基于改进AOD-Net的图像去雾算法

为了更好解决图像去雾后颜色失真、去雾不彻底和耗时等问题,提出了一种基于改进AOD-Net的图像去雾算法。首先,在原有的卷积模块中引入残差连接,并保留了第二个特征融合层第一层的特征信息,以增强网络的特征提取能力。其次,在第三个特征融合层后引入注意力模块,强化雾图中的关键特征信息,抑制无关背景干扰。最后,采用新的复合损失函数进行训练。实验结果表明,改进算法在公共数据集上的峰值信噪比提高了3.8 dB,结构相似性达到了93.6%。相较于其他去雾算法,该算法在去雾精度和处理效率方面均表现出色。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

基于改进U-Net网络的遥感图像山体滑坡分割提取

针对遥感图像山体滑坡分割提取难度大、精度低等问题,提出了一种基于改进U-Net网络的遥感图像山体滑坡分割提取方法。首先将原始网络中的特征提取模块用残差网络ResNet进行替换,加深网络防止梯度消失,可以学习到更深层的特征;其次,融入(multi-scale features fusion module)多尺度特征融合注意力模块增强发现山体滑坡区域的能力;最后,采用广义的损失函数FTL(Focal Tversky Loss)替换带权重的交叉熵损失函数以平衡准确率和召回率之间的关系。实验结果表明,改进后算法mIoU为65.92%,比改进前提升了2.5个百分点,mPA为73.93%,比改进前提升了3.56个百分点,F1-score综合得分指标为60.08%,比改进前提升5.09个百分点。改进后模型算法能有效提高山体滑坡分割性能。

基于ST-UNet和目标特征的混凝土裂缝检测

混凝土裂缝对结构承载能力、耐久性和防水性有负面影响,因此早期裂缝检测具有重要意义.大数据和深度学习的快速发展,为裂缝智能检测提供了有效的方法.针对裂缝检测过程中图像正负样本不平衡,裂缝区域色彩深沉和低亮度的特点,提出一种基于ST-UNet(Swin Transformer U-Net)和目标特征的裂缝检测方法.该算法在网络中引入CBAM注意力机制,使网络更加关注图像中对裂缝检测起决定作用的像素区域,增强裂缝图像的特征表达能力;使用Focal+Dice混合损失函数代替单一交叉熵损失函数,处理样本图像正负样本分布不均的问题;设计APSD正则化项优化损失函数,针对裂缝区域色彩深沉、低亮度的问题,降低检测的漏检率与误检率.裂缝检测结果表明:IoU指标提升22%,Dice指数提升17%,该算法是有效可行的.

基于改进的V-Net模型肺结节分割算法的研究

由于CT图像是三维图像,在原始的V-Net模型分割中,易出现结节漏检和边界分割不清晰,以及损失函数Dice训练时不稳定等问题。根据这些问题,提出3D多尺度SE V-Net,简称MSEV-Net网络,同时通过联合损失函数来提高训练的稳定性。该网络模型在V-Net网络的基础上,使用多尺度卷积模块来替换原有的5×5×5卷积,同时在残差连接后加入SE通道注意力模块,通过不同尺度的特征融合和学习不同通道之间的关系,解决肺结节小不易分割的问题。同时在V-Net网络残差连接基础上加一条短跳跃连接,使得整个网络更好利用全局特征。联合损失函数选择Dice和交叉熵损失函数进行融合,可以很好地解决训练不稳定问题。提出的MSEV-Net网络模型和联合损失函数在平均分割准确率PA达到0.998,DSC达到0.837。实验结果表明,该方法在提高肺结节分割精度方面具有一定的效果。

