林颖
- 作品数：6 被引量：31H指数：3
- 供职机构：南华大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金湖南省研究生科研创新项目更多>>
- 相关领域：自动化与计算机技术医药卫生更多>>
- 结合DCGAN与LSTM的阿兹海默症分类算法被引量：1
- 2020年
- 针对传统的阿兹海默症(AD)分类3D模型参数过多以及2D模型缺乏连续性特征的问题,提出了一种结合2D卷积神经网络与长短时记忆网络的脑部核磁共振成像(MRI)图像分类算法。利用深度卷积生成对抗网络(DCGAN),卷积层能够在无标签的情况下自动提取到图像特征。首先以无监督的方式训练卷积神经网络;然后将MRI图像序列转换为特征序列,再输入到长短时记忆网络进行训练;最后结合特征序列与LSTM的隐藏状态进行分类。实验结果显示,相比3D模型,该算法有着更少的参数,对于NC与AD的分类达到了93.93%的准确率,对于NC与MCI的分类达到了86.27%的准确率。
- 林颖何啸峰陈灵娜陈俊熹
- 关键词：阿兹海默症
- 基于SSD卷积网络的视频目标检测研究被引量：14
- 2018年
- 针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.
- 杨洁陈明志吴智秦陈灵娜林颖
- 关键词：卷积神经网络目标检测
- 基于深度学习的医学目标检测与识别被引量：6
- 2018年
- 针对SSD卷积神经网络在小目标识别度低等原因,文中提出一种新型的基于深度学习(CNN)目标检测网络模型。首先,采用数据增强方式减轻过拟合,提高网络模型泛化能力,其次,在基础网络卷积层引入1~*1小卷积,与原始卷积核交叉进行卷积操作,提高小目标检测识别率,降低网络计算成本。然后,结合两次策略进行微调训练,加快训练收敛速度,提高目标识别精确度。本中提出基于CNN新型目标检测网络模型通过改变卷积核参数规模降低计算开销,目标检测精确度提高2%,提高网络模型性能,具有较强鲁棒性。
- 杨洁陈灵娜陈宇韶林颖何啸峰
- 关键词：卷积神经网络
- 基于迁移学习的血细胞图像分类
- 2019年
- 利用迁移学习,在三种主流的卷积网络框架上进行微调并比较分析血细胞图像的分类结果。实验使用了4种类别的血液细胞图像样本,模型均为端到端的训练方式,不需要繁琐的图像处理和人工特征提取步骤。实验结果表明,利用迁移学习能够在医学领域有限的训练样本下达到了较高的分类准确率,缩短训练时间,提高了模型的鲁棒性。
- 林颖陈灵娜陈俊熹何啸峰
- 关键词：血细胞图像分类
- 基于卷积网络的视频目标检测被引量：3
- 2018年
- 针对传统卷积神经网络层级较为浅,对物体识别精确度较低的原因,利用改进的深层卷积网络VGG16模型检测视频运动目标.首先,预处理过程中对数据集进行剪裁和旋转操作,补充数据集数量,以解决前期图像资源不足等问题;其次,在PASCAL VOC数据集上先预训练模型,接着加载自定义视频数据集对预训练模型进行第二次训练.实验结果表明,该网络模型能很好用于视频目标识别,提高了检测精确度,有效减少网络参数计算量,降低硬件内存资源消耗,具有较强的鲁棒性.
- 杨洁陈灵娜林颖陈宇韶陈俊熹
- 关键词：卷积神经网络视频目标检测
- 基于特征脸的主成分分析人脸识别被引量：7
- 2017年
- 采用基于PCA(主成分分析)的特征脸人脸识别方法,判断一张给定的图像是否为人脸图像。该方法通过计算训练集的特征向量,得到一个由特征脸组成的子空间,并将训练集中的人脸图像投影到该子空间中。检测人脸时,将二维的人脸图像投影到脸空间,并计算该图像与脸空间之间的欧几里得距离,以距离是否小于某一设定的阀值来识别是否人脸图像,实验测试结果准确率为97.5%。
- 陈勇林颖
- 关键词：人脸识别特征脸主成分分析
