• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識別方法

    2019-09-10 07:22:44吳華瑞
    智慧農(nóng)業(yè)(中英文) 2019年4期
    關(guān)鍵詞:深度學習

    摘要: 傳統(tǒng)深度學習模型在用于蔬菜病害圖像識別時,存在由于網(wǎng)絡(luò)梯度退化導(dǎo)致的識別性能下降問題。為此,本文研究了一種基于深度殘差網(wǎng)絡(luò)模型的番茄葉片病害識別方法。該方法首先利用貝葉斯優(yōu)化算法自主學習網(wǎng)絡(luò)中難以確定的超參數(shù),降低了深度學習網(wǎng)絡(luò)的訓(xùn)練難度。在此基礎(chǔ)上,通過在傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)中添加殘差單元,解決了由于梯度爆炸/消失造成的過深層次病害識別網(wǎng)絡(luò)模型性能下降的問題,能夠?qū)崿F(xiàn)番茄葉片圖像的高維特征提取,根據(jù)該特征可進行有效病害鑒定。試驗結(jié)果表明,本研究中基于超參數(shù)自學習構(gòu)建的深度殘差網(wǎng)絡(luò)模型在番茄病害公開數(shù)據(jù)集上取得了良好的識別性能,對白粉病、早疫病、晚疫病和葉霉病等4種番茄葉片常見病害的識別準確率達到95%以上。本研究可為快速準確識別番茄葉片病害提供參考。

    關(guān)鍵詞: 設(shè)施蔬菜;病害智能識別;深度學習;殘差網(wǎng)絡(luò);貝葉斯優(yōu)化

    中圖分類號: TP3-0 文獻標志碼: A 文章編號: 201908-SA002

    引文格式:吳華瑞. 基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識別方法[J]. 智慧農(nóng)業(yè), 2019,1(4): 42-49.

    1 引言

    設(shè)施蔬菜病害是影響大棚蔬菜生產(chǎn)能力的重要因素,一旦作物受到感染,其生產(chǎn)力將下降20%~30%[1]。因此,為了提高蔬菜經(jīng)濟效益,需要對染病植株進行迅速、準確地判斷。傳統(tǒng)上蔬菜病害診斷主要依靠專家的現(xiàn)場鑒定或?qū)嶒炇业牟≡b定,但受專業(yè)人員數(shù)量與咨詢成本所限,農(nóng)業(yè)從事者易因經(jīng)驗不足誤判作物病害類型,錯過植物病害防治有效時間,造成設(shè)施蔬菜產(chǎn)量與質(zhì)量下降[2]。

    視覺技術(shù)與數(shù)字產(chǎn)品的普及為設(shè)施蔬菜圖像病害識別帶來了新機遇,由計算機自動完成病害診斷,可降低農(nóng)業(yè)人員對植物保護專家的依賴,減少由于病害知識缺乏造成的誤判[3]。如張云龍等[4]將葉部病斑顏色特征與差直方圖作為分類依據(jù),利用支持向量機(Support Vector Machine,SVM)方法自動識別蘋果葉部的3種病害,識別率達96%。夏永泉等[5]引入主顏色符描述病斑顏色特征,同時結(jié)合Tamura紋理特征區(qū)分小麥的3種病害葉片與健康葉片,實驗結(jié)果優(yōu)于同等條件下的SVM。基于高分辨率圖像,國外有學者[6]采用簡單線性迭代聚類方法檢測大豆葉片的顏色、形狀、紋理與梯度等視覺屬性特征,描述了植物葉片的物理特性,但該方法計算開銷過大。魏麗冉等[7]則通過圖像預(yù)處理,增強了病害部分的明顯度,使用基于核函數(shù)的支持向量機算法進行病害分類。除此之外,文獻[8-11]等研究與上述方法類似,主要通過病害閾值分割構(gòu)建有效特征矩陣,然后利用不同分類器識別植物病害。但現(xiàn)實中,植物病害形狀位置多變,圖像背景復(fù)雜,人工設(shè)計的特征越來越難以準確識別規(guī)模龐大的病害圖像數(shù)據(jù)。

    深度學習是目前較先進的機器學習方法,它利用具有隱藏層的人工神經(jīng)網(wǎng)絡(luò),不依靠圖像分割與特征提取自動完成高層次的特征學習。深度學習在病害診斷方面已取得了較好的研究成果。Zhang等[12]提出一種基于改進GoogLeNet和Cifar 10網(wǎng)絡(luò)的深度學習模型用于葉片識別。宋麗娟[13]結(jié)合區(qū)分深度置信網(wǎng)絡(luò)對病斑顏色、形狀等底層特征進行高層表示,能夠在沒有充足標注數(shù)據(jù)時穩(wěn)定完成四種枸杞病害識別。王艷玲等[14]采用了AlexNet卷積神經(jīng)網(wǎng)絡(luò)遷移學習,實現(xiàn)了番茄葉片病害圖像快速準確分類。文獻[15-19]等將離散小波變換、區(qū)域生長法等特征提取技術(shù)與深度神經(jīng)網(wǎng)絡(luò)學習相結(jié)合,利用特征提取技術(shù)檢索病害特征,然后通過概率神經(jīng)網(wǎng)絡(luò)對植物疾病成功進行了分類。

    基于設(shè)施蔬菜病害的海量圖像數(shù)據(jù)和深度學習模型可自動提取圖像細節(jié)特征,且相較于人工設(shè)計特征具有更好的病害識別效果[20]。但由于大多數(shù)蔬菜疾病是由真菌、細菌與病毒引起的,導(dǎo)致很多設(shè)施蔬菜病害的表象相似,需要構(gòu)建較深的神經(jīng)網(wǎng)絡(luò)才能取得良好的病害鑒定結(jié)果。本研究針對深度學習網(wǎng)絡(luò)模型因?qū)哟芜^深存在的性能下降問題,提出了一種基于深度殘差神經(jīng)網(wǎng)絡(luò)的番茄葉片病害鑒定方法,將底層病害特征與高層病害特征合并運算,避免了深度神經(jīng)網(wǎng)絡(luò)的梯度消失與梯度爆炸問題。同時通過利用貝葉斯理論優(yōu)化深度殘差網(wǎng)絡(luò)超參數(shù),降低模型陷入局部最優(yōu)的概率,從而提高了以番茄葉片為代表的設(shè)施蔬菜病害圖像的識別準確度。

