基于FPN-ViT的星系形态分类研究

随着人工智能技术的发展,利用深度学习方法进行星系形态分类研究取得了较大进展,但在分类精度、自动化及其星系的空间特征表示上仍然存在不足之处.Vision Transformer(ViT)模型目前在星系形态分类上具有较好的鲁棒性,但是在处理多尺度图像时存在一定的局限性,因此提出将特征金字塔(Feature Pyramid Networks,FPN)引入ViT模型(FPN-ViT)中进行星系形态的分类研究中.结果表明:基于FPN-ViT模型进行星系形态分类的平均准确率、精确率、召回率以及F1分数等各项评估指标均在95%以上,与传统的ViT模型相比各项指标均有一定程度的提升.同时,在原始星系图像中加入不同程度的高斯噪声和椒盐噪声,验证FPN-ViT模型对低信噪比数据也能获得较好的分类性能.此外,为了对模型进行综合评估,采用t分布随机邻接嵌入(t-distributed Stohastic Neighbor Embedding,t-SNE)算法对分类结果进行了可视化分析,能够更加直接地看出FPN-ViT模型对于星系形态分类的效果.因此,将FPN网络应用于ViT模型对星系形态的分类研究中是一种全新尝试,对后续研究具有重要意义.

基于残差网络的掌纹识别研究

为了探索深度学习在掌纹识别领域的应用,提出了一种利用残差网络技术自动提取掌纹特征的方法,该方法根据掌纹的几何特征对掌纹图像进行预处理,将预处理后的掌纹图像进行归一化得到一个二维图像矩阵,作为残差网络的输入,再利用随机梯度下降算法对网络进行迭代训练,获取最优的网络参数,最后使用分类器Softmax对掌纹进行分类识别.模型在中国香港理工大学的掌纹数据库上进行了实验验证,实验结果证实了利用残差网络对掌纹进行分类的可行性,并取得了不错的分类效果.

基于改进的生成对抗网络漫画风格迁移的图片生成

在VGG生成对抗网络的基础上,提出了一种改进的基于残差网络的生成对抗网络漫画风格迁移的图片生成技术,用于图片特征提取及图片生成,使具有漫画家卡通风格的特征迁移到现实图片中,和VGG生成对抗网络相比,在一定程度上缓解了梯度消失、过拟合等问题.实验表明,相较于VGG生成对抗网络,改进后的模型在图像特征提取及生成都表现了更好的性能.

基于暗通道先验去雾的SDSS图像去噪研究

美国的斯隆数字巡天(sloan digital sky survey,SDSS)于2000年开始正式的巡天观测,目前已经产生了海量的光谱和图像数据,但受仪器设备本身和观测条件的影响可能会出现观测数据细节模糊或损失等问题.在进行后续数据分析和挖掘之前,对观测图像进行去噪处理是一个非常必要的步骤.基于此,将暗通道先验(dark channel prior,DCP)去雾算法应用于SDSS测光图像的去噪处理中,并与B2U方法进行对比分析.结果表明:与B2U方法相比,DCP算法去噪效果在峰值信噪比(peak signal-to-noise ratio,PSNR)上提高了7.98 dB,结构相似性(structural similari⁃ty,SSIM)上提高了7%.