传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。

太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用, 传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题, 大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性, 提出基于改进DenseNet网络模型的缺陷检测方法, 选取DenseNet基础网络模型, 在模型中加入L2正则化, 并调整Batch Normalization层以解决过拟合问题; 将激活函数ReLU函数替换为SELU函数, 更好地缓解了梯度消失问题, 加强了网络的鲁棒性。实验结果表明, 训练集准确率到达93%, 测试集准确率达到87%, 能有效地检测并区分出电池板不同程度的损伤。

SRGAN是基于深度学习的图像超分辨率的典型方法, 重建效果较好, 但该算法还存在一些缺陷, 在提高图像质量和运行速度上仍然有较大提升空间。本文在SRGAN网络模型的基础上提出了一个优化模型。因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节, 同时增加网络的复杂度, 所以在SRGAN的生成器中去除了BN层, 并引入ECA通道注意力, 使每个残差块生成特征图获得相应的权重, 以便处理更多的图像细节。经过公开数据集的训练和对比实验, 结果表明提出的改进模型相比于对比模型, 重建图像的细节恢复更丰富, 视觉效果更好, 峰值信噪比和结构相似性表现更佳, 模型**数量更少。

行人重识别(ReID)任务在提取身份相关特征时可能会丢失一些信息,导致判别依据减少并影响模型性能。为此,提出了基于双分辨率特征及通道注意力机制的行人重识别方法。首先,在ResNet基础上增加了高分辨率特征分支,通过在不同分辨率的特征图上应用池化层,生成了对应着8种不同区域的特征向量。然后根据特征向量的情况设计了一个通道注意模块,增强了其中有效部分的表达能力。最后利用批归一化处理来协调分类损失和度量损失。消融实验中,算法内各步骤的运用都有效提升了模型的性能。在Market-1501、DUKEMTMC-REID、CUHK03等数据集上进行的对比实验中,该算法相比近几年具有代表性的其他算法,平均准确率和Rank-1都有所提升。实验结果表明,该方法能结合更丰富的特征,提高行人重识别准确度。

为实现多种类水稻病害的自动识别,采用卷积神经网络对水稻干尖线虫病、白叶枯病、细菌性条斑病等8种水稻叶部病害图像进行识别。将病害图像通过随机旋转以及亮度和对比度随机改变等方法进行样本扩充后,随机划分80%的图像作为卷积神经网络的训练样本,20%的图像作为测试数据。将训练样本直接输入AlexNet网络与LeNet5网络中进行训练,得到AlexNet_model和LeNet_model。在AlexNet网络上采用模糊C均值聚类(FCM)图像处理和在每层激活函数后添加批归一化层(BN)的两种方法对图像进行识别,得到模型FCM_model和BN_model。结合4种模型识别结果及性能评价指标的分析,可知 BN_model的识别效果最佳。BN_model模型的最终测试识别准确率达99.11%,比AlexNet_model、FCM_model和LeNet_model分别提高了0.23个百分点、0.59个百分点和4.43个百分点。该模型识别能力与泛化能力强,为基于卷积神经网络的水稻病害研究提供了参考。

针对当训练样本不足时, 传统深度学习算法在手写数字识别中会出现训练不稳定、识别精度较低等问题, 提出了基于条件生成对抗网络的识别方法。首先, 在条件生成对抗网络的基础上, 利用生成器使用类别标签控制图像生成的优点, 将生成器产生的图像样本作为训练数据, 扩充数据集。同时, 利用反卷积网络和卷积网络分别构成生成器和判别器的网络结构, 去掉全连接层以提升模型稳定性。然后, 引入条件批量归一化, 利用它使用类别标签的优点, 使网络学习更多的特征。最后, 改进判别器为分类器, 并提出新的损失函数, 加快收敛速度, 提高识别精度。实验结果表明, 本文所提出的手写数字识别方法生成的图像质量更好, 识别准确率更高, 达到99.43%, 为生成对抗网络及其变体在图像识别领域中的应用提供了参考。

针对低照度条件下图像降质严重的问题,提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本,将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间,保持色度分量和饱和度分量不变,利用DCNN对亮度分量进行增强,最后将HSI颜色空间转换到RGB空间,得到最终的增强图像。实验结果表明,与现有主流的图像增强算法相比,所提算法不仅能够有效提升亮度和对比度,改善过增强现象,而且能够避免色彩失真,主观视觉和客观评价指标均得到了进一步提高。

现有交通标志识别技术, 存在高识别率高功耗或者低识别率低功耗的问题, 构建了新轻量级WACNN的识别算法。首先, 利用TensorFlow构建6层卷积神经网络, 其中前三层为卷积池化层, 四层为1×1卷积层, 五层为全连接层, 六层为输出层, 前四层再加入批量归一化方法。其次, 使用直方图均衡对交通图像预处理。最后, 模型在GTSRB上进行实验, 实验结果表明, 所提模型不仅极大缩短了训练时间, 且识别准确率也能达到了97％。

针对栈式稀疏去噪自编码器(SSDA)在图像去噪上训练难度大、收敛速度慢和普适性差等问题,提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数,以缓解梯度弥散现象;借助残差学习和批归一化进行联合训练,加快收敛速度;而为克服新模型对噪声普适性差等问题,需要对其进行多通道并行训练,充分利用网络挖掘出的潜在数据特征集计算出最优通道权重,并通过训练权重权重预测模型预测出各通道最优权重,从而实现自适应图像去噪。实验结果表明:与目前降噪较好的BM3D和SSDA方法相比,所提方法不仅在收敛效果上优于SSDA方法,而且能够自适应处理未参与训练的噪声,使其具有更好的普适性。