    2 基于深度殘差網(wǎng)絡(luò)的病害圖像識別方法

    在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)中,網(wǎng)絡(luò)深度對視覺識別精度具有重要意義。有學者[21-23]研究建立了更深層次的卷積神經(jīng)網(wǎng)絡(luò)模型,證明深度神經(jīng)網(wǎng)絡(luò)模型能夠比淺層神經(jīng)網(wǎng)絡(luò)模型更有效地近似高度復(fù)雜的函數(shù),可以捕捉自然圖像的復(fù)雜統(tǒng)計特性,有助于提高圖像識別精度。植物病害種類多樣,但許多不同病害外在病斑表現(xiàn)十分相似導(dǎo)致難以準確識別,因此需要構(gòu)建深層次的學習網(wǎng)絡(luò)從而對其進行準確識別。但隨著深度的急劇增加,越來越多的圖像語義信息導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)面臨著梯度消失與梯度爆炸等問題,降低了網(wǎng)絡(luò)性能。深度殘差網(wǎng)絡(luò)則有效克服了神經(jīng)網(wǎng)絡(luò)深度較大時性能下降的問題[24,25]。

    2.1 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)

    深度卷積神經(jīng)網(wǎng)絡(luò)主要由數(shù)據(jù)輸入層、隱藏層與輸出層構(gòu)成。隱藏層中包含多級神經(jīng)網(wǎng)絡(luò),主要依靠Conv卷積層、pooling池化層與全連接層配合搭建,利用卷積特征提取器獲得輸入圖像的邊緣、紋理與隱藏的細節(jié)特征,最后通過全連接層(Fully Connected layers,F(xiàn)C)根據(jù)提取特征進行病害分類,如圖1所示。為了提高網(wǎng)絡(luò)性能,深度卷積神經(jīng)網(wǎng)絡(luò)通常都包括非線性激活函數(shù)與批量歸一化層(Batch Normalization layers,BN)。隱藏層中每層的每個神經(jīng)單元與下一層所有神經(jīng)單元相連,所有連接都有一個權(quán)值,網(wǎng)絡(luò)訓(xùn)練過程中,對于每層輸出結(jié)果需要通過損失函數(shù)計算衡量分類錯誤程度,使用梯度下降更新各層權(quán)值。

    通過式(1)可知,隨著網(wǎng)絡(luò)深度增加,梯度幅度會急劇減小/增大,導(dǎo)致淺層神經(jīng)元權(quán)重更新過慢/快,從而發(fā)生梯度消失/梯度爆炸,造成模型性能下降。因此,He和Sun[22]提出利用殘差映射優(yōu)化深度學習網(wǎng)絡(luò),通過利用跳躍連接跳過卷積層形成殘差塊,在很大程度上解決了網(wǎng)絡(luò)模型退化問題,并大大提高了訓(xùn)練效率。

    基于He和Sun提出的殘差網(wǎng)絡(luò)模型,本研究構(gòu)建了用于番茄葉片病害鑒定的深度殘差網(wǎng)絡(luò),其整體框架如圖2所示。

    番茄葉片病害鑒定過程為:將(寬32像素,高32像素)、通道數(shù)為3的RGB番茄葉片圖像作為輸入,在輸入層通過平移、翻轉(zhuǎn)等數(shù)據(jù)增強方法記憶訓(xùn)練數(shù)據(jù)的細節(jié)特征,擴充作物病害數(shù)據(jù)集。令擴展訓(xùn)練集依次通過Conv卷積層、ReLU激活函數(shù)層與BN批量歸一化層,再由多個殘差塊處理其輸出的結(jié)果,最后經(jīng)過平均池化層和全連接層,使用分類器判斷蔬菜葉片的健康狀態(tài)。該模型的具體網(wǎng)絡(luò)參數(shù)如表1所示,它由14個權(quán)重層構(gòu)成,其中包含13個卷積層與一個全連接層,每個殘差塊有兩個殘差單元。

    圖2左側(cè)為本研究構(gòu)建的殘差單元,每個殘差單元的輸入與輸出維度相同,BN層用其平均值和方差,標準化激活函數(shù)輸入,然后進一步利用拉伸參數(shù)和偏移參數(shù)縮放批量歸一化結(jié)果,令數(shù)據(jù)在空間內(nèi)更加分散,更加均勻;激活函數(shù)則用于提取數(shù)據(jù)的復(fù)雜特征,增加各層網(wǎng)絡(luò)的非線性關(guān)系。跳躍連接則將殘差單元輸入與殘差單元內(nèi)第二個卷積的輸出批量歸一化結(jié)果相加,使原始映射函數(shù)表示為H(xk)+xk,突破了網(wǎng)絡(luò)深度增加造成的網(wǎng)絡(luò)退化問題。該深度網(wǎng)絡(luò)模型中梯度計算公式如下[27]:

    深度殘差網(wǎng)絡(luò)在更新疊加層參數(shù)的同時更新直接連接的輸入數(shù)據(jù)的參數(shù),將淺層網(wǎng)絡(luò)得到的低階病害特征和深層網(wǎng)絡(luò)提取的高階病害特征進行合并運算,梯度可以直接通過恒等激活函數(shù)從后一層流到前一層,使殘差網(wǎng)絡(luò)具有比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)更快的收斂速度,更強的特征表達能力。

