AlexNet

摘要： 为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。

摘要： 针对目前基于遥感影像技术的泥石流孕灾区识别自动化较低、对全局特征表征有限等问题,该文提出了基于AlexNet神经网络的泥石流孕灾区识别方法。基于云南高原山区DEM数据,利用区域生长算法对泥石流孕灾沟谷实现对象识别、分割和验证。在对数据集进行数据增强后,通过深度学习网络设定和数据类别确定,进而对泥石流孕灾沟谷的全局特征进行有效学习,并实现了对沟谷发生泥石流次数的准确分类。同时,该文基于验证集、测试集的平均分类精度及混淆矩阵,对模型进行验证,实验结果表明该模型针对泥石流孕灾区能够取得较为高效准确的识别效果,分类预测平均准确率可达94%。

摘要： 胎儿早产是影响婴儿早期发育及生命安全的直接因素之一,其直接的临床表现为孕妇宫缩强度和频率的变化。子宫肌电信号通过在孕妇腹部采集而得,能准确有效地反映出子宫收缩的情况,比子宫宫内压力导管等侵入式监测技术具有更高的临床应用价值。因此,基于EHG的胎儿早产识别算法研究对于围产期的胎儿监护尤为重要。该研究提出了一种基于卷积神经网络架构的EHG胎儿早产识别算法,通过格拉姆角差域法结合迁移学习技术构建一种深度CNN模型。采用临床实测的足月-早产EHG数据库对模型结构进行优化,实现了94.38%的分类准确度和97.11%的F1值。实验结果表明,本研究所构建的模型对临床胎儿早产的预测具有一定的辅助诊断价值。

摘要： 本文中提出了在真实的道路环境中使用修改和改进的AlexNet进行车辆检测和分类。在面临的诸多挑战中,利用YOLO深度学习系列算法提出潜在区域,解决了单一特征提取车辆候选区域鲁棒性差的问题,提高了检测速度。为此,我们选择了轻量级网络Yolov2-tiny作为位置网络。此外,在AlexNet的基础上提出了一种改进算法,并将空间金字塔池SPP引入到车辆分类网络中,解决了因图像缩放而导致的图像失真而导致的精度不高的问题。将CNN与支持向量机相结合,将支持向量机中的归一化特征相结合,提高了模型的泛化能力。实验表明,该方法在车辆检测和类型分类方面具有较好的性能。

摘要： 针对脱机手写体中文的识别问题,笔者将AlexNet卷积神经网络模型作为识别模型,提出一种改进的AlexNet卷积神经网络模型。改进的AlexNet卷积神经网络模型不仅能够优化神经网络结构层次、减少模型运行参数,还降低了神经网络模型对输入图片的高精度要求,有利于提高模型的适应性。通过不同优化算法的对比实验,确定最适合改进后的神经网络模型的优化算法。对比实验结果表明,改进后的AlexNet卷积神经网络模型在识别准确率以及模型运行效率方面均有显著的提升效果。

摘要： 为了准确、定量地检测齿轮的表面缺陷,提出了2种采用深度学习算法的卷积神经网络模型(CNN)检测齿轮的表面缺陷。该方法对卷积核和卷积层进行了优化,并使用最大池化代替了大步长卷积,以扩大接收场的大小并以高分辨率捕获齿轮的精细特征,改进了分类器模块。使用和不使用数据扩充的Alex Net和Res Net模型都涉及通过操纵原始数据创建新数据点的过程,此过程无需添加新照片即可增加深度学习(DL)中训练图像的数量,适用于数据集较小的情况;收集生产过程中齿轮的200个图像的自数据集,通过灰度处理、调整图像大小获得清晰的目标齿轮轮廓并识别齿轮特征点。实验结果表明,经过训练的数据增强模型对Res Net和Alex Net分别具有95.83%和97.94%的最佳效果。与目前仅基于机器视觉的齿轮表面缺陷检测技术相比,该方法具有很好的通用性,获得了最高的识别率。

摘要： 在实际的生产过程中,织物的印花图案往往由循环图案基元排列而成。然而基于传统的人工织物循环图案基元分割会消耗大量设计成本,因此实现基元的自动分割,有非常重要的研究意义。近年来,随着深度学习技术的快速发展,为解决该问题带来新的希望。针对印花织物循环图案基元分割,该文提出了一种基于深度学习的循环图案基元分割算法。该算法利用预训练AlexNet网络的卷积层进行特征提取,织物图像输入网络后,在网络特征层中会产生规律的激活峰值,每对峰值对应一组位移向量。并且对位移向量进行投票,出现次数最多位移向量的绝对值即为循环图案基元的尺寸。随后在印花织物中找到对应区域,从而实现完整循环图案基元的分割。对比传统算法,该算法不仅可以分割出简单印花织物的循环图案基元,还可以分割复杂印花织物的循环图案基元,达到了更高的准确率,具有更强的鲁棒性。

