卷積神經(jīng)網(wǎng)絡(luò ) 文章進(jìn)入卷積神經(jīng)網(wǎng)絡(luò )技術(shù)社區

基于卷積神經(jīng)網(wǎng)絡(luò )的人臉識別檢測分析

為了提高人臉識別檢測精度，應用卷積神經(jīng)網(wǎng)絡(luò )進(jìn)行分析。在建立AlexNet網(wǎng)絡(luò )結構的基礎上，將Dropout技術(shù)引進(jìn)全連接層中，給出了具體的卷積神經(jīng)網(wǎng)絡(luò )結構參數。研究結果表明：本文算法表現出較高的召回率，人臉簽到系統的基礎需求得到滿(mǎn)足。側臉及戴頭盔遮擋照片觀(guān)察對比得出，檢測人臉圖片的準確度及清晰度均相對較高，表明對于部分遮擋人臉或側臉采用本文算法展示的魯棒性較佳。該研究有助于提高在遮擋情況下人臉識別能力，對圖像處理優(yōu)化起到一定的理論支撐。
關(guān)鍵字： 202308 人臉識別卷積神經(jīng)網(wǎng)絡(luò ) 網(wǎng)絡(luò )結構檢測精度

基于機器視覺(jué)的水面垃圾尋航系統*

水面垃圾會(huì )造成水體污染，它不僅破壞了水域生態(tài)系統平衡，并且對人類(lèi)社會(huì )的生產(chǎn)和生活也產(chǎn)生了巨大危害，還會(huì )影響到船只的航行安全。目前，市面上主要的水面垃圾清理船體型龐大，很難應用在一些小型水域。并且多采用人工搜尋和清理的方式，但是人工搜尋效率低，人力成本高。針對該問(wèn)題，設計了一款基于機器視覺(jué)的水面垃圾尋航系統，該裝置基于YOLO-V2卷積神經(jīng)網(wǎng)絡(luò )模型進(jìn)行目標檢測，尋找水面垃圾等漂浮物，控制船只靠近目標物進(jìn)行拾取，通過(guò)GPS進(jìn)行導航，使用蟻群算法和完全遍歷算法進(jìn)行路徑規劃，同時(shí)用ESP32-cam和小熊派完成云
關(guān)鍵字： 202307 水面垃圾卷積神經(jīng)網(wǎng)絡(luò ) 優(yōu)化算法 PID 路徑規劃

卷積神經(jīng)網(wǎng)絡(luò )的硬件轉換：什么是機器學(xué)習？——第三部分

摘要本系列文章由三部分組成，主要探討卷積神經(jīng)網(wǎng)絡(luò )(CNN)的特性和應用。CNN主要用于模式識別和對象分類(lèi)。作為系列文章的第三部分，本文重點(diǎn)解釋如何使用硬件轉換卷積神經(jīng)網(wǎng)絡(luò )(CNN)，并特別介紹使用帶CNN硬件加速器的人工智能(AI)微控制器在物聯(lián)網(wǎng)(IoT)邊緣實(shí)現人工智能應用所帶來(lái)的好處。系列文章的前兩篇文章為《卷積神經(jīng)網(wǎng)絡(luò )簡(jiǎn)介：什么是機器學(xué)習？——第一部分》和《訓練卷積神經(jīng)網(wǎng)絡(luò )：什么是機器學(xué)習？——第二部分》。簡(jiǎn)介AI應用通常需要消耗大量能源，并以服務(wù)器農場(chǎng)或昂貴的現場(chǎng)可編程門(mén)陣列(FPG
關(guān)鍵字：卷積神經(jīng)網(wǎng)絡(luò ) 硬件轉換機器學(xué)習 ADI

卷積神經(jīng)網(wǎng)絡(luò )簡(jiǎn)介：什么是機器學(xué)習？——第一部分

隨著(zhù)人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來(lái)越多地支持以前無(wú)法實(shí)現或者難以實(shí)現的應用。本系列文章基于此解釋了卷積神經(jīng)網(wǎng)絡(luò )(CNN)及其對人工智能和機器學(xué)習的意義。CNN是一種能夠從復雜數據中提取特征的強大工具，例如識別音頻信號或圖像信號中的復雜模式就是其應用之一。本文討論了CNN相對于經(jīng)典線(xiàn)性規劃的優(yōu)勢，后續文章《訓練卷積神經(jīng)網(wǎng)絡(luò )：什么是機器學(xué)習？——第二部分》將討論如何訓練CNN模型，系列文章的第三部分將討論一個(gè)特定用例，并使用專(zhuān)門(mén)的AI微控制器對模型進(jìn)行測試。什么是卷積神經(jīng)網(wǎng)絡(luò )？神經(jīng)網(wǎng)絡(luò )是一種由神
關(guān)鍵字： ADI 卷積神經(jīng)網(wǎng)絡(luò ) 機器學(xué)習