    2.2 基于貝葉斯理論的超參數(shù)優(yōu)化

    構(gòu)建深度殘差神經(jīng)網(wǎng)絡(luò)往往首先需要確定超參數(shù),這些參數(shù)包括網(wǎng)絡(luò)深度、過擬合正則化參數(shù)與學習速率等。超參數(shù)值是影響訓(xùn)練時間和分類精度的重要因素,而人工調(diào)整需要耗費大量時間。

    貝葉斯優(yōu)化是一種求解未知目標函數(shù)極值的有效算法,其利用以往實驗獲得的信息對任意目標函數(shù)進行建模和最小化。貝葉斯優(yōu)化通過建立和查詢代理模型,評估復(fù)雜的實際目標函數(shù),根據(jù)擬合結(jié)果預(yù)測參數(shù)空間中最具潛力的評估點[28,29]。換句話說,貝葉斯優(yōu)化能夠在最少數(shù)量的目標函數(shù)評估下得到復(fù)雜函數(shù)最優(yōu)解。

    有研究發(fā)現(xiàn)殘差網(wǎng)絡(luò)是由若干淺層網(wǎng)絡(luò)組合而成,優(yōu)化其網(wǎng)絡(luò)寬度比增加網(wǎng)絡(luò)深度更有意義[14]。因此,如式(3)所示,本研究假設(shè)為超參數(shù)空間,它包含以下關(guān)鍵參數(shù):網(wǎng)絡(luò)寬度(殘差塊1中每個卷積層的濾波器數(shù)量),初始化學習速率、隨機梯度下降動量與L2正則化強度。

    在本研究中,貝葉斯優(yōu)化通過令驗證數(shù)據(jù)分類誤差最小化,確定最佳網(wǎng)絡(luò)架構(gòu)和超參數(shù)值。尋找最優(yōu)超參數(shù)的目標函數(shù)可以被建模為:

    其中,即為最優(yōu)超參數(shù),公式(4)的意義在于評估目標函數(shù)F的輸入得到對應(yīng)輸出。貝葉斯優(yōu)化算法通過執(zhí)行一個順序搜索算法,n次迭代后,在建議的新位置處評估。根據(jù)算法已有的評估結(jié)果,利用高斯建模在給定與的基礎(chǔ)上得到。然后,根據(jù)似然分布計算代理函數(shù)。通過評估對優(yōu)化目標函數(shù)F的貢獻,代理函數(shù)平衡已知的優(yōu)秀點和未知點空間,進行全局搜索最小化,從而避免局部最優(yōu),保證算法快速收斂。

    3 試驗結(jié)果及分析

    通過提取PlantVillag公開數(shù)據(jù)集中番茄的病害葉片與健康葉片,本研究構(gòu)建了番茄病害數(shù)據(jù)庫。數(shù)據(jù)集分布如表2所示。

    基于所選驗證集與訓(xùn)練集,分別構(gòu)建了22層與35層的深度神經(jīng)網(wǎng)絡(luò),其驗證集識別準確率如圖4所示。由圖4可看出,隨著網(wǎng)絡(luò)層數(shù)的急劇增加,驗證集中葉片病害的識別準確率反而出現(xiàn)了下降的情形。因此,研究殘差神經(jīng)網(wǎng)絡(luò)防止梯度消失等問題是必要的。

    根據(jù)2.2節(jié)所述,利用貝葉斯優(yōu)化算法對網(wǎng)絡(luò)超參數(shù)進行調(diào)優(yōu),其過程如圖5所示?;诟咚惯^程回歸對超參數(shù)建模得到目標函數(shù)的替代概率模型,在代理模型上找到最佳超參數(shù)組合(最小預(yù)測點),將該組合用于真正目標函數(shù)(驗證集分類錯誤率)獲得最小觀測值,然后更新包含新最小觀測點的代理模型,重復(fù)上述步驟,得到最優(yōu)超參數(shù)組合。通過貝葉斯優(yōu)化,本研究確定訓(xùn)練深度殘差網(wǎng)絡(luò)寬度,初始化學習速率,隨機梯度下降動量,L2正則化強度。

    基于上述參數(shù),構(gòu)建第2節(jié)所述的深度殘差網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對番茄葉片圖像集進行訓(xùn)練分類。利用隨機梯度下降算法更新網(wǎng)絡(luò)權(quán)重,通過1360次迭代,可得到深度殘差網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對相同驗證數(shù)據(jù)集的誤差曲線。圖6中深度殘差網(wǎng)絡(luò)的曲線收斂速度更快。

    表中DCNN為22層卷積神經(jīng)網(wǎng)絡(luò)。本研究模型對比傳統(tǒng)SVM與BP神經(jīng)網(wǎng)絡(luò),識別精度有明顯提升;對比DCNN學習模型,深度殘差網(wǎng)絡(luò)模型收斂更快,同時識別準確率提高。對健康葉片與感染白粉、早疫、晚疫和葉霉的病害葉片,本研究模型的識別準確率依次是95.7%、96.7%、98.9%、96.0%、95.8%。

    4 結(jié)論

    本研究通過分析深度學習應(yīng)用于病害鑒定的研究現(xiàn)狀,針對目前隨著網(wǎng)絡(luò)深度增加,病害識別模型存在的梯度爆炸與梯度消失問題,研究了基于深度殘差網(wǎng)絡(luò)的番茄葉片病害智能識別方法。同時,考慮到網(wǎng)絡(luò)模型參數(shù)調(diào)整的困難,本研究利用貝葉斯優(yōu)化算法確定了訓(xùn)練網(wǎng)絡(luò)的最優(yōu)超參數(shù)。由試驗結(jié)果得到,該深度殘差網(wǎng)絡(luò)模型可對番茄葉片的白粉病、早疫病、晚疫病和葉梅病4種病害進行有效分類,分類準確度達到95%以上。

    自然環(huán)境中,受光照與遮擋等因素影響,病害葉片圖像往往具有復(fù)雜背景,所以需要進一步研究有效的背景分割方法以提高病害識別正確率。而由于深度殘差網(wǎng)絡(luò)通過增加跳躍連接改善深度學習模型性能,網(wǎng)絡(luò)訓(xùn)練時間較長,因此在實際應(yīng)用中,如何優(yōu)化深度殘差網(wǎng)絡(luò)的訓(xùn)練時長將是以后的研究方向之一。

    參考文獻

    [1] Park H, JeeSook E, Kim S H. Crops disease diagnosing using image-based deep learning mechanism[C]// IEEE ?2018 International Conference on Computing and Network Communications, 2018: 23-26.

