基于心脏磁共振电影图像的压缩激励残差U形网络左心肌分割

左心肌分割对心脏疾病诊疗具有重要意义.但左心肌内部毗邻乳头肌、小梁,外部与周围组织灰度相近,是分割难点.本文首先对心脏磁共振电影图像数据进行感兴趣区域提取等预处理;其次,搭建融合了压缩激励模块和残差模块的U形网络(SERU-net)分割左心肌;最后,利用75例数据训练SERU-net网络,对18例数据进行预测.基于本文方法的分割结果相对于金标准的Dice系数与豪斯多夫距离均值分别是0.902、2.697 mm;利用本文方法分割得到的舒张末期、收缩末期左心室心肌质量与金标准的相关系数和偏差均值分别是0.995、0.993和3.784 g、2.338 g.结果表明,本文方法与金标准匹配程度较高,有望辅助诊断心脏疾病.

融合压缩与激励模块的残差网络图像遮蔽识别

利用PS等技术进行图像篡改行为盛行。居心叵测之人为遮掩篡改痕迹加入噪音,模糊等遮蔽处理。针对上述遮蔽处理,收集四类人脸数据集,生成加入泊松噪音,均匀噪音,高斯模糊,中值滤波,图像压缩的五类遮蔽处理后的图像,形成对比样本。ResNet网络收敛不平滑,速度较慢。改进SE_ResNet网络在8个残差模块内均添加一层全局平均池化、两层全连接层、一层Sigmoid激活函数。利用压缩和激励操作对参数进行重标定,逐轮迭代调整学习率和梯度下降动量大小。总体网络由一层卷积层,四层包含八个改进残差模块的网络层,和全连接分类层构成。加入随机失活层和SGD权重衰减参数防止过拟合。对5类遮蔽篡改后图像识别准确率达92.50%。

时空压缩激励残差乘法网络的视频动作识别

针对双流网络结构中浅层网络和一般深度模型学习空间信息和时间信息的不足,提出将压缩激励残差网络用于空间流和时间流的动作识别,同时将恒等映射核作为时间滤波器注入网络中捕获长期时间依赖性。为了进一步加强压缩激励残差网络的空间信息和时间信息之间的交互,采用时空特征相乘融合,并研究空间流和时间流乘法融合方式、次数以及位置对识别性能的影响。鉴于单个模型获得性能的局限性,提出了3种不同的策略生成多个模型,并使用直接平均与加权平均集成以得到最终识别结果。HMDB51和UCF101数据集上的实验结果表明,所提时空压缩激励残差乘法网络能够有效提升动作识别性能。

基于压缩激励残差神经网络的轴承损伤诊断

滚动轴承是旋转机械的重要零件之一,文中针对滚动轴承损伤类型有效识别问题,提出了一种基于压缩激励残差神经网络的滚动轴承损伤诊断方法。本方法对轴承原始振动信号使用连续小波变换提取特征,形成二维时频样本,再利用样本对压缩激励残差神经网络进行训练,最后在全连接层使用Softmax分类器实现对轴承损伤的分类。用QPZZ-Ⅱ旋转机械振动损伤实验平台数据验证模型性能。实验结果表明:该方法对不同负载下滚动轴承损伤识别的准确率达99.95%,具有良好的泛化性和鲁棒性。

基于双阶段特征解耦网络的单幅图像去雨方法

针对现有的单幅图像去雨方法无法有效地平衡背景图像细节恢复与有雨分量去除问题,提出一种基于双阶段特征解耦网络的单幅图像去雨方法,采用渐进式的学习方式从粗到细分阶段进行单幅图像去雨.首先构建压缩激励残差模块,实现背景图像与有雨分量的初步分离;然后设计全局特征融合模块,其中特别引入特征解耦模块分离有雨分量和背景图像的特征,实现细粒度的图像去雨;最后利用重构损失、结构相似损失、边缘感知损失和纹理一致性损失构成的复合损失函数训练网络,实现高质量的无雨图像重构.实验结果表明,在Test100合成雨图数据集上,所提方法峰值信噪比为25.57dB,结构相似性为0.89;在100幅真实雨图上,所提方法的自然图像质量评估器为3.53,无参考图像空间质量评估器为20.16;在去雨后的RefineNet目标分割任务中,平均交并比为29.41%,平均像素精度为70.06%;视觉效果上,该方法能保留更多的背景图像特征,有效地辅助下游的目标分割任务的开展.

