基于深度学习的机械手势识别研究

基于边缘检测和BP神经网络的大豆杂草识别研究.pdf

基于BP神经网络的水果识别研究.pdf

验证码技术是确保网站安全性和用户信息隐私性的第一道保障。针对多样化的验证码，其识别技术也很多，传统验证码技术主要分为人工识别、字典模型识别和验证码图像分割识别，其中字典模型中较为典型的Tesseract-OCR，其识别率相对较低，过程操作复杂，需要对识别错误的文字做出修改不适合对复杂验证码做出高效迅速的识别。本文使用TensorFlow框架实现卷积神经网络算法对验证码进行识别，利用Captcha包下提供的ImageCaptcha（）方法生成模拟现实网站的验证码，利用卷积神经网络对生成的验证码进行训练生成训练模型，通过训练模型进行对测试集的测试得到识别率，识别率可达到97%以上远超传统验证码识别算法。

针对基于深度学习的静态人脸图像表情识别方法进行研究，首先介绍了深度学习的原理，并归纳了目前公开且常用的面部表情数据集；然后介绍了基于深度学习的表情识别的三个步骤，归纳了图像预处理和表情分类的主要方法，重点总结了目前性能较好的用来提取特征的深度学习框架以及这些方法的基本原理和优劣势比较；最后指出了目前面部表情识别存在的问题和未来可能的发展趋势。

人工智能-机器学习-户外环境下基于视觉的移动机器人可通行区域识别研究.pdf

提出了一种基于改进的深度残差网络（residual network，ResNet）的表情识别算法。采用小卷积核和深网络结构，利用残差模块学习残差映射解决了随着网络深度增加网络精度下降的问题，通过迁移学习方法克服了因数据量不足导致训练不充分的缺点；网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练，使网络具有良好的提取特征能力，根据迁移学习方法，利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征，深层网络难以训练等问题，在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较softmax提高了1%左右。

大数据-算法-非理想情况下基于SIFT算法的人脸识别研究.pdf

安全技术-网络信息-智能传感器网络中地面目标磁敏信号识别研究.pdf

近年来，互联网和移动互联网的快速发展，网络中的图像数据展现出了爆炸 式的增长。图像数据简单直观，并且包含丰富的信息，被人们广泛作为信息交流 的载体。基于内容的图像识别能够从图像本身出发，先从图像中提取显著的特征， 再根据特征的差异对图像进行识别，具有很好的识别效果。机器学习在人工智能 中具有非常重要的位置，机器学习通过算法对数据进行学习，然后进行预测和决 策，是实现人工智能的钥匙。机器学习的图像识别是基于图像内容的，机器学习 从图像数据本身出发，从数据中提取底层的图像特征，然后通过机器学习的算法 建立起底层特征和高层图像语义之间的联系，进而实现图像识别。 图像识别是机器视觉的基础，图像内容千变万化，机器视觉就千差万别。对 计算机来说，图像的底层特征和高层图像语义没有直接的联系，所以解决“语义 鸿沟”就是图像识别的重点和难点问题。机器学习发展经过了浅层学习和深层学 习两个阶段，专家和学者提出了很多的算法模型，在图像识别、语音识别和人工 智能方面取得了较多成果。 首先介绍了基于统计理论的支持向量机模型，支持向量机模型是根据人工提 取的特征来训练分类器，通过分类器来达到图片识别的目标。对于底