东南大学仪器科学与工程学院，江苏 南京 210096
随着垃圾污染问题日益严重，垃圾自动检测识别具有越来越重要的应用价值。改进了YOLOv5算法，提升了对户外复杂背景下垃圾的检测性能，收集了6个类别的户外常见垃圾的图片，建立了一个背景复杂的垃圾图片数据集，提出了一种简单、高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成垃圾目标物预测热力图的分支结构。随后，将预测热力图送回YOLOv5的backbone结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能，改进后的网络仅增加了少量参数，生成了效果可观的预测热力图，垃圾检测的性能得到较大提升。
机器视觉 图像处理 目标检测 垃圾识别 神经网络训练 热力图 激光与光电子学进展
2023, 60(22): 2210002
东莞职业技术学院 建筑学院, 广东 东莞 523808
发光二极管的非线性特性是引起光信号出现非线性失真的一个重要因素,针对该问题,采用人工神经网络在接收端对信号的非线性失真进行抑制,进而降低可见光通信系统的误码率。将发光二极管的输入电信号与接收端转换后的电信号组成成对数据,将成对数据集送入神经网络进行训练,学习信号在电光转换、信道传输及光电转换过程中的非线性失真特性,通过神经网络对信号的非线性失真进行估计与抑制。此外,在训练过程中采用分布估计算法搜索神经网络的超参数集,以降低训练难度。实验结果表明,该方法在不同的信道环境下均能有效地改善可见光通信的性能。
可见光通信 人工神经网络 非线性失真 失真抑制 分布估计算法 神经网络训练 visible light communication artificial neural network non-linear distortion distortion suppression estimation of distribution algorithm neural network training
Author Affiliations
Abstract
State Key Laboratory of Advanced Optical Communication Systems and Networks, Intelligent Microwave Lightwave Integration Innovation Center (iMLic), Department of Electronic Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
We propose an optical tensor core (OTC) architecture for neural network training. The key computational components of the OTC are the arrayed optical dot-product units (DPUs). The homodyne-detection-based DPUs can conduct the essential computational work of neural network training, i.e., matrix-matrix multiplication. Dual-layer waveguide topology is adopted to feed data into these DPUs with ultra-low insertion loss and cross talk. Therefore, the OTC architecture allows a large-scale dot-product array and can be integrated into a photonic chip. The feasibility of the OTC and its effectiveness on neural network training are verified with numerical simulations.
optical tensor core neural network training matrix multiplication homodyne detection dual-layer waveguides Chinese Optics Letters
2021, 19(8): 082501
上海交通大学中英国际低碳学院, 上海 201306
利用Faster RCNN算法实现生活垃圾的高精度识别。选取典型的6种生活垃圾建立数据集,采用数据增强方法提升了数据集目标数量及目标类别、尺度均衡性,分析对比三种具有显著差异的主干网络VGG-16、Res101、MobileNet_v1的精度、速度及泛化性能。采用结合特异层微调的端到端训练策略,对低识别率样本开展增强训练,由此获得了最低为92.85%的均值平均精度(mAP),随后对误识别样本中提取的三种典型错误进行优化,将最高mAP提高到99.23%。此外,设计含816张图片的背景数据集测试算法在多变背景下的泛化性能,发现复杂垃圾背景对检测精度的影响最大,且泛化性能与网络收敛性能趋势一致,即从优到劣排序依次为Res101、 VGG-16、MobileNet_v1。最后,基于可回收垃圾倾向高精度指标及有害垃圾倾向高召回率指标的原则,分析并得到算法最优检测概率阈值的设置方法。
图像处理 目标检测 垃圾识别 数据增强 神经网络训练 背景干扰 激光与光电子学进展
2020, 57(20): 201014
河北科技大学机械工程学院, 河北 石家庄 050018
为了精确、快速地提取结构光光条中心,提出了一种基于BP神经网络的中心提取方法。给出了使用BP神经网络实现光条中心提取的基本原理、训练网络所需的理想中心点的求取方法,以及网络权值的调整算法。研究了隐含层神经元个数m、隐含层层数h,以及训练样本对中心提取精度的影响,结果表明:当m=3,h=1,训练样本为带有噪声的随机光条时,神经网络能够得到更好的光条中心。由对比实验可以看出,所提方法相较于Steger方法和灰度重心法的中心提取精度更高,而且对1280 pixel×960 pixel光条图像中心提取的平均用时仅约为0.04 s,为Steger方法的0.27%。所提方法具有高精度、高效率等优势,能够满足复杂光条亚像素中心提取的要求。
测量 结构光光条 中心提取 BP神经网络 网络训练 误差分析 光学学报
2019, 39(12): 1212005