基于深度學(xué)習的智能電網(wǎng)短期日負荷曲線(xiàn)預測系統設計與實(shí)現

短期電力負荷精準預測對發(fā)電容量與輸電方式的合理調度、確保電力系統安全、穩定運行起著(zhù)至關(guān)重要的作用。本文針對負荷數據基數大、難提取、負荷預測影響因素多等問(wèn)題，運用Mysql數據庫和Python爬蟲(chóng)技術(shù)構建了短期負荷曲線(xiàn)預測基礎數據平臺，提高了數據的存取效率；針對電力負荷的隨機波動(dòng)性，運用Pandas、關(guān)聯(lián)分析算法完成了缺失值處理和影響因素與用電負荷的相關(guān)性分析；為提高預測精度，探索使用了融合卷積神經(jīng)網(wǎng)絡(luò )、長(cháng)短期記憶網(wǎng)格和注意力機制的多元混合神經(jīng)網(wǎng)絡(luò )模型。
關(guān)鍵字： 202302 深度學(xué)習短期負荷預測卷積神經(jīng)網(wǎng)絡(luò ) 長(cháng)短期記憶網(wǎng)格 Flask

基于機器視覺(jué)的帶鋼焊縫定位

提出了一種基于機器視覺(jué)的帶鋼焊縫檢測與定位技術(shù)，在原CenterNet算法的基礎上增加旋轉角度的回歸實(shí)現了旋轉目標檢測，并根據網(wǎng)絡(luò )的輸入參數制作合適的數據集。為了進(jìn)一步提高模型的精度和魯棒性，分別引入了可變形卷積和金字塔分割注意力模塊，多組實(shí)驗結果對比表明，該方法能在精確率、召回率、F值和檢測速度上得到提升，滿(mǎn)足實(shí)際檢測的需求。
關(guān)鍵字：卷積神經(jīng)網(wǎng)絡(luò ) 實(shí)例標準化特征提取算法 202212

基于深度學(xué)習的跌倒檢測技術(shù)對比與分析*

基于意外跌倒是造成老年人受傷、失能及死亡的主要原因，對近年來(lái)關(guān)于深度學(xué)習的跌倒檢測研究進(jìn)行了介紹。根據跌倒檢測工作流程，從數據采集、數據處理、模型訓練及狀態(tài)識別幾個(gè)方面進(jìn)行了詳細介紹，并對已有的基于深度學(xué)習的跌倒檢測方法進(jìn)行分析與比較，為將來(lái)的應用研究提供參考，并對將來(lái)的發(fā)展方向提出一些思考。
關(guān)鍵字：深度學(xué)習跌倒檢測卷積神經(jīng)網(wǎng)絡(luò ) 長(cháng)短期記憶網(wǎng)絡(luò ) 202212

基于機器學(xué)習的虛擬門(mén)把手設計與實(shí)現

摘要：為了提高安全性和便捷性，尤其是在疫情背景下，應避免使用者因接觸門(mén)把手而造成交疾病的叉污染。本文設計了一種非接觸式的虛擬門(mén)把手，可用來(lái)代替傳統門(mén)把手在現實(shí)生活中的作用。該虛擬門(mén)把手采用樹(shù)莓派作為主控芯片，通過(guò)攝像頭采集實(shí)時(shí)畫(huà)面和用戶(hù)手勢，門(mén)鎖模塊用于實(shí)現開(kāi)鎖和反鎖的功能；該虛擬門(mén) 把手還具有人臉識別功能，保障用戶(hù)的安全和隱私。測試結果表明，該虛擬門(mén)把手能夠實(shí)現人臉識別，并在用戶(hù)做出指定手勢時(shí)實(shí)現開(kāi)鎖或反鎖的功能，達到了預期的設計目標。關(guān)鍵詞：人臉識別；手勢識別；樹(shù)莓派；卷積神經(jīng)網(wǎng)絡(luò )項目支
關(guān)鍵字： 202207 人臉識別手勢識別樹(shù)莓派卷積神經(jīng)網(wǎng)絡(luò )

