使用深度卷积神经网络检测视频游戏中的渲染故障
本文系统研究图像失真对深度神经网络分类器的影响,提出了重训练与加噪音微调两种方法,结果表明在特定条件下,加噪音微调可以有效减轻图像失真对分类器的影响,并且比重新训练更为实用。
Jan, 2017
本论文采用各种深度学习模型,如 VGG19、ResNet50、Inception V3 和 EfficientNetV2,在表面裂缝检测上进行了精细调整,并通过精确度、召回率和 F1 得分进行了比较。
Jan, 2024
该研究使用了六种卷积神经网络模型来进行道路裂缝的检测,并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调,观察数据集扩增的效果,并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。
Apr, 2023
研究表明,在医学图像领域,使用综合评估 13 种先进的深度卷积神经网络(DCNNs)有效地区分真实的和篡改或操纵的医学图像。发现 ResNet50V2 在精确度和特异度方面表现出色,而 DenseNet169 在准确性、召回率和 F1 得分方面表现突出。同时,MobileNetV3Large 在保持相对较小的参数数量的同时,具有较高的性能。研究还发现 DenseNet 和 EfficientNet 模型族在隐空间分离质量上卓越,提供对医学图像造假的更深入理解。该研究对医学图像领域的深度伪造图像检测做出了有价值的贡献。
Jan, 2024
通过使用五种卷积神经网络(MobileNet、DenseNet、EfficientNetB0、EfficientNetB2 和 EfficientNetB3),对 22 种家用游戏主机系统(从 Atari 2600 到 PlayStation 5)的单个截图进行视频游戏识别的研究,确认了 CNN 在截图中提取图像特征的能力,实现了在没有额外特征的情况下从截图中识别游戏标题。利用 ImageNet 预训练权重,EfficientNetB3 实现了最高的平均准确性(74.51%),而 DenseNet169 在 22 个系统中的 14 个系统表现出色。使用来自另一个截图数据集的替代初始权重提高了 EfficientNetB2 和 EfficientNetB3 的准确性,后者在平均 23.7 个收敛周期降低到 20.5 个周期,并达到了最高准确性 76.36%。总体而言,通过优化架构和权重的组合,主要由 EfficientNetB3 在 19 个系统中领先,实现了 77.67% 的准确性,这些发现强调了 CNN 在通过截图进行视频游戏识别方面的有效性。
Nov, 2023
提出了一种基于掩膜区域卷积神经网络(Mask Region-based CNN)的系统,用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割,并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。
Aug, 2018
探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明,DenseNet201 在 NEU 数据集上的检测率最高,达到 98.37%。
Jun, 2024
本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法,利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度,然后通过自定义架构进行二进制分类,利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明,该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性,针对 2000 个未见过的流量达到了 0.9883 的准确率,并且可在任何网络环境中扩展应用。
Sep, 2023
该论文研究使用虚拟环境训练 CNN 模型的有效性,并针对城市语义理解提出了一种简单的概率场景模型,开发了参数化渲染工具进行数据综合,并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念,以减少性能偏差。
May, 2016
本文提出了一种称为 DeepCorrect 的方法,通过对权值进行微调,修正深度神经网络中感受野受损图像变形的问题,该方法显著提高了网络的鲁棒性和性能。
May, 2017