En los últimos años, el aprendizaje profundo, como método de inteligencia artificial muy popular, puede decirse que es un área pequeña en el campo del reconocimiento de imágenes. Es un tipo de aprendizaje automático, en realidad derivado de las redes neuronales artificiales, y es un método utilizado para aprender las características de los datos de la muestra. Se trata de una red multicapa, que puede aprender la información de la parte inferior a la superior de la imagen a través de la red multicapa, con el fin de extraer las características de la muestra, y luego realizar la identificación y la clasificación. El objetivo del aprendizaje profundo es hacer que la máquina tenga la misma capacidad de análisis y aprendizaje que el cerebro humano. La capacidad del aprendizaje profundo en el procesamiento de datos (incluidas las imágenes) no tiene parangón con otros métodos, y sus logros en los últimos años han dejado atrás a otros métodos. Este artículo revisa exhaustivamente el progreso de la investigación de la aplicación de las redes neuronales convolucionales profundas en la restauración de patrones chinos antiguos y se centra principalmente en la investigación basada en las redes neuronales convolucionales profundas. Las principales tareas son las siguientes: (1) se proporciona una introducción detallada y completa a los conocimientos básicos de las redes neuronales convolucionales profundas y un resumen de los algoritmos relacionados a lo largo de las tres direcciones de preprocesamiento de texto, aprendizaje y redes neuronales. Este artículo se centra en el mecanismo relacionado de la reparación de patrones tradicional basado en la red neuronal convolucional profunda y analiza la estructura y el principio clave. (2) Se investiga sobre los modelos de restauración de imágenes basados en redes convolucionales profundas y redes neuronales adversarias. El modelo se compone principalmente de cuatro partes, a saber, enmascaramiento de información, extracción de características, red generadora y red discriminante. Las funciones principales de cada parte son independientes e interdependientes. (3) El método basado en la red neuronal convolucional profunda y los otros dos métodos se prueban con la misma parte del conjunto de datos de imágenes de bordados tradicionales de Qinghai. A partir del índice de evaluación final del experimento, el método de este trabajo tiene un mejor índice de evaluación que el método de restauración de imágenes tradicional basado en muestras y el método de restauración de imágenes basado en aprendizaje profundo. Además, desde el efecto real de restauración de imágenes, el método de este trabajo tiene un mejor efecto de restauración de imágenes que los otros dos métodos, y los resultados de restauración producidos están más en línea con el hábito de la observación humana a simple vista.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Generación de energía undimotriz mediante un sensor piezoeléctrico fijado a una estructura costera
Artículo:
Evaluación del potencial fibrogénico pulmonar de los nanotubos de carbono multipared en células pulmonares humanas
Artículo:
Análisis del modelo de comprensión de lectura de multitextos en inglés basado en la red neuronal de creencia profunda
Artículo:
Identificación robusta y directa de parámetros de oscilaciones de baja frecuencia amortiguadas exponencialmente en sistemas de energía eléctrica
Artículo:
Adhesión por sinterización a baja temperatura mediante pasta de nanopartículas de plata para el embalaje de productos electrónicos
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060