基于改进U-Net的遥感图像语义分割

全卷积神经网络在遥感图像语义分割中得到了广泛应用,该方法地物分类精度和效率较高,但对地物分布不均匀遥感图像占比较少地物的分类准确率较低。为了提高遥感图像的分类精度,本文通过添加先验知识方法丰富输入数据特征,采用密集链接方式提高上下采样过程中特征的重复利用率,采用可以优化交并比的损失函数Dice Loss和可以提高难分类类别精度的损失函数Focal Loss相加组合作为网络模型的损失函数,采用LayerScale模块加快模型收敛、抑制无用特征、突出有效特征的方式,对U-Net的输入、网络结构、损失函数进行改进,优化语义分割效果。结果表明,基于高分影像数据集(GID)改进的U-Net相较于原始U-Net像素精度、均类像素精度、平均交并比分别提高了0.0233、0.0409、0.0665,提升了地物分类精度,取得了较好的分类效果。

基于U-Net的输电线路分割网络研究

针对输电塔杆上线路背景复杂、线路交织、目标模糊导致的图像分割分辨率不高,分割不精准的问题,进行基于U-Net的线路分割网络研究。首先,采用VGG16、ResNet34、ResNet50、MobileNetV2及DenseNet作为U-Net网络的主干特征提取网络;其次,采用BCEWithLogitsLoss和DiceLoss作为网络损失函数;最后,采用统一数据集,通过分析几种网络结构和损失函数下的图像分割精度,研究不同网络结构对输电线路分割的效果。实验结果表明,在此特定分割情景下,使用BCEWithLogitsLoss和DiceLoss混合损失函数的Dense Net和VGG16模型具有更好的线路分割效果。

改进U-Net模型在遥感影像建筑物提取中的应用

针对传统遥感影像建筑物方法提取背景复杂影像时存在的精度低、图像边缘预测效果差等问题,本文在U-Net模型的基础上提出一种改进模型。首先,为防止过拟合现象产生,向U-Net收缩路径中加入随机失活(Dropout)函数;其次,为提升模型训练速度,向扩张路径中加入批量归一化层;最后,为提升模型的图像边缘预测效果,选择联合损失函数为模型损失函数。通过武汉大学(WHU)建筑物数据集进行实验,结果表明本文模型在建筑物提取完整度、边界分割精度等方面都有不错的表现,尤其是针对较小建筑物的提取效果更好,其中精度指标UIo、AO、Kappa系数分别达到了76.876%、91.413%、81.225%,相比对比模型的精度指标更优,从而验证了本文方法的可靠性。

基于改进注意力W-Net的工业烟尘图像分割

针对小目标烟尘尺寸小、边缘稀薄和U-Net在提取小目标烟尘特征效果不佳等原因导致的烟尘漏检、误检和分割精度低等问题,提出一种基于改进注意力W-Net(IAW-Net)的烟尘图像分割网络。采用注意力机制将U-Net扩展为W-Net,在W-Net的基础上引入改进的注意力机制,增强了小目标烟尘的特征;针对小目标烟尘特点对焦点损失进行改进,增加了小目标烟尘的分割比重。实验结果表明,IAW-Net能够在不影响大目标烟尘分割的基础上更加关注小目标烟尘的分割效果,从而提升了烟尘图像的整体分割能力,相比现有语义分割网络具有更好的分割效果。

基于改进U-Net网络的图像混合畸变校正方法

图像几何畸变校正是许多计算机视觉应用的关键预处理步骤。当前基于深度学习的几何畸变校正方法主要解决图像的单一畸变校正问题,为此,本文提出一种改进U-Net网络的图像混合畸变校正方法。首先,提出了一种构建混合畸变的图像数据集的方法,解决了训练数据集稀缺以及畸变类型单一的问题。其次,采用U-Net网络结合空间注意力机制进行图像特征提取及畸变坐标图的重建,将图像校正问题转为畸变图像的逐像素点坐标位移变化的预测问题,并设计了结合坐标差损失和图像重采样损失的损失函数,有效提高校正的准确性。最后,通过消融实验验证了本文方法各模块的性能。与最新基于深度学习的畸变校正方法对比。实验结果表明,本文方法在定量指标和主观评价方面都有较好的表现,对畸变图像的空间坐标校正的平均绝对误差为0.2519。本文还对GoPro相机获取的光学影像开展了校正实验,进一步验证了本文方法对畸变图像校正的有效性。