    [2] Ermayanti A, Nidia Enjelita S, Nuraini S, et al. Dempster-Shafer method for diagnose diseases on vegetable[C]// 2018 6th International Conference on Cyber and IT Service Management (CITSM), 2018.

    [3] Schor N, Bechar A, Ignat T, et al. Robotic disease detection in greenhouses: combined detection of powdery mildew and tomato spotted wilt virus[J]. IEEE Robotics and Automation Letters, 2016, 1(1): 354-360.

    [4] 張云龍, 袁浩, 張晴晴, 等. 基于顏色特征和差直方圖的蘋果葉部病害識別方法[J]. 江蘇農(nóng)業(yè)科學, 2017, 45(14): 171-174.

    [5] 夏永泉, 王兵, 支俊, 等. 基于隨機森林方法的小麥葉片病害識別研究[J]. 圖學學報, 2018, 39(1): 57-62.

    Xia Y, Wang B, Zhi J, et al. Identification of wheat leaf disease based on random forest method[J]. Journal of Graphics, 2018, 39(1): 57-62.

    [6] Castelao Tetila E, Brandoli Machado B, Belete N A D S, et al. Identification of soybean foliar diseases using unmanned aerial vehicle images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2190-2194.

    [7] 魏麗冉, 岳峻, 李振波, 等. 基于核函數(shù)支持向量機的植物葉部病害多分類檢測方法[J]. 農(nóng)業(yè)機械學報, 2017, 48(S1): 166-171.

    Wei L, Yue J, Li Z, et al. Multi-classification detection method of plant leaf disease based on kernel function SVM[J]. Transactions of the CSAM, 2017, 48(S1): 166-171.

    [8] 蘆兵, 孫俊, 毛罕平, 等. 高光譜和圖像特征相融合的生菜病害識別[J]. 江蘇農(nóng)業(yè)學報, 2018, 34(6): 1254-1259.

    Lu B, Sun J, Mao H, et al. Disease recognition of lettuce with feature fusion based on hyperspectrum and image[J]. Jiangsu Journal of Agricultural Sciences, 2018, 34(6): 1254-1259.

    [9] 胡維煒, 張武, 劉連忠. 基于Variance-SFFS的小麥葉部病害圖像識別[J]. 湖南農(nóng)業(yè)大學學報(自然科學版), 2018, 44(02): 225-228.

    Hu W, Zhang W, Liu L. Identification of wheat leaf diseases based on Variance-SFFS algorithm[J]. Journal of Hunan Agricultural University(Natural Sciences), 2018, 44(02): 225-228.

    [10] 張芳, 李曉輝, 楊洪偉. 復(fù)雜背景下植物葉片病害的圖像特征提取與識別技術(shù)研究[J]. 遼寧大學學報(自然科學版), 2016, 43(04): 311-318.

    Zhang F, Li X , Yang H. Image feature extraction and recognition of plant leaf disease in complex background[J]. Journal of Liaoning University (Natural Sciences), 2016, 43(04): 311-318.

    [11] Kaur S, Pandey S, Goel S. Semi-automatic leaf disease detection and classification system for soybean culture[J]. IET Image Processing, 2018, 12(6): 1038-1048.

    [12] Zhang X, Qiao Y, Meng F, et al. Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access, 2018, 6: 30370-30377.

    [13] 宋麗娟. 基于區(qū)分深度置信網(wǎng)絡(luò)的病害圖像識別模型[J]. 計算機工程與應(yīng)用, 2017, 53(21): 32-36, 48.

    Song L. Recognition model of disease image based on discriminative deep belief networks[J]. Computer Engineering and Applications, 2017, 53(21): 32-36, 48.

    [14] 王艷玲, 張宏立, 劉慶飛, 等. 基于遷移學習的番茄葉片病害圖像分類[J]. 中國農(nóng)業(yè)大學學報, 2019, 24(6): 124-130.

    Wang Y, Zhang H, Liu Q, et al. Image classification of tomato leaf diseases based on transfer learning[J]. Journal of China Agricultural University, 2019, 24(6): 124-130.

    [15] Khadabadi G C, Kumar A, Rajpurohit V S. Identification and classification of diseases in carrot vegetable using discrete wavelet transform[C]// International Conference on Emerging Research in Electronics. IEEE, 2016.

    [16] Siddharth Singh Chouhan, KaulAjay, Uday Pratap Singh, et al. Bacterial foraging optimization based radial basis function neural network (BRBFNN) for identification and classification of plant leaf diseases: An automatic approach towards plant pathology[J]. IEEE Access, 2018, 6: 8852-8863.

    [17] 陳桂芬, 趙姍, 曹麗英, 等. 基于遷移學習與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識別[J]. 智慧農(nóng)業(yè), 2019, 1(2): 34-44.

    Chen G, Zhao S, Cao L, et al. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture, 2019, 1(2): 34-44.

    [18] 張航, 程清, 武英潔, 等. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的小麥病害識別方法[J]. 山東農(nóng)業(yè)科學, 2018, 50(3): 137-141.

