅是国民经济建设与发展的基础, 也是社会正常稳定有序运行的保障. 然而每年由于农作物病虫害造成的损失巨大, 且传统的农作物病虫害识别方法效果并不理想. 同时近年深度学习飞速发展, 在图像分类与识别的方面取得了巨大进展. 因此本文通过基于深度学习的方法构建农作物病虫害图像识别模型, 并针对样本不平衡问题改进卷积网络损失函数. 实验证明该模型可以对农作物病虫害进行有效识别并且对损失函数进行优化后模型的准确率也进一步得到了提升.
2021-11-18 16:37:36
1.42MB
1
本文提出一种基于RBF神经网络的医学图像分类算法，利用像素的特征信息作为训练样本对RBF神经网络进行训练，使用训练后的RBF神经网络图像的分类识别，对不同的分类结果赋予不同rgb值进行显示。实验结果表明，RBF神经网络的结构简单、学习权值数量少且收敛速度快，不仅能有效的区分医学图像中的不同结构，显示图像细节，同时其误差曲线收敛稳定、速度快。
2021-10-25 11:14:16
1011KB
1
1.基于Keras批量修改文件名以定义标签；
2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练；
3.模型结构可自己更改；
4.输出训练loss和accuracy变化曲线。
2021-10-13 10:07:08
5KB
1
自己编写的神经网络，对四类水下图像的特征值进行分类，只有一个隐含层的
2021-10-04 17:00:30
1.06MB
利用每行每列灰度值之和来分割图像，并用阈值进行分类生成训练集，然后训练神经网络检测小芯片缺陷
2021-09-28 18:00:15
1.03MB