摘要
为了解决运动目标线的平均识别程度的问题,通过传统的移动目标行为识别方法。因此,提出了一种基于深卷积神经网络的运动识别方法。构建深度卷积神经网络目标模型,并使用模型设计网络的基本单元。返回的单元通过设定单元计算到标准密度图,并且移动目标位置由局部最大方法确定实现移动目标行为识别。实验结果表明,多参数SICN256模型的实验结果略好于其他模型结构。基于深度卷积神经网络的移动目标行为识别方法的平均识别率和识别率高于传统方法,证明其有效性。由于单个目标比多个识别更频繁并且没有目标类似的识别,因此不能排除类似的目标错误检测。
关键字
卷积神经网络 移动的目标 识别 深度笔记
致谢
河南省科技厅社会发展计划项目(NO.182102310040);平顶山学院青年科研基金项目(no . pxyy - qnjj -2018005)。关键词:岩石力学,岩石力学,岩石力学,数值模拟
参考
-
1.
-
2.3 .唐志军,张凯,李春,等:基于深度卷积神经网络的运动想象分类及其在脑控外骨骼中的应用。j .第一版。科学。40(6), 1367 - 1378 (2017)谷歌学术
-
3.周,T.,徐,Y.,郑,W .:基于深度卷积神经网络的番茄主要器官的分类和识别。J. Agri。Eng。33(15), 219 - 226 (2017)谷歌学术
-
4.李,C.,秦,P.,张,j:基于深卷积神经网络的图像去噪研究。计算。Eng。43(3), 253 - 260 (2017)谷歌学术
-
5.王忠,闵浩,朱强:基于深度卷积神经网络的运动目标光流检测。Optoelectron。Eng。45(8), 1 - 9 (2018)谷歌学术
-
6.刘,S.,Liu,D.,Srivastava,G.等,概述和相关滤波算法在对象跟踪中的相关性。复杂的智慧。系统。(2020)。https://doi.org/10.1007/s40747-020-00161-4
-
7。袁,G.,唐。,Y.,Han。,W.等,基于深卷积神经网络的车辆类型识别方法。J.浙江大学。Eng。edn。17(4)目前消费量(2018)谷歌学术
-
8。Liu, Z., Ho, D., Xu, X., et al.: deep convolutional neural network. acta optica sinica, 2013, 32(4): 557 - 564。IEEE访问6,1(2018)谷歌学术
-
9.
-
10。Zhang,Y.,Li,J.,Guo,Y.等,基于多视图卷积神经网络(MV-CNN)的车辆驾驶行为识别,具有联合数据增强。IEEE Trans。veh。技术。68(5),1(2019)谷歌学术
-
11.陈建平:一种新型混合信息处理方法,第1 - 4页。beplay登入施普林格,纽约(2019)。https://doi.org/10.1007/978-3-030-36402-1
-
12.FEI,G.,TENG,H.,Jinping,S.等,基于改进的深卷积神经网络的SAR图像目标识别算法。Cogn。计算。17(6),硕士论文(2018)谷歌学术
-
13.
版权信息
©ICST计算机科学研究所,社会信息与电信工程2021