    Zhang H, Cheng Q, Wu Y, et al. A method of wheat disease identification based on convolutional neural network[J]. Shandong Agricultural Sciences, 2018, 50(3): 137-141.

    [19] 賈建楠, 吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學報, 2013, 29(25): 115-121.

    Jia J, Ji H. Recognition for cucumber disease based on leaf spot shape and neural network[J]. Transactions of the CSAE, 2013, 29(25): 115-121.

    [20] Francis J, Anto S D D, Anoop B K. Identification of leaf diseases in pepper plants using soft computing techniques[C]// 2016 Conference on Emerging Devices and Smart Systems. IEEE, 2016.

    [21] Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks[C]// NIPS. Curran Associates Inc. 2012.

    [22] He K, Sun J. Convolutional neural networks at constrained time cost[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

    [23] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

    [24] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.

    [25] Wu S, Zhong S H, Liu Y. Steganalysis via deep residual network[C]// 2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS), IEEE, 2016.

    [26] 厙向陽, 韓伊娜. 基于殘差網(wǎng)絡(luò)的小型車輛目標檢測算法[J]. 計算機應(yīng)用研究, 37(8):1-6.

    She X, Han Y. Small vehicle target detection algorithm based on residual network[J]. Application Research of Computers, 2019, 37(8): 1-6.

    [27] 郭玥秀, 楊偉, 劉琦, 等. 殘差網(wǎng)絡(luò)研究綜述[J]. 計算機應(yīng)用研究, [2019-11-08].

    Guo Y, Yang W, Liu Q, et al. Survey of residual network[J]. Application Research of Computers, [2019-11-08].

    [28] Reagen B, Hernandez-Lobato J M, Adolf R, et al. A case for efficient accelerator design space exploration via Bayesian optimization[C]// 2017 IEEE/ACM International Symposium on Low Power Electronics and Design. ACM, 2017.

    [29] 崔佳旭, 楊博. 貝葉斯優(yōu)化方法和應(yīng)用綜述[J]. 軟件學報, 2018, 29(10): 3068-3090.Cui J, Yang B. Survey on Bayesian optimization Methodology and Applications[J]. Journal of Software, 2018, 29(10): 3068-3090.