摘要： 乳腺癌是女性中最常见的癌症类型,如果能在乳腺癌的早期确诊和治疗,可以显著提高患者生存率。组织病理学检查是癌症确诊的黄金标准,针对医生很难在乳腺癌病理组织切片上精确快速的描绘出患病区域,给出一种基于改进AlexNet和注意力机制的网络模型用于IDC的自动检测,首先将全视野数字病理切片按照坐标信息进行不重复切片,然后将小切片输入至网络模型中进行训练,预测和评估,最后将小切片的分类结果按照坐标信息还原到全视野数字病理切片上,通过对小切片的二分类间接完成IDC的检测任务。该方法最终取得了86.34%的准确率、78.20%的F1评分和84.12%的平衡准确率,具有一定的实用价值和科研意义。

摘要： 传统的车牌识别技术不仅对硬件要求高,而且识别正确率和速度均存在不足。卷积神经网络近年在图像识别领域受到关注。对AlexNet卷积神经网络结构的层次、参数等方面进行改进和重构,提出一种新的车牌识别方法。对新方法进行实验,结果表明,对于自然场景下的车牌识别,该方法可避免车牌字符分割、复杂背景环境对识别结果的影响,识别准确率高达98.03%,具有较高的可靠性。

摘要： 为判断长期贮存固体火箭发动机的内弹道参数是否发生变化,文章基于经典AlexNet卷积神经网络对其进行辨识。首先,利用固体火箭发动机内弹道程序,绘制燃烧室压强-时间曲线图像,将若干张图像作为卷积神经网络训练样本集;然后,通过卷积神经网络对样本集训练,获得卷积神经网络模型;最后,将待辨识图像带入模型中,得到内弹道燃速系数和压强指数,从而计算出对应压强下的辨识燃速。实验结果表明,训练结果的准确率随训练集占比的增大而提高;测试集图像数量减少可能导致准确率提高,但有可能使训练得到的神经网络普适性降低;通过辨识结果与实验结果的对比可知,当样本集图片数量一定时,燃速误差可控制在1%以内,在减小计算量的同时保证较高准确率。因此,利用此模型可快速、准确判断内弹道参数是否发生变化。

摘要： 本发明公开了一种基于改进AlexNet的燃弧识别方法，包括以下步骤：S1.建立卷积神经网络并得到训练模型；S2.获取图像；S3.将获取到的图像输入训练模型进行图像识别；卷积神经网络为改进的AlexNet网络，改进的AlexNet网络的结构依次为输入层、多个依次连接的卷积层、全连接层和输出层；与输入层连接的卷积层采用M×M的卷积核架构，其余卷积层采用1×M和M×1的卷积核架构；本发明采用1×M和M×1大小的卷积核串联代替原始AlexNet网络中M×M大小的卷积核，大大减少了参数数量，并且增加了一个非线性层，使网络结构更深；简化了模型，大大缩短了训练时间，提高了训练效率，识别准确率比原始AlexNet网络更高。

摘要： 本发明公开了一种基于AlexNet和迁移学习相结合的心电图异常识别方法及系统，属于特征提取分类预测技术领域，本发明要解决的技术问题为如何结合AlexNet深度卷积神经网络和迁移学习准确高效的完成心电图异常识别，既能摆脱对样本数据容量的依赖，又能自动学习数据样本的特征，技术方案为：该方法具体如下：预处理：将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪；特征提取：把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；分类预测：把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类。

摘要： 本发明涉及一种基于AlexNet网络模型的恶意软件分类方法及系统，包括：数据预处理：以二进制方式读取恶意软件；求取转移概率矩阵；标准化处理转移概率矩阵；在转移概率矩阵上应用色图，将恶意软件二进制文件可视化为恶意软件彩色图像，使用改进的CLAHE算法对恶意软件彩色图像进行增强处理。训练恶意软件分类模型即AlexNet网络模型；将待检测的恶意软件通过数据预处理后输入训练好的恶意软件分类模型得到恶意软件分类结果；本发明模型泛化能力强，同时避免信息的冗余或丢失问题，在增强图像的对比度同时能够抑制噪声，有效的提高分类的准确率；网络层数和模型参数减少，训练过程中消耗的时间和空间要少很多，分类速度明显提升。

