Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Reconocimiento de imágenes basado en redes neuronales convolucionales profundas con agrupamiento multinivel.
La red neuronal profunda (DNN, por sus siglas en inglés) se ha convertido en un tema de investigación candente en el campo del reconocimiento de imágenes. Desarrollar una solución adecuada para introducir operaciones y capas efectivas en el modelo DNN es de gran importancia para mejorar el rendimiento del reconocimiento de imágenes y videos. Para lograr esto, a través del uso completo de la información de bloques de diferentes tamaños y escalas en la imagen, se diseña en este artículo un modelo de red neuronal convolucional profunda con pooling multiscale. Independientemente del tamaño del mapa de características, la capa de muestreo multiscale producirá tres matrices de caracteres de tamaño fijo. Los resultados experimentales demuestran que este método mejora significativamente el rendimiento de la imagen de entrenamiento individual actual, lo cual es adecuado para resolver la generación de imágenes, migración de estilo, edición de imágenes y otros problemas. Proporciona una solución efectiva para una práctica industrial más avanzada en los campos de imágenes médicas, teledetección e imágenes satelitales.
Autores: Sang, Haitao; Xiang, Li; Chen, Shifeng; Chen, Bo; Yan, Li
Idioma: Inglés
Editor: Hindawi
Año: 2020
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Hindawi
Complexity
Volume , Article ID 6180317, 13 pages
https://doi.org/10.1155/2020/6180317
Sang Haitao0, Xiang Li0, Chen Shifeng0, Chen Bo0, Yan Li0
College of Information Engineering China, College of Science ChinaAcademic Editor:
Contact: @hindawi.com
La red neuronal profunda (DNN, por sus siglas en inglés) se ha convertido en un tema de investigación candente en el campo del reconocimiento de imágenes. Desarrollar una solución adecuada para introducir operaciones y capas efectivas en el modelo DNN es de gran importancia para mejorar el rendimiento del reconocimiento de imágenes y videos. Para lograr esto, a través del uso completo de la información de bloques de diferentes tamaños y escalas en la imagen, se diseña en este artículo un modelo de red neuronal convolucional profunda con pooling multiscale. Independientemente del tamaño del mapa de características, la capa de muestreo multiscale producirá tres matrices de caracteres de tamaño fijo. Los resultados experimentales demuestran que este método mejora significativamente el rendimiento de la imagen de entrenamiento individual actual, lo cual es adecuado para resolver la generación de imágenes, migración de estilo, edición de imágenes y otros problemas. Proporciona una solución efectiva para una práctica industrial más avanzada en los campos de imágenes médicas, teledetección e imágenes satelitales.
Descripción
La red neuronal profunda (DNN, por sus siglas en inglés) se ha convertido en un tema de investigación candente en el campo del reconocimiento de imágenes. Desarrollar una solución adecuada para introducir operaciones y capas efectivas en el modelo DNN es de gran importancia para mejorar el rendimiento del reconocimiento de imágenes y videos. Para lograr esto, a través del uso completo de la información de bloques de diferentes tamaños y escalas en la imagen, se diseña en este artículo un modelo de red neuronal convolucional profunda con pooling multiscale. Independientemente del tamaño del mapa de características, la capa de muestreo multiscale producirá tres matrices de caracteres de tamaño fijo. Los resultados experimentales demuestran que este método mejora significativamente el rendimiento de la imagen de entrenamiento individual actual, lo cual es adecuado para resolver la generación de imágenes, migración de estilo, edición de imágenes y otros problemas. Proporciona una solución efectiva para una práctica industrial más avanzada en los campos de imágenes médicas, teledetección e imágenes satelitales.