    猜你喜歡
    深度學習
    從合坐走向合學:淺議新學習模式的構(gòu)建
    面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學習的三級階梯
    有體驗的學習才是有意義的學習
    電子商務(wù)中基于深度學習的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進學生深度學習的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學習算法應(yīng)用于巖石圖像處理的可行性研究
    3wmmmm亚洲av在线观看| 国产精品久久久久成人av| 九色成人免费人妻av| 亚洲欧美成人综合另类久久久| 日本-黄色视频高清免费观看| 人妻制服诱惑在线中文字幕| 久久久久久久久久久久大奶| 国产免费现黄频在线看| 亚洲精品乱码久久久久久按摩| av网站免费在线观看视频| 一区在线观看完整版| 日本猛色少妇xxxxx猛交久久| 高清不卡的av网站| 秋霞在线观看毛片| 十八禁高潮呻吟视频| 久久婷婷青草| 永久网站在线| 国产精品秋霞免费鲁丝片| 狂野欧美激情性xxxx在线观看| 热re99久久国产66热| 国产精品久久久久久精品电影小说| 丝袜在线中文字幕| 在线观看人妻少妇| 久久久国产精品麻豆| 亚洲精品自拍成人| 日韩三级伦理在线观看| 美女内射精品一级片tv| 飞空精品影院首页| 久久毛片免费看一区二区三区| 国产男女超爽视频在线观看| 国产欧美日韩综合在线一区二区| 国产精品女同一区二区软件| 日韩 亚洲 欧美在线| 亚洲国产欧美日韩在线播放| 亚洲无线观看免费| 满18在线观看网站| 我的女老师完整版在线观看| 热99国产精品久久久久久7| 国产乱人偷精品视频| 大香蕉久久网| 五月伊人婷婷丁香| 美女xxoo啪啪120秒动态图| 一本一本综合久久| 亚洲国产精品国产精品| 日日摸夜夜添夜夜添av毛片| 亚洲在久久综合| 大话2 男鬼变身卡| 日韩不卡一区二区三区视频在线| 国产免费视频播放在线视频| 亚洲av综合色区一区| 欧美一级a爱片免费观看看| 成年人免费黄色播放视频| 一级毛片黄色毛片免费观看视频| 桃花免费在线播放| 99久久综合免费| 啦啦啦啦在线视频资源| 国产伦理片在线播放av一区| 寂寞人妻少妇视频99o| 少妇被粗大猛烈的视频| 久久 成人 亚洲| 日本欧美国产在线视频| 亚洲国产精品国产精品| 大陆偷拍与自拍| 日本色播在线视频| 日韩成人av中文字幕在线观看| 欧美精品亚洲一区二区| 丁香六月天网| 夫妻性生交免费视频一级片| 国产国语露脸激情在线看| xxx大片免费视频| 久久午夜福利片| 丝袜在线中文字幕| 欧美日本中文国产一区发布| 国产黄频视频在线观看| 青春草亚洲视频在线观看| 国产精品久久久久成人av| 香蕉精品网在线| 在线观看免费视频网站a站| 色网站视频免费| 最新中文字幕久久久久| 色哟哟·www| 一区二区三区乱码不卡18| 99热这里只有是精品在线观看| 国产免费又黄又爽又色| 久久国产精品大桥未久av| 69精品国产乱码久久久| 啦啦啦中文免费视频观看日本| 欧美精品亚洲一区二区| 国产又色又爽无遮挡免| 2022亚洲国产成人精品| 欧美性感艳星| 久久久久久久国产电影| 国产免费现黄频在线看| 亚洲av.av天堂| 最近手机中文字幕大全| 亚洲三级黄色毛片| freevideosex欧美| 毛片一级片免费看久久久久| 男女无遮挡免费网站观看| 久久久亚洲精品成人影院| 丰满乱子伦码专区| 亚洲成人一二三区av| 久久久久国产网址| 美女国产高潮福利片在线看| 男女无遮挡免费网站观看| 亚洲精品乱码久久久久久按摩| 国产高清国产精品国产三级| 国产深夜福利视频在线观看| 伊人久久精品亚洲午夜| 26uuu在线亚洲综合色| 9色porny在线观看| 999精品在线视频| 免费人成在线观看视频色| 久久av网站| 久久热精品热| √禁漫天堂资源中文www| 久久久久网色| 精品视频人人做人人爽| 国产精品 国内视频| 日本猛色少妇xxxxx猛交久久| 在线 av 中文字幕| 亚洲第一av免费看| 国产成人精品无人区| 色吧在线观看| 亚洲四区av| av线在线观看网站| 国产男女超爽视频在线观看| av免费在线看不卡| 黑人高潮一二区| 大码成人一级视频| 亚洲怡红院男人天堂| 亚洲精品aⅴ在线观看| 五月伊人婷婷丁香| 国产精品人妻久久久影院| 精品久久国产蜜桃| 女性生殖器流出的白浆| 丝袜美足系列| 亚洲伊人久久精品综合| 亚洲精品久久午夜乱码| 在线看a的网站| 少妇的逼水好多| 亚洲人成网站在线播| 免费黄频网站在线观看国产| 亚洲国产精品999| 亚洲av二区三区四区| 夜夜爽夜夜爽视频| 成年女人在线观看亚洲视频| 免费黄色在线免费观看| 丝袜在线中文字幕| 国产一级毛片在线| 日韩成人伦理影院| 满18在线观看网站| 国产精品偷伦视频观看了| 久久99精品国语久久久| 黑人欧美特级aaaaaa片| 久久久久久久大尺度免费视频| 麻豆成人av视频| 超色免费av| 久久 成人 亚洲| 国产亚洲av片在线观看秒播厂| .国产精品久久| 亚洲国产最新在线播放| 亚洲不卡免费看| 女人久久www免费人成看片| 国产 一区精品| 一二三四中文在线观看免费高清| 在线观看人妻少妇| 日产精品乱码卡一卡2卡三| 国产精品嫩草影院av在线观看| 丝瓜视频免费看黄片| videosex国产| 国产精品免费大片| 中文字幕免费在线视频6| 亚洲人成77777在线视频| 爱豆传媒免费全集在线观看| 在线免费观看不下载黄p国产| 国产精品不卡视频一区二区| 少妇人妻久久综合中文| 99热6这里只有精品| 久久久久久久久久成人| 国产一区亚洲一区在线观看| 国产 精品1| 国产成人freesex在线| 国产国语露脸激情在线看| 91久久精品国产一区二区成人| 乱码一卡2卡4卡精品| 国产精品 国内视频| 18禁在线播放成人免费| 亚洲国产毛片av蜜桃av| 如日韩欧美国产精品一区二区三区 | 老司机亚洲免费影院| 欧美变态另类bdsm刘玥| 