简介：摘 要：回顾了卷积神经网络的发展历程,介绍了卷积神经网络的基本运算单元。在查阅大量资料基础上，重点介绍了有代表性的 AlexNet、VGGNet、GoogLeNet、ResNet等，对他们所用到的技术进行剖析，归纳、总结、分析其优缺点，并指出卷积神经网络未来的研究方向。

简介：摘要：为解决单目图像中冗余像素点不利于深度神经网络快速完成深度信息检测的问题，提出一种基于卷积神经网络的深度线段分类算法。对 ＮＹＵ -Ｄｅｐｔｈ 数据集使用线段检测算法进行线段检测得到原始图像的线段特征图。通过数据预处理结合深度数据得到表征深度信息的线段集合及其标签，提出适用于线段特征的卷积神经网络，实现单目图像中深度线段的分类。本论文从不同方面阐述基于卷积神经网络的深度线段分类算法，希望为研究卷积神经网络的专家和学者提供理论参考依据。

简介：摘要：卷积神经网络是一种新型的无导师学习算法,在近几年有了较大发展,其主要思想为利用层间节点竞争产生隐含函数来处理非线性系统，在处理非平稳信号方面,它的优势主要体现在:可以利用网络中所有隐含层,使得原始数据与新产生的参数都保持一定关系,从而实现了非线性函数逼近;通过使用简单、有效等方法来减少输出矢量对算法时间和计算量要求较高之处。本文将介绍一下卷积神经网模型结构及相关技术特性以及一些典型应用场景下常用学习算法进行分析研究。

简介：摘要:手机屏幕的缺陷检测操作期间，深度卷积的神经网络往往起着关键作用，对实测效果 影响极大，要求技术员能够充分掌握此方法。鉴于此，本文主要围绕着深度卷积的神经网络基础下手机屏幕的缺陷检测开展深入的研究和探讨，仅供参考。

简介：本文对签名技术的研究背景和发展状况做了简单介绍,描述了在线和离线鉴定系统的优缺点。考虑大部分人对自己的签名有独特的写法和设计,并不同于其对平常文字的书写,综合比对了国内外笔迹鉴定公开数据库,针对个人签名设计、开发了一套基于Android离线签名鉴定系统,并建立了更具实用性的签名数据库xtu_302sg。本文使用深度卷积神经网络（ConvolutionalNeuralNetwork,CNN）提取签名图片特征做身份鉴定,相对于传统方法取得了不错的效果。

简介：以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛美注，并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率，本文设计了2种改良的深度卷积神经网络，这些改进加快了神经网络的训练速度．有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型，该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验，改进的检测模型在LUNAl6数据集上的准确率明显好于其他模型，这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后，构建了一套适用于远程医疗的“计算机辅助肺癌筛查与诊断系统”，该系统能够自动检测出CT影像中肺结节，并给出结节的良恶性概率评估。通过该系统的应用，可以有效缓解放射科医生超高的劳动强度，提高阀片效率，服务更多患者；减少漏诊和误诊发生的次数，有助于提高肺结节的诊断准确率；从而促进我国肺癌早筛工作的推广。

简介：【摘要】

简介：摘要目的基于深度卷积神经网络（DCNN）方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法应用研究。将2021年5~ 7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1 028只眼的1 005张彩色眼底像建立人工智能（AI）数据库。采用RGB颜色通道重标定方法（CCR算法）、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域；构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度（FTD ）、黄斑区豹纹密度（MTD）、视盘区豹纹密度（PTD ）。结果应用CCR算法图像预处理和训练损失组合后，豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD、PTD值与人工标注测量值平均绝对误差分别为0.014 3、0.020 7、0.026 7，均方根误差则分别为0.017 8、0.032 3、0.036 5。结论基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度，可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。

简介：面部的特征点准确定位对于表情识别和面部动画合成等应用具有重要的意义。随着网络时代自拍的盛行，人们对于实际应用场景中不同光照，角度和遮挡条件下的准确特征点定位提出了更高的要求。本文设计了一种基于级联的深度卷积神经网络的面部特征点定位算法，在初步特征点识别的基础上利用级联网络进行回归优化拟合，从而达到了精确定位的效果。