基于GWO-BP-CNN-ec的風(fēng)電功率短期預測模型*

在大型電網(wǎng)和小型微電網(wǎng)中，風(fēng)電功率短期預測對電力系統的調度運行有著(zhù)重要意義。為了提高短期風(fēng)電功率預測精度，文章提出一種卷積神經(jīng)網(wǎng)絡(luò )(Convolutional Neural Network，CNN)與灰狼優(yōu)化算法(Grey Wolf Optimizer，GWO)結合的短期風(fēng)電預測模型。首先，通過(guò)數據的離散化，將二維風(fēng)速轉換成三維風(fēng)速，變?yōu)榉螩NN模型的輸入量，再結合GWO對CNN模型的參數進(jìn)行優(yōu)化，最后通過(guò)BP對整個(gè)網(wǎng)絡(luò )進(jìn)行微調后引入預測偏差二次修正，最后建立了基于GWO-BP-CNN-ec的風(fēng)電功率預
關(guān)鍵字：風(fēng)電功率短期預測卷積神經(jīng)網(wǎng)絡(luò ) 灰狼優(yōu)化偏差修正

賽靈思器件上的 INT4 優(yōu)化卷積神經(jīng)網(wǎng)絡(luò )（2）

接上期http://dyxdggzs.com/article/202009/418351.htm賽靈思 DSP 片上的 INT4 優(yōu)化使用 DSP 硬件資源可實(shí)現乘法和累加 (MAC) 占用硬件資源較少。經(jīng)優(yōu)化后，DSP 能夠在 16nm 或 28nm 器件上處理盡可能多的 MAC 運算。以 16nm 為例，賽靈思可編程器件中 UltraScale? 架構的 DSP48E2 片就屬于專(zhuān)用片[參考資料 11]。DSP48E2 片由一個(gè) 27x18 二進(jìn)制補碼乘法器和一個(gè) 48 位累加器構成。如圖 3
關(guān)鍵字：賽靈思 INT4 卷積神經(jīng)網(wǎng)絡(luò )

賽靈思器件上的 INT4 優(yōu)化卷積神經(jīng)網(wǎng)絡(luò )（1）

?對于 AI 推斷，在提供與浮點(diǎn)相媲美的精度的同時(shí)，INT8 的性能優(yōu)于浮點(diǎn)。然而在資源有限的前提下，INT8 卻不能滿(mǎn)足性能要求，INT4 優(yōu)化則是解決之道。通過(guò) INT4 優(yōu)化，與現有的 INT8 解決方案相比，賽靈思在實(shí)際硬件上可實(shí)現高達 77% 的性能提升。概要賽靈思在其硬件平臺上提供 INT8 AI 推斷加速器 — 深度學(xué)習處理器單元 (XDPU)。然而，在某些資源受限，要求高性能、低時(shí)延的場(chǎng)景（例如對資源、功耗敏感的邊緣側場(chǎng)景和低時(shí)延 ADAS 場(chǎng)景）中，為了實(shí)現比 INT8 更低的
關(guān)鍵字：賽靈思 INT4 卷積神經(jīng)網(wǎng)絡(luò )

大數據醫療時(shí)代的人工智能與隱私保護

　　王旭　?。ㄙF州大學(xué)大數據與信息工程學(xué)院，貴州省量子信息和大數據應用技術(shù)研究院，貴州，貴陽(yáng) 550025）　　摘要：近年來(lái)，隨著(zhù)大數據挖掘與分析等方法的逐漸成熟，人工智能技術(shù)已經(jīng)在醫療領(lǐng)域廣泛應用。本文詳細討論了在醫療數據采集端與人工智能應用端隱私保護所面臨的各項問(wèn)題，從技術(shù)的角度、法律的角度以及倫理道德的角度分別分析了醫療隱私安全，并最終提出了四條建議，為醫療行業(yè)隱私保護的理論和實(shí)踐發(fā)展提供了可行路徑?！　￡P(guān)鍵詞：醫療大數據；深度學(xué)習；卷積神經(jīng)網(wǎng)絡(luò )；人工智能；隱私保護　　在醫療行業(yè)中，醫院信息系統基本
關(guān)鍵字： 201906 醫療大數據深度學(xué)習卷積神經(jīng)網(wǎng)絡(luò ) 人工智能隱私保護