日韩精品有码人妻一区| 午夜激情av网站| 不卡视频在线观看欧美| 在线观看三级黄色| 晚上一个人看的免费电影| 国产免费现黄频在线看| 久久影院123| 内地一区二区视频在线| 22中文网久久字幕| 国模一区二区三区四区视频| 尾随美女入室| 成人国语在线视频| 性色av一级| 久久精品人人爽人人爽视色| 亚洲欧洲精品一区二区精品久久久 | 亚洲少妇的诱惑av| av播播在线观看一区| 亚洲精品av麻豆狂野| 午夜影院在线不卡| 成人国产麻豆网| 99久国产av精品国产电影| 中国美白少妇内射xxxbb| 3wmmmm亚洲av在线观看| 欧美xxxx性猛交bbbb| 精品人妻熟女毛片av久久网站| 桃花免费在线播放| 91精品伊人久久大香线蕉| 午夜福利视频精品| 国产一区二区在线观看av| 18禁在线播放成人免费| 精品国产国语对白av| 婷婷成人精品国产| 青春草国产在线视频| 国产在线一区二区三区精| 一个人看视频在线观看www免费| 精品国产一区二区三区久久久樱花| 亚洲激情五月婷婷啪啪| 国产精品 国内视频| 欧美国产精品一级二级三级| 91久久精品国产一区二区成人| 少妇 在线观看| 男人添女人高潮全过程视频| 一个人看视频在线观看www免费| 亚洲国产精品一区二区三区在线| 国产精品无大码| 国语对白做爰xxxⅹ性视频网站| 91成人精品电影| 亚洲成色77777| 免费人妻精品一区二区三区视频| 亚洲精品自拍成人| 男女啪啪激烈高潮av片| 美女国产视频在线观看| 一边亲一边摸免费视频| 国产视频首页在线观看| xxxhd国产人妻xxx| 韩国av在线不卡| 免费大片黄手机在线观看| 欧美精品国产亚洲| 国产乱人偷精品视频| 亚洲精品日韩在线中文字幕| 夜夜骑夜夜射夜夜干| a级片在线免费高清观看视频| av国产精品久久久久影院| 秋霞在线观看毛片| 人成视频在线观看免费观看| 亚洲婷婷狠狠爱综合网| 伦精品一区二区三区| 国产精品人妻久久久影院| 中文字幕制服av| 久久热精品热| 夜夜骑夜夜射夜夜干| kizo精华| 国产国拍精品亚洲av在线观看| 欧美亚洲日本最大视频资源| 亚洲av国产av综合av卡| 免费日韩欧美在线观看| 精品酒店卫生间| 777米奇影视久久| 日本黄色片子视频| 久久久久久久久大av| 久久久久精品性色| 插逼视频在线观看| 一区二区三区免费毛片| 看免费成人av毛片| 综合色丁香网| 热99久久久久精品小说推荐| 亚洲内射少妇av| av黄色大香蕉| 国产黄频视频在线观看| 99久国产av精品国产电影| 国产精品.久久久| 国产亚洲最大av| 久久精品国产鲁丝片午夜精品| freevideosex欧美| 五月天丁香电影| 成人亚洲精品一区在线观看| 综合色丁香网| 国产精品不卡视频一区二区| 亚洲欧洲日产国产| 在线观看一区二区三区激情| 亚洲国产av新网站| 美女视频免费永久观看网站| 亚洲精品乱码久久久久久按摩| 精品久久久精品久久久| 九草在线视频观看| xxxhd国产人妻xxx| 亚洲性久久影院| 亚洲精品色激情综合| 亚洲人成网站在线播| 亚洲av国产av综合av卡| 最近的中文字幕免费完整| 国产av码专区亚洲av| 综合色丁香网| 亚洲性久久影院| 黑人猛操日本美女一级片| 丁香六月天网| 亚洲av成人精品一二三区| 久久精品久久久久久久性| 亚洲国产精品一区二区三区在线| 欧美 亚洲 国产 日韩一| 亚洲成色77777| 天堂8中文在线网| 午夜免费观看性视频| 免费不卡的大黄色大毛片视频在线观看| 欧美日韩亚洲高清精品| 欧美日韩在线观看h| 成年人午夜在线观看视频| 亚洲成色77777| 久久97久久精品| 人人妻人人爽人人添夜夜欢视频| 久久综合国产亚洲精品| a级片在线免费高清观看视频| 国产男女内射视频| 精品视频人人做人人爽| 亚洲内射少妇av| 欧美精品高潮呻吟av久久| 一区二区av电影网| 老熟女久久久| 日本vs欧美在线观看视频| 飞空精品影院首页| 如日韩欧美国产精品一区二区三区 | 九色亚洲精品在线播放| 欧美精品一区二区大全| 老司机亚洲免费影院| 全区人妻精品视频| 18禁在线无遮挡免费观看视频| 亚洲国产精品999| √禁漫天堂资源中文www| 国产一区有黄有色的免费视频| 亚洲av成人精品一二三区| 特大巨黑吊av在线直播| 亚洲色图 男人天堂 中文字幕 | 午夜精品国产一区二区电影| 69精品国产乱码久久久| 如何舔出高潮| 国产欧美日韩综合在线一区二区| 亚洲人成网站在线播| 69精品国产乱码久久久| 久久久久久久国产电影| 草草在线视频免费看| 免费黄网站久久成人精品| av福利片在线| 纯流量卡能插随身wifi吗| 免费高清在线观看视频在线观看| 一边摸一边做爽爽视频免费| 国产黄色免费在线视频| 国产乱来视频区| 男女啪啪激烈高潮av片| 麻豆乱淫一区二区| 只有这里有精品99| 欧美丝袜亚洲另类| 欧美日韩在线观看h| 老司机影院成人| 亚洲,欧美,日韩| 国产精品欧美亚洲77777| 久久精品国产a三级三级三级| 我的老师免费观看完整版| videossex国产| 欧美最新免费一区二区三区| 热re99久久国产66热| 国产白丝娇喘喷水9色精品| 国精品久久久久久国模美| 国产探花极品一区二区| 91在线精品国自产拍蜜月| 久久精品国产亚洲av涩爱| 黑人欧美特级aaaaaa片| 久久鲁丝午夜福利片| 国产av国产精品国产| 伊人久久精品亚洲午夜| 高清不卡的av网站| 亚洲经典国产精华液单| 成人无遮挡网站| 免费av不卡在线播放| 热re99久久国产66热| 免费高清在线观看日韩| 高清欧美精品videossex| 欧美xxⅹ黑人| 欧美xxxx性猛交bbbb| 国产黄色免费在线视频| 国产精品久久久久久精品古装| 欧美精品一区二区免费开放| 如何舔出高潮| 菩萨蛮人人尽说江南好唐韦庄| 极品少妇高潮喷水抽搐| 欧美精品国产亚洲| 另类亚洲欧美激情| 黄色怎么调成土黄色| 不卡视频在线观看欧美| 日日爽夜夜爽网站| 波野结衣二区三区在线| 夜夜骑夜夜射夜夜干| 寂寞人妻少妇视频99o| 在线 av 中文字幕| 午夜日本视频在线| 妹子高潮喷水视频| 