基于改进深度残差收缩网络的心电信号分类算法

心电信号分类是医疗保健领域的重要研究内容.针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络(IDRSN)的心电信号分类算法(即DRSL算法).首先,使用合成少数类过采样技术(SMOTE)扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络(LSTM)提取时间特征;最后,利用全连接网络输出分类结果.在MIT-BIH心律失常数据集上的实验结果表明,该算法的分类性能优于IDRSN、DRSN、GAN+2DCNN、CNN+LSTM_ATTENTION、SE-CNN-LSTM分类算法.

基于联邦学习和深度注意力残差网络的异物侵限辅助判断

针对铁路异物侵限检测数据持有方之间数据不互通,传统机器学习方式数据集缺乏,模型泛化能力弱的问题,提出了一种融合横向联邦学习、深度残差网络和压缩激励网络的异物侵限图像分类辅助判断方法。将压缩激励网络嵌入深度残差网络中,在特征通道上对特征进行压缩和激励,然后重新分配各通道的权重,以增强有用特征通道,提高模型特征提取的准确性;利用多方数据协作训练模型,通过联邦学习技术解决铁路数据应用过程中存在的数据孤岛问题,减少对训练样本数据量的依赖,同时提供隐私保护。经对一铁路局铁路异物侵限监测系统拍摄的图像数据进行测试,所提出的方法能够在保护数据持有方隐私的前提下,整合多方数据协作训练,为铁路数据安全共享提供新思路。

基于残差挤压激励与密集空洞卷积的视网膜血管分割

针对现有视网膜血管分割技术存在视网膜血管分割精度不高和病灶区域误分割的问题,提出对U型网络改进,结合密集空洞卷积(dense atrous convolution,DAC)模块与残差挤压激励(residual squeeze and excitation,RSE)模块的视网膜血管分割模型(DACRSE-Unet)。该模型采用改进集成随机失活块(DropBlock)的残差结构,不仅可以构建深层网络来提取更复杂的血管特征,还可以有效缓解过拟合;此外,为了进一步提高网络的表达能力,在改进残差块的基础上引入挤压激励模块(squeeze and excitation,SE);同时,为获取血管更多的上下文信息,在模型中引入DAC模块来实现对视网膜血管的精准分割;最后,在不同数据集上进行验证。结果表明,DACRSE-Unet模型的接受者操作特性曲线下面积分别为0.9869和0.9964,灵敏度分别为0.8226和0.8779,准确率分别为0.9692和0.9830,整体分割效果比其他模型更好。

基于改进残差神经网络的轴承损伤识别

针对大型设备齿轮箱轴承的损伤特征提取困难,信息容易丢失等问题,提出改进残差神经网络识别轴承损伤。在残差神经网络中引入压缩激励机制和BN算法,压缩激励机制建立特征通道关系,利用网络学习权重提升关键特征,实现轴承损伤的准确识别。BN算法可以加速网络收敛速度,抑制网络学习过拟合。经变负载工况的旋转损伤实验平台验证,改进的残差神经网络能够有效识别轴承损伤,对大型高速设备的平稳运行,合理安排检修时间,具有一定现实意义。

通道门控Res2Net卷积神经网络自动调制识别

针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network,2D-CNN)网络、多尺度残差网络(Residual 2-network,Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network,SENet)和长短期记忆(Long Short-Term Memory,LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。

基于深度残差学习的成熟草莓识别方法

为解决自然状态下成熟草莓存在的背景干扰、信息丢失等问题,提出一种基于深度残差学习的草莓识别方法。首先,引入深度可分离卷积降低残差网络参数,从不同角度提取成熟草莓特征,通过交叉熵损失函数来识别分类层中的草莓。其次,嵌入压缩和激励模块学习特征权重,使用特征重新校准改善网络的学习和表征属性。最后,采用添加空间金字塔池化、加权衰减优化方法提高模型的泛化能力,优化识别结果。试验结果表明,和现有其他深度模型相比,该方法能够有效地定位复杂背景下的成熟草莓,不易受到干扰环境的影响,具有更高的识别准确率和灵敏度,在数据集C中的识别准确率和灵敏度最高,分别达到92.46%和94.28%。

