专题六：深度学习
基于深度学习的化妆品塑料瓶缺陷检测（2020，下载213）
冯太锐，苗玉彬，赵爽
摘要：提出一种基于深度卷积神经网络的化妆品塑料瓶表面缺陷检测算法。采用百万像素级别的工业相机采集大量的塑料瓶图像样本，并通过HSV（hue，saturation，value）颜色空间变换和Otsu阈值分割等方法对图像进行预处理。采用随机图像变换法对数据集进行增强，并对图像进行标准归一化处理。在卷积神经网络模型中应用深度可分离卷积和Dropout技术以减少参数量，从而避免过度拟合。使用训练样本集训练该模型，并在测试集中将结果与几种经典图像识别算法进行比较分析，结果显示，本文算法的识别准确率高达约0.97。由此表明本文算法的效果优于其他经典算法，有望将其应用于化妆品塑料瓶缺陷检测的工业自动化系统，以提升缺陷识别效果,从而提高生产效率。
关键词：深度学习；缺陷检测；化妆品塑料瓶；卷积神经网络
https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2020&filename=DHDZ202002016&uid=WEEvREcwSlJHSldSdmVqelcxVTNETVBqaWtoRzFaU2JlVm52YVpjdWY1MD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDQ3MzQvblZidkFJU1hQZExHNEhOSE1yWTlFWW9SOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVI3cWZidVptRnk=
基于深度学习的夜间模式下自动驾驶场景预测（2019，下载175）
阮雨，孙韶媛，李佳豪，吴雪平
摘要：为了增强自动驾驶汽车在夜间行驶时对周围场景的理解，以便汽车或驾驶员可以及时做出相应的调整，将深度学习应用于夜视图像的场景预测。采用了一种预测编码网络来预测夜视图像的场景变化，在传统的深度卷积-循环神经网络的基础上，对网络结构进行了一定的调整，将预测图像与实际图像的误差在网络中进行前向传递,不断更新预测误差来调整预测结果。试验结果表明，训练得到的场景预测模型，可以预测夜间驾驶场景0.4 s后的合理未来，且改善了对于长时间预测任务中效果不好的问题，具有良好的准确性和实时性。
关键词：自动驾驶；深度学习；夜视图像；场景预测；预测编码网络
https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2019&filename=DHDZ201905010&uid=WEEvREcwSlJHSldSdmVqelcxVTNETVBqaWtoRzFaU2JlVm52YVpjdWY1MD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MTc0OTMzcVRyV00xRnJDVVI3cWZidVptRnkvblc3M01JU1hQZExHNEg5ak1xbzlFWklSOGVYMUx1eFlTN0RoMVQ=
基于区域卷积神经网络Faster R-CNN的手势识别方法（2019，被引2，下载216）
张勋，陈亮，朱雪婷，胡诚
摘要：为提升手势识别算法的准确率，引入深度学习中区域卷积神经网络Faster R-CNN (faster region-convolution neural network)。利用该网络的卷积神经网络自动提取手势目标特征，采用RPN(region proposal networks)机制提取候选框以提高搜索效率，采用Faster R-CNN网络对建议框做目标检测和分类以实现手势端到端的识别。结果表明，该方法能够更加准确高效地完成手势特征提取和分类任务，有效提高手势识别准确率。
关键词：区域卷积神经网络；Faster R-CNN；手势识别；深度学习
https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2019&filename=DHDZ201904013&uid=WEEvREcwSlJHSldSdmVqelcxVTNETVBqaWtoRzFaU2JlVm52YVpjdWY1MD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDY2NDJDVVI3cWZidVptRnkvZ1U3L0tJU1hQZExHNEg5ak1xNDlFWjRSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnI=
基于深度学习的高分辨率遥感图像车辆检测（2018，被引6，高下载763）
孙秉义，文珊珊，吴昊，蔡鸿明
摘要：针对公路交通量的传统检测方法存在周期较长且需要人工辅助等问题，利用深度学习在目标检测领域的优势，提出基于深度学习的高分辨率遥感图像车辆检测方法。首先对遥感图像进行预处理和分割，提取所需的道路区域，减少其他区域的干扰；再利用高分辨率遥感图像数据集对深度卷积神经网络进行训练，得到用于车辆检测的模型，并最终得到有效的车辆检测系统。经过试验验证，该方法可有效地检测遥感图像道路区域中的车辆，并有较高的准确率。
关键词：图像分割；特征提取；卷积神经网络；车辆检测；遥感图像
https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2018&filename=DHDZ201804004&uid=WEEvREcwSlJHSldSdmVqelcxVTNETVBqaWtoRzFaU2JlVm52YVpjdWY1MD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MjY4NTMzcVRyV00xRnJDVVI3cWZidVptRnkvZ1VMM01JU1hQZExHNEg5bk1xNDlGWUlSOGVYMUx1eFlTN0RoMVQ=
基于深度LSTM神经网络的人体服装压力信息预测（2018，被引4，下载318）
韩韬，郝矿荣，丁永生，唐雪嵩
摘要：提出了一种深度长短时记忆(LSTM)神经网络结构，用以在穿着运动紧身衣时，由人体某一个部位的压力信息预测其他几个关键部位的压力信息，进而实现人体上半身全部关键点的压力信息数据预测。通过采用柔性压力阵列收集不同人体穿着不同材质和尺寸的运动紧身衣时的压力信息，在配置图形处理器(GPU)的工作站上得出较好的运算结果。实验结果证明，所提出的深度LSTM神经网络结构比其他算法具有更高的预测准确率。
关键词：长短时记忆；深度学习；循环神经网络；人体模型；服装压力
https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2018&filename=DHDZ201805010&uid=WEEvREcwSlJHSldSdmVqelcxVTNETVBqaWtoRzFaU2JlVm52YVpjdWY1MD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MTk0MzBabUZ5L2dWci9MSVNYUGRMRzRIOW5NcW85RVpJUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1VSN3FmYnU=