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：摘要：森林资源评估对于准确掌握森林资源现状和变化，森林可持续经营、森林有序利用意义重大。随着遥感数据资源不断丰富，对遥感影像处理方法越来越先进和完善。遥感影像评价正逐渐取代传统调查方法，成为评估森林资源现有状态和变化的重要工具。本文基于无人机调查影像图，通过专家进行预先评估，建立标注数据，构建和训练了深度卷积神经网络森林资源评价模型。经过实验测试和验证，其准确率达到90.2%，召回率也达到82.8%。对比了传统的评价方法，论文提出的基于深度卷积神经网络的评价方法更加客观、准确，更加有效且符合实际。

简介：

简介：摘要卷积神经网络在自然语言处理中的应用是近年的研究热点。文章通过对几项典型工作的分析，研究了卷积神经网络在各项自然语言处理任务中的性能与效果。并对卷积神经网络语言模型的改进规律进行了总结。

简介：行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD（DomainGuidedDropout）卷积神经网络（CNN）与样本相对距离结合的行人重识别算法：首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.

简介：利用卷积神经网络在图像识别方面的优势,提出了一种基于深度卷积神经网的哈萨克手写字母识别方法（DCNN-KLR）,成功建立了一种哈萨克手写文字识别模型。与传统的方法（SVM＋HOG）相比,不仅训练方便、速度快,而且提高了哈萨克手写文字的识别率。在5708个数据样本上进行训练和测试,将样本分为33类和100类,正确识别率分别达到93.29%和92.38%。

简介：行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.

简介：摘要：深度学习和人工智能已成为我国当下的热门讨论话题，卷积神经网络模型作为深度学习模型中具有代表性的模型之一受到了许多研究者的关注。本文在介绍卷积神经网络模型发展历程的基础上，探讨了卷积神经网络模型在目标检测、语义分割以及自然语言处理方面的应用，以期能为该领域的研究者选择模型时提供参考。

简介：摘要：图像自动标注问题要解决的就是图像和标注词之间的语义问题，为了让计算机能够解决图像与文本之间的“语义鸿沟”，让计算机通过一个模型算法计算得到我们需要的分类结果，而这个模型可以看成一个很复杂的函数，通过这个函数计算得到的结果便是我们需要的。卷积神经网络作为近些年来比较热门的深度学习算法，因其在图像识别领域有着强大的能力，故而选择了卷积神经网络作为主要模型。

简介：摘要目的通过深度卷积神经网络(convolutional neural network，CNN)技术实现胃病变内镜图像的快速、准确人工智能辅助诊断。方法收集2012—2018年北京大学人民医院1 121例胃病变的普通白光内镜图像和病理结果。胃病变图像包括消化性溃疡、早期胃癌及高级别上皮内瘤变、进展期胃癌、胃黏膜下肿瘤共4类，另外还包括无病变正常胃黏膜图像。共17 217张图像作为训练集，使用CNN ResNet-34模型训练分类任务，使用全CNN DeepLabv3模型训练像素分割任务。经过训练后的CNN通过一个测试集评估诊断效能，测试集包括237例胃病变，共1 091张普通内镜图像。计算CNN诊断的准确率、敏感度、特异度、阳性预测值、阴性预测值。结果CNN对于早期胃癌及高级别上皮内瘤变的诊断准确率为78.6%(33/42)，敏感度为84.4%(27/32)，特异度为60.0%(6/10)，阳性预测值87.1%(27/31)，阴性预测值54.5%(6/11)；对于消化性溃疡的诊断准确率为90.4%(47/52)，敏感度为92.7%(38/41)，特异度为81.8%(9/11)；对于进展期胃癌的诊断准确率为88.1%(52/59)，敏感度为91.8%(45/49)，特异度为70.0%(7/10)；对于胃黏膜下肿瘤的诊断准确率为86.0%(43/50)，敏感度为89.7%(35/39)，特异度为72.7%(8/11)。所有测试集图像识别时间为42 s。结论CNN可以作为早期胃癌及其他胃病变内镜图像的快速辅助识别方法，识别速度快，准确率高。

简介：摘要：人们在进行信息传递活动时需依靠图像这一介质，然而图像的信息采集环节与传递环节有很高几率出现失真情况，让图像内容存在不完整、不具体、不清晰和不真实问题。近年来，卷积神经网络的图像识别技术获得广阔应用空间，有利于图像清晰度的识别工作开展。本文分析了深度学习基础上的卷积神经网络图像清晰度识别，以望借鉴。