Sep, 2023

利用人工智能进行针织图案自动化

PDF
TL;DR通过数据增强和迁移学习技术，本研究提出了一种深度学习模型来识别和分类编织图案，模型使用 Inception ResNet-V2 作为主要特征提取和分类算法，并利用准确度、对数损失、F1 分数、精确度和召回率等度量指标对模型进行评估，结果显示高模型准确度、精确度、召回率和 F1 分数，与其他预训练模型和 ResNet-50 模型相比，提出的模型评估结果更好。
knitting patternstechnologyautomated systemdeep learning modeltransfer learning
发现论文，激发创造
  • 利用机器学习识别人工智能生成的合成图像

    利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

    Jan, 2024

  • 机器学习和深度学习模型在多画家识别中的协同作用

    这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理，以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类，实现了 85% 的分类准确率。

    Apr, 2023

  • 基于深度学习的几何图形分类算法研究

    利用 lenet-5 体系结构的权重共享和特征提取和分类的优势，构建了一个几何图形识别算法模型，通过在识别过程中使用交叉熵损失函数来提高模型的泛化性能和测试数据集的平均识别准确率。

    Apr, 2024

  • InceptionCapsule：自主注意力的 Inception-Resnet 和 CapsuleNet 用于医学图像分类

    使用迁移学习和 Inception-ResNet 模型来避免随机权重选择并生成丰富的向量特征，然后将这些特征用于教学网络的学习，该方法在分类任务中取得了高准确度的结果。

    Feb, 2024

  • 深度集成艺术风格识别

    利用深度学习技术，本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验，并引入一种通过多个模型提取和识别输入的不同特征的可变方法，创造了与现有工作相比更一致的模型，在最大艺术数据集上达到了最新的精确度（WikiArt - 68.55%），同时讨论了数据和艺术风格本身对模型性能的影响。

    May, 2024

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 基于卷积神经网络的无监督纺织品缺陷检测

    本研究提出了一种基于模式的无监督纺织品异常检测方法，结合了传统卷积神经网络和无监督学习范式的优点。该方法包括预处理、自动模式周期提取、补丁提取、特征选择和异常检测等五个主要步骤。与现有方法相比，我们的方法使用了一种新的动态和启发式的特征选择方法，避免了常用方法中初始化滤波器（神经元）数量和权重以及反向传播机制的缺点。我们的算法在 Patterned Fabrics 基准数据集上展示了可靠和有竞争力的结果，并且具有较低的计算成本和高效的训练时间。

    Nov, 2023

  • 使用经典机器学习和深度学习识别 Adinkra 符号

    人工智能（AI）已经成为一种转化性影响，引发了全球社会包括学术界和工业界的范式转变。然而，在这些快速进展的背景下，解决黑人社区和非洲国家在 AI 领域的代表缺乏至关重要。通过展示诸如鉴别和分类传统符号（例如 Adinkra 符号）或社区内熟悉的物体等任务的简单应用，可以有效提高对 AI 的热情。在这项研究中，我们深入研究了经典机器学习，并利用深度学习模型解决了分类和识别 Adinkra 符号的复杂任务。

    Nov, 2023

  • 基于 BreaKHis 数据集的乳腺癌深度学习架构比较分析

    通过对 BreakHis 数据集中的乳腺癌病例进行深度学习模型的评估，本研究发现 Xception 模型在诊断准确率、F1 得分等方面表现最佳，对于正确诊断乳腺癌具有重要意义，为改进乳腺癌诊断方法和促进新治疗策略的创建做出了重要贡献。

    Sep, 2023

  • PatternNet: 基于深度神经网络的视觉模式挖掘

    本文研究了视觉模式挖掘的问题，并提出了一种名为 PatternNet 的新型深度神经网络结构，用于发现具有辨别性和代表性的模式。使用卷积神经网络中的卷积层滤波器来查找局部一致的可视化块，通过组合这些过滤器，我们可以有效地发现独特的视觉模式，从而提高了视觉识别的性能和效率。

    Mar, 2017