成人黄色视频免费在线看| 午夜精品国产一区二区电影| 一级毛片 在线播放| 久久久a久久爽久久v久久| 十分钟在线观看高清视频www| 日日啪夜夜爽| 日韩中文字幕视频在线看片| av黄色大香蕉| 国产 一区精品| videossex国产| 日韩一区二区视频免费看| 国产熟女午夜一区二区三区 | 夫妻性生交免费视频一级片| av在线观看视频网站免费| 黑人欧美特级aaaaaa片| 午夜影院在线不卡| 又大又黄又爽视频免费| 欧美xxxx性猛交bbbb| 九九在线视频观看精品| a级毛片免费高清观看在线播放| 乱码一卡2卡4卡精品| 男人操女人黄网站| 亚洲五月色婷婷综合| 夜夜看夜夜爽夜夜摸| 91在线精品国自产拍蜜月| 国产精品人妻久久久久久| 亚洲av福利一区| 香蕉精品网在线| 亚洲激情五月婷婷啪啪| 国产黄色视频一区二区在线观看| 国产午夜精品久久久久久一区二区三区| 99热全是精品| 欧美精品一区二区大全| 国产黄片视频在线免费观看| 丰满乱子伦码专区| 久久久久久久国产电影| 美女脱内裤让男人舔精品视频| 亚洲av电影在线观看一区二区三区| 免费黄频网站在线观看国产| 亚洲欧美成人综合另类久久久| 另类精品久久| 我的老师免费观看完整版| 在线观看国产h片| 香蕉精品网在线| 久久久午夜欧美精品| 国内精品宾馆在线| 少妇高潮的动态图| 亚洲av电影在线观看一区二区三区| 国产淫语在线视频| 日韩制服骚丝袜av| 女的被弄到高潮叫床怎么办| 欧美日韩成人在线一区二区| 国产精品久久久久久精品电影小说| 国产有黄有色有爽视频| 日日爽夜夜爽网站| 麻豆成人av视频| 伦理电影免费视频| 一级毛片aaaaaa免费看小| 最近最新中文字幕免费大全7| 熟妇人妻不卡中文字幕| 69精品国产乱码久久久| 亚洲精品中文字幕在线视频| 汤姆久久久久久久影院中文字幕| 精品人妻熟女av久视频| 亚洲国产精品一区二区三区在线| 热99国产精品久久久久久7| 边亲边吃奶的免费视频| 蜜桃国产av成人99| 一本—道久久a久久精品蜜桃钙片| 99久久精品一区二区三区| 校园人妻丝袜中文字幕| 精品人妻一区二区三区麻豆| 亚洲综合色网址| 18+在线观看网站| 黄色毛片三级朝国网站| 人妻夜夜爽99麻豆av| 国产精品一二三区在线看| 日韩伦理黄色片| 在线观看一区二区三区激情| 亚洲情色 制服丝袜| 久久国产精品大桥未久av| 人妻少妇偷人精品九色| av福利片在线| 精品一区二区三卡| 国产黄片视频在线免费观看| 永久网站在线| 欧美丝袜亚洲另类| 最近最新中文字幕免费大全7| av视频免费观看在线观看| 亚洲,一卡二卡三卡| 精品一区二区三区视频在线| 亚洲av国产av综合av卡| 亚洲图色成人| 激情五月婷婷亚洲| 亚洲经典国产精华液单| 国产黄色视频一区二区在线观看| 国产极品粉嫩免费观看在线 | 大话2 男鬼变身卡| 亚洲精品中文字幕在线视频| 各种免费的搞黄视频| a级片在线免费高清观看视频| 大片免费播放器 马上看| 伊人亚洲综合成人网| 晚上一个人看的免费电影| 免费不卡的大黄色大毛片视频在线观看| 国产精品人妻久久久久久| 嫩草影院入口| 国产永久视频网站| 熟妇人妻不卡中文字幕| 多毛熟女@视频| av有码第一页| 美女国产高潮福利片在线看| 国产 一区精品| 一级爰片在线观看| 人人澡人人妻人| 九九在线视频观看精品| 建设人人有责人人尽责人人享有的| 日本vs欧美在线观看视频| 国产午夜精品一二区理论片| 精品卡一卡二卡四卡免费| 亚洲精品aⅴ在线观看| 欧美日韩亚洲高清精品| 国产男女内射视频| 看十八女毛片水多多多| 97精品久久久久久久久久精品| 又大又黄又爽视频免费| 久久久精品免费免费高清| 日日摸夜夜添夜夜爱| 国产免费一级a男人的天堂| 国产精品蜜桃在线观看| 国产成人精品婷婷| av有码第一页| 久久久久国产精品人妻一区二区| 一区二区av电影网| 免费看不卡的av| 欧美日韩国产mv在线观看视频| 18在线观看网站| 国产乱人偷精品视频| 久久久久人妻精品一区果冻| 国产有黄有色有爽视频| 妹子高潮喷水视频| 自拍欧美九色日韩亚洲蝌蚪91| 伦精品一区二区三区| av不卡在线播放| 欧美人与性动交α欧美精品济南到 | 男女边吃奶边做爰视频| 久久女婷五月综合色啪小说| 久久精品国产亚洲网站| 亚洲一级一片aⅴ在线观看| 在线精品无人区一区二区三| 99久国产av精品国产电影| 亚洲精品日韩av片在线观看| 日韩电影二区| 美女福利国产在线| 91午夜精品亚洲一区二区三区| 老熟女久久久| 欧美性感艳星| 欧美日韩一区二区视频在线观看视频在线| 啦啦啦啦在线视频资源| 日韩三级伦理在线观看| 久久久久国产网址| 亚洲人与动物交配视频| 久久久久久久久大av| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 少妇丰满av| 午夜视频国产福利| 久久午夜福利片| 蜜臀久久99精品久久宅男| 又黄又爽又刺激的免费视频.| 免费观看性生交大片5| 国产免费一级a男人的天堂| 国产爽快片一区二区三区| 男女边吃奶边做爰视频| 99国产综合亚洲精品| 国产亚洲一区二区精品| 又粗又硬又长又爽又黄的视频| 欧美日本中文国产一区发布| 精品一区二区三区视频在线| 日本wwww免费看| 日韩在线高清观看一区二区三区| 99久久精品国产国产毛片| 欧美人与性动交α欧美精品济南到 | 在线观看国产h片| 久久人妻熟女aⅴ| 午夜精品国产一区二区电影| 日韩强制内射视频| 成年美女黄网站色视频大全免费 | 久久久久视频综合| 黄色一级大片看看| 九色亚洲精品在线播放| 成人国产av品久久久| 欧美 日韩 精品 国产| 免费观看a级毛片全部| 亚洲不卡免费看| 女人久久www免费人成看片| 9色porny在线观看| 大话2 男鬼变身卡| 黄色视频在线播放观看不卡| 亚洲精品乱码久久久久久按摩| 久久99热6这里只有精品| 91aial.com中文字幕在线观看| 蜜桃国产av成人99| 少妇被粗大猛烈的视频| 中文字幕亚洲精品专区| 国产精品人妻久久久影院| 国产精品.久久久| 少妇人妻精品综合一区二区| 草草在线视频免费看|