基于改进Double U-Net的秀丽隐杆线虫显微图像端泡分割

针对秀丽隐杆线虫显微图像噪声较多,端泡区域像素与虫体及周围环境相似,标准Double U-Net分割效果较差的问题。该研究提出一种改进的Double U-Net网络的秀丽隐杆线虫端泡分割方法,在网络中引入密集连接,并采用改进的损失函数,解决了传统网络无法进行精确分割的问题。实验表明:改进后算法对线虫端泡的分割,Dice Coefficien、准确率和召回率达到了90.12%、87.45%和91.53%。

投保人高损失区间存在净损失约束的最优保险设计

在不完全保险情形下,投保人通常期望出险后能够获得保险公司足够的赔偿而将自己的实际损失控制在一定的范围内。为了满足这类投保人的需求,本文引入了投保人的净损失约束,研究在该约束下投保人的最优保险问题。研究表明:如果Arrow模型的解满足该约束,本模型的解与Arrow模型解一致,最优保单是有且仅有一个免赔额的部分保险契约,否则最优保单将存在两个免赔额。投保人效用最优时,本模型在应对高损时所提供的赔付水平始终不低于Arrow模型,而本模型在应对低损时对于IARA(DARA/CARA)型投保人所提供的赔付水平依次要低于(高于/等于)Arrow模型。此外,投保人的期望效用将随着其净损失上限的提高而逐渐增大,直到Arrow模型的解满足该约束时其效用达到最大。

改进U-Net网络的高纹理表面缺陷检测方法

缺陷检测是生产实践中非常重要的一个环节。产品表面往往存在丰富的纹理信息,纹理信息很容易导致缺陷误判。针对传统算法在缺陷检测中的局限性,提出了一种改进的U-Net模型来进行高纹理表面缺陷检测。该模型在下采样采用特征融合策略,以减少细节的丢失;在上采样采用多尺度融合策略,获取不同感受野下的丰富信息;用空洞卷积代替部分普通卷积,增加感受野来防止边缘细节的丢失。同时,模型中还采用联合损失函数进行训练,并通过参数优化提高收敛速度。最终,通过对高纹理表面缺陷数据集上进行实验,验证改进的U-Net模型与原始U-Net模型以及SegNet模型、基于滑动窗口的CNN等同类方法进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的U-Net模型可以更好的适用于实际生产过程的缺陷检测中。

湿地生态补偿制度的新解构与规则的再建构

在生态中心主义的视域下,引入零净损失原则,对湿地生态补偿制度进行新解构:对于开发造成的无法避免且已最小化的不利影响,通过贯彻落实“开发者保护”原则,实现对特定生态系统和自然资源的补偿,达到特定生态系统和自然资源整体上的无减损甚至增长。围绕这一制度概念,借鉴融合美国湿地缓解银行和英国公益信托的制度优势,可从交易机制、运营机制、评估定价机制及监管机制4个方面,构建中国湿地生态补偿制度———“湿地信托银行”,促进湿地生态保护目标的实现。

基于U-Net的COVID-19病灶医学影像ZMINet分割模型

针对COVID-19病灶医学影像边缘模糊及小病灶丢失的问题,基于多尺度多层级特征集成与多分支交互式学习策略对U-Net进行改进,提出一种基于U-Net的COVID-19病灶医学影像ZMINet分割模型。原图被缩放至多个尺度输入编码器;利用SIU-AIM模块多分支交互式地逐层学习融合层内与层间的多尺度关键特征,并将特征传入由SIM组成的解码器之对应层;SIM利用交互式学习策略以获取更丰富的多尺度信息表征,并自下而上集成多层特征;使用UAL作为损失函数指导模型输出更清晰的预测结果。在公开数据集上的对比实验表明,ZMINet分割模型在Dice、精确率、特异性和平均绝对误差等指标分别达到了79.2%、81.8%、96.8%和6.3%,与其他算法相比其性能得到了明显的提升。