摘要： 本发明公开了一种减少参数数量的AlexNet模型架构，包括依次设置的输入图片、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、第三卷积层、第三激活函数、第四卷积层、第四激活函数、第五卷积层、第五激活函数、全局平均池化层和全连接层。本发明在保证识别准确度的前提下能够大幅减少AlexNet网络模型参数数量。

摘要： 本发明涉及数据处理技术领域，具体涉及一种基于改进AlexNet网络模型的拥堵识别方法，包括准备交通图像数据集；获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像；对AlexNet网络模型进行改进，得到改进AlexNet网络模型；将交通特征图像输入改进AlexNet网络模型进行训练，得到训练模型；利用训练模型基于图像数据集对交通图像进行分类，将交通图像中的拥堵图像找出，通过对AlexNet网络模型进行改进，增加了网络的深度，从而增加了对复杂图像特征的提取效果，解决了现有的拥堵识别方法对复杂图像的拥堵识别速度较慢的问题。

摘要： 本发明涉及电力器件技术，具体涉及一种改进AlexNet网络的绝缘子快速分类识别方法，包括以下步骤：收集绝缘子数据集，随机对绝缘子数据集按照7：3的比例划分为训练集和测试集；对AlexNet网络进行改进，建立改进绝缘子分类识别网络模型；训练改进的AlexNet网络，得到训练后的绝缘子分类识别模型；利用测试集得到绝缘子分类结果。该识别方法能更好地对不同种类的绝缘子进行分类识别。提高了在复杂干扰下绝缘子分类识别的准确性和图像检测的快速性，为无人机电力巡检提供了理论依据。

摘要： 本发明提供了一种基于CBAM‑AlexNet卷积神经网络的航拍场景分类方法。通过改进的深度卷积神经网络模型—CBAM‑AlexNet，用于场景分类任务。首先，在经典网络AlexNet的原模型上进行改进，将原模型中的局部响应归一化LRN(Local Response Normalization)层和ReLU激活函数使用批归一化BN(Batch Normalization)层和h‑Swish激活函数进行替换。然后在改变后的网络中加入卷积块注意力模块CBAM(Convolutional Block AttentionModule)，充分利用图像的空间信息与通道信息。经过一些预处理后的数据在新构建的模型上的表现与另外几种常用的经典网络的表现而言要更为优秀。

摘要： 本发明涉及基于改进AlexNet的辣椒叶片病害检测方法，通过建立病害数据集，对病害数据集进行数据增强，然后将病害数据集的图像数据进行病害类型分类并打好对应标签，建立模型数据集，将模型数据集的图像数据按比例划分为训练集、验证集和测试集；然后构建卷积神经网络模型，对卷积神经网络模型中的AlexNet模型进行特征提取，将第一层卷积层设置多尺度的卷积核，并且去除全连接层同时将全连接层替换为全局平均池化层，在每层卷积层中加入BN层，然后设置超参数，使用训练集对AlexNet模型进行训练。根据本发明的基于改进AlexNet的辣椒叶片病害检测方法，可缩小模型，提高识别精度，提高检测速度。

摘要： 本发明涉及一种基于AlexNet网络模型的恶意软件分类方法及系统，包括：数据预处理：以二进制方式读取恶意软件；求取转移概率矩阵；标准化处理转移概率矩阵；在转移概率矩阵上应用色图，将恶意软件二进制文件可视化为恶意软件彩色图像，使用改进的CLAHE算法对恶意软件彩色图像进行增强处理。训练恶意软件分类模型即AlexNet网络模型；将待检测的恶意软件通过数据预处理后输入训练好的恶意软件分类模型得到恶意软件分类结果；本发明模型泛化能力强，同时避免信息的冗余或丢失问题，在增强图像的对比度同时能够抑制噪声，有效的提高分类的准确率；网络层数和模型参数减少，训练过程中消耗的时间和空间要少很多，分类速度明显提升。

摘要： 本发明提供了一种基于CWD和改进型AlexNet的雷达有源干扰识别方法，用于识别通讯信号中的雷达有源干扰信号。该方法首先对不同种类的雷达有源干扰信号进行建模，并对各种所述雷达有源干扰信号叠加所述通讯信号接受现场的噪声。之后对各种所述雷达有源干扰信号进行CWD时频分析，以生成二维CWD时频图；并采用改进型AlexNet模型对各种所述雷达有源干扰信号的CWD时频图进行识别。本发明的基于CWD和改进型AlexNet的雷达有源干扰识别方法，采用CWD时频分析方法和改进型AlexNet模型相结合的干扰识别算法，通过时频分析可以使雷达干扰信号的特征更为明显，并利用改进型AlexNet模型通过改变其激活函数以及优化器，使得在低干噪比的通讯信号情况下仍具有较好的干扰信号识别率。