融合残差及通道注意力机制的单幅图像去雨方法

为了去除雨天图像上附着的雨滴并恢复图像的清晰度,提出一种基于深度学习思想结合图像增强技术融合残差及通道注意力机制来实现的单幅图像去雨方法。首先,利用导向滤波将有雨图像分解为平滑基本层和高频细节层;其次,提出自适应Gamma校正算法增强平滑基本层以提高对比度;然后,构建融合残差块和通道注意力机制的深度神经网络实现高频细节层去雨;最后,将去雨后的高频细节层与增强后的平滑基本层融合实现单幅图像去雨功能。实验结果表明:与具有代表性的单幅图像去雨方法相比,所提方法效果较好并可保留更多的图像细节信息。

基于压缩激励残差网络与特征融合的行人重识别

为解决现有基于深度学习的行人重识别算法中网络深度过深,网络层间的特征关系利用率、时间效率低等问题,提出了一种基于压缩激励残差网络(SE-ResNet)与特征融合的改进算法。通过引入压缩激励(SE)模块,在特征通道上对特征进行压缩和激励,然后重新对各通道分配权重,以增强有用特征通道,抑制无用特征通道,降低网络的深度;为提高识别精度和运算效率,将浅层特征与深层特征融合,删除部分特征提取模块,并对卷积核的大小与运行时间、识别精度的关系进行建模,寻找最佳平衡点。实验结果表明,相比ResNet50,本算法的Rank-1提高了4.26个百分点,平均精度均值提高了17.41个百分点。与其他经典算法相比,本算法的识别精度也有不同程度的提高,且鲁棒性较好。

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。

融合空间和通道特征的等离子弧焊熔池熔透状态预测方法

为了提高等离子弧焊熔池熔透状态预测的准确率,满足工业应用的需求,提出了一种融合图像空间和通道特征的熔池熔透状态预测模型PCSCNet.在该模型中对残差网络(residual network,ResNet50)结构进行改造,并融入压缩和激励网络来同时提取熔池正面图像的空间和通道特征信息.采用恒定电流等离子弧焊试验的数据集进行测试,建立了熔池正面图像与熔池熔透状态的对应关系.结果表明,模型预测准确率提升到95%以上.采用GradCAM方法对模型进行可视化,分析并揭示了模型预测的聚焦区域,与实际熔池的图像特征进行对比,验证了模型的合理性.

基于深度可分离卷积的表情识别改进方法

针对传统表情识别存在相似表情识别精度不高,且深度学习模型参数量巨大问题,提出一种改进的残差网络模型。通过引入深度可分离卷积核,减少了模型的参数量;引入压缩激励模块,改善了模型通道的加权关系;通过将中心损失引入联合算法设计中,提高了相似表情之间的区分度。实验结果表明,识别算法提升了相似表情的区分精度,且较好的控制了模型的参数量。模型在3个公开数据集上的准确率分别达到了97.57%、96.24%、94.09%。

基于SE模块和ResNet的番茄病虫害识别方法

番茄病虫害是引起番茄减产的重要因素。精确识别病虫害种类是当前国际热点问题之一,有助于及时有效采取针对性的病虫防治办法,减少和避免因番茄减产导致的经济损失。针对传统虫害识别方法存在效率和精确率低的问题,利用Kaggle网站上的Tomato数据集,构建基于压缩和激励(SE)模块的深度残差网络模型(ResNet),优化番茄病虫害识别方法。结果表明:通过Pytorch框架下的迁移学习,改进后的网络模型对番茄病虫害图像的平均识别准确率最高为97.96%;基于SE模块的ResNet网络模型有助于增强特征区分能力,增加模型的通用性和鲁棒性。研究结果对番茄病虫害的及时监测和处理、提高番茄产量具有重要意义。

一种改进的深度学习的道路交通标识识别算法

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-andexcitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。