基于RandLA-Net的3D点云牙颌分割与身份识别

针对PointNet局部特征聚合不充分、保存模型较大、识别精度有待提升等问题,在三维(3D)点云牙颌身份的识别任务中,采用RandLA-Net的编码结构作为主干网络;在分割任务中采用原始RandLA-Net作为主干网络。针对RandLA-Net特征聚合模块聚合单一的问题,在识别任务中采用基于偏移注意力(OA)的特征聚合模块,在分割任务中增添了基于点云的Transformer block模块,相较于RandLA-Net的原始网络,新的网络模块能够更好地聚合局部特征。为了达到大规模开集数据集的身份再识别目的,将分类的交叉熵损失函数替换成了三元组损失函数。针对训练牙颌样本数据较少的问题,采用生成虚拟正样本的方式极大地拓展了数据集。实验结果表明:在识别任务中,相较于原始的RandLA-Net主干网络,识别任务的top-1平均精度提升了3.13个百分点;在分割任务中网络平均精度相较于原始RandLA-Net提升了3.06个百分点,平均交并比(MIoU)提升了6.05个百分点。

基于深度学习的炸点图像识别与处理方法

为了提高弹丸近炸落点位置的测试精度,改善传统炸点图像易受噪声干扰及环境影响的识别问题,提出基于深度学习的炸点图像识别与处理方法。该方法是以高速摄像机拍摄的多序列炸点图像为基础,利用GoogLeNet分类网络方法提取爆炸瞬间炸点信息,研究改进U-Net网络分割炸点图像,重点对炸点图像的主干特征提取和优化损失函数进行建模,对炸点图像数据信息集进行训练与测试,并通过Canny边缘提取算法提取炸点图像边缘,采用最小二乘法进行轮廓拟合,求解炸点像素坐标,结合摄像机空间几何关系,获得炸点空间坐标。实验结果表明,改进U-Net网络的PA值为94.2%,MPA值为97.6%,MIOU值为84.8%,相比于原始U-Net网络的分割精度更高,能够为后续炸点位置的获取及武器毁伤评估提供技术支撑。

基于改进U-Net的新冠肺炎图像分割方法

近两年,新冠肺炎在全球暴发,给人类带来了极其严重的生命安全隐患,为尽可能地提高医生的诊断效率,研究新冠肺炎图像的病灶分割方法是极具价值的。利用U-Net网络模型作为基础网络,在第一、二层拼接前,引入改进的通道注意力,强化重要信息;在第三、四层拼接前,引入空间注意力,提取空间信息,对目标区域的细节信息进行补充;最后使用混合损失函数,加快网络收敛速度,避免样本不均衡。对比基础网络,改进后的网络模型既能够分割出较大的目标区域,也能够分割出较小的目标区域,更好地避免出现梯度消失问题,捕捉特征更加充分,有效提高分割性能和网络的可靠性。

基于改进的U-Net肺结节分割方法研究

由于肺部CT图像的特征信息复杂程度高,经典U型卷积网络对肺结节分割存在准确率较低和误分割等问题。针对这一问题,提出一种改进的U型卷积网络模型。该模型将U-Net网络和DenseNet网络融合,将解码器浅层特征连接至深层特征来增强特征的复用性。通过U-Net网络与卷积条件随机场(ConvCRF)的端到端结合训练来增强边缘特征,解决了边界模糊的问题。提出一种改进的focal loss损失函数,该函数提高了结节所占的权重,解决了正负样本不平衡的问题。在LUNA16数据集中作对比实验验证了模型的性能,分割精准度达到0.9374,敏感度为0.941,该结果证明了改进模型在肺结节分割中更优。

基于飞蛾扑火算法的电力系统无功优化控制

电力系统的合理无功优化有利于电力系统的稳定、优质、经济运行,飞蛾扑火算法以其收敛速度快速的优势可以适用于电力系统的无功优化控制。基于飞蛾扑火算法研究了电力系统无功优化方法,研究了飞蛾扑火的原理,建立了目标函数和约束条件。通过10机39节点系统验证了该方法的有效性。结果表明,MFO可以有效对系统进行无功优化,减少了系统的网损,且MFO收敛速度较快。