人工智能市場(chǎng)廣闊 AI醫學(xué)影像該如何盈利？

　　基于卷積神經(jīng)網(wǎng)絡(luò )的深度學(xué)習算法，在2012年以來(lái)逐漸成為醫學(xué)變革的新動(dòng)能?；贑T、MRI、X光、超聲、熱紅外、細胞涂片、心電圖等醫學(xué)圖像的智能輔助診療系統，在臨床使用中已經(jīng)被證明了有效性。　　前不久，筆者在與道彤投資合伙人鄒國文的一次閑聊中，鄒先生透露，國內致力于開(kāi)發(fā)智能輔助診療系統的企業(yè)，數量超過(guò)100家。如此之多的創(chuàng )業(yè)者或企業(yè)家脫身于此，一方面證明了其對醫學(xué)進(jìn)步的貢獻之大，另一方面也預示著(zhù)其潛在的、巨大的商業(yè)價(jià)值空間。　　投資風(fēng)口背后的虛虛實(shí)實(shí)，2018年市場(chǎng)基本清晰了。有些拿不到融資、
關(guān)鍵字：人工智能卷積神經(jīng)網(wǎng)絡(luò )

人工智能診斷水平堪比專(zhuān)家醫生會(huì )下崗嗎？

　　先是無(wú)人駕駛熱透半邊天，繼而下圍棋又打遍天下無(wú)敵手……逆天的人工智能，最近甚至把手伸進(jìn)醫院——這不，廣州市婦女兒童醫療中心剛剛對外宣布，其基于深度學(xué)習開(kāi)發(fā)出一個(gè)能診斷眼病和肺炎兩大類(lèi)疾病的人工智能系統，這項研究成果以封面文章登上2月23日的世界頂級期刊《Cell》(細胞)。　　　　人工智能診斷疾病靠譜嗎?南方南君告訴你，絕對驚人!比對實(shí)驗發(fā)現，該系統在診斷眼疾時(shí)的準確性達到96。6%;在區分肺炎和健康狀態(tài)時(shí)，準確性達到92
關(guān)鍵字：人工智能卷積神經(jīng)網(wǎng)絡(luò )

一步一步學(xué)用Tensorflow構建卷積神經(jīng)網(wǎng)絡(luò )

　　0. 簡(jiǎn)介　　在過(guò)去，我寫(xiě)的主要都是“傳統類(lèi)”的機器學(xué)習文章，如樸素貝葉斯分類(lèi)、邏輯回歸和Perceptron算法。在過(guò)去的一年中，我一直在研究深度學(xué)習技術(shù)，因此，我想和大家分享一下如何使用Tensorflow從頭開(kāi)始構建和訓練卷積神經(jīng)網(wǎng)絡(luò )。這樣，我們以后就可以將這個(gè)知識作為一個(gè)構建塊來(lái)創(chuàng )造有趣的深度學(xué)習應用程序了?！　榇?，你需要安裝Tensorflow(請參閱安裝說(shuō)明)，你還應該對Python編程和卷積神經(jīng)網(wǎng)絡(luò )背后的理論有一個(gè)基本的了解。安裝完Tensorflow之后，你可以在不依賴(lài)GP
關(guān)鍵字： Tensorflow 卷積神經(jīng)網(wǎng)絡(luò )

共19條 1/2 1 2 »

卷積神經(jīng)網(wǎng)絡(luò )介紹

您好，目前還沒(méi)有人創(chuàng )建詞條卷積神經(jīng)網(wǎng)絡(luò )!
歡迎您創(chuàng )建該詞條，闡述對卷積神經(jīng)網(wǎng)絡(luò )的理解，并與今后在此搜索卷積神經(jīng)網(wǎng)絡(luò )的朋友們分享。創(chuàng )建詞條

卷積神經(jīng)網(wǎng)絡(luò ) 文章 進(jìn)入卷積神經(jīng)網(wǎng)絡(luò )技術(shù)社區

卷積神經(jīng)網(wǎng)絡(luò )介紹

熱門(mén)主題

卷積神經(jīng)網(wǎng)絡(luò ) 文章進(jìn)入卷積神經(jīng)網(wǎng)絡(luò )技術(shù)社區