双通道卷积神经网络在影像融合中的应用

利用Landsat8遥感卫星影像数据制作影像融合数据集,提出了一种双通道融合网络,并利用结果影像的质量指数对网络融合性能进行评估,分析与双三次卷积插值和GS影像融合方法的差异。结果表明,该网络加强了对高频空间信息的提取,在更高效提取空间特征的同时,减弱了融合过程中对多光谱影像光谱特征的影响,从而提高了融合影像的综合影像质量(QNR=0.8852)。

基于金字塔式双通道卷积神经网络的深度图像超分辨率重建

针对深度图像分辨率低的问题,构建了一种金字塔式双通道深度图像超分辨率卷积神经网络。在金字塔的每一级,通过两个通道对低分辨率深度图像提取不同的有效特征,通道1为增强型残差结构,可以将丰富的图像细节传递到后面的图层,通道2将不同卷积层提取的特征连接起来作为此通道最后一层卷积层的输入,有益于局部特征和全局特征的结合。接着,通过将不同通道融合后的特征输入亚像素卷积实现超分辨率重建。实验结果表明,相比其他方法,该方法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。

双通道深度卷积神经网络的航空发动机剩余使用寿命预测方法

提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集(C-MAPSS)上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。

基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks,CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual-channel neural networks,DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种"双池化层"对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。

双通道多感知卷积神经网络图像超分辨率重建

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.

基于双通道残差网络的水下图像去噪研究

水下图像去噪作为探索海底世界有效的辅助手段之一,备受研究人员的关注。传统的滤波方法存在去噪过程中容易损坏图像的细节,带有明显的噪声残留,且根据不同的噪声类型设计相应滤波器的问题,在深度卷积神经网络的基础上,提出一种改进的双通道残差卷积神经网络模型,用于去除水下图像的噪声。该模型由局部残差网(LRN)、全局稀疏网(GSN)和特征处理块(FPB)构成。通过双通道LRN和GSN并行提取水下图像的多层次局部噪声特征和全局噪声特征,利用FPB中的通道连接融合LRN和GSN提取的噪声特征,并使用其卷积层增强水下图像噪声信息。在此基础上,使用均方误差和平均绝对误差双损失函数优化网络参数,利用卷积层重构水下图像。实验结果表明,相比BM3D、IRCNN、DnCNN等方法,该方法的平均峰值信噪比提高0.02~3.52 dB,在有效去除各种水平的随机噪声同时能重构清晰的水下图像。

基于残差神经网络的通信混合信号识别

针对混合信号单通道识别,传统方法主要通过提取特征进行分类和识别,其性能受特征提取和选择的限制。不同的调制信号其时域几乎包含了信号的所有信息,传统方法却无法直接处理时域数据。提出了基于残差神经网络的通信混合信号识别算法,直接对时域混合信号进行识别,不需要人工定义识别特征,可实现识别特征的自动提取,在信噪比4 dB以上,码元速率、频偏和相偏在一定范围内随机的情况下,能对2FSK+4FSK,BPSK+2FSK,BPSK+4FSK,BPSK+BPSK,BPSK+QPSK,QPSK+2FSK,QPSK+4FSK,QPSK+QPSK八种混合信号有较好的识别率。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

基于深度学习卷积神经网络的人体行为识别研究

基于深度学习卷积神经网络人体行为识别是深度学习研究中一个重要的研究方向.文章首先介绍了深度学习在人体行为识别的应用现状以及两大重要的人体行为识别数据集:Weizmann数据集和KTH数据集,然后概述了深度学习特征提取方法,最后重点综述了双通道深度卷积神经网络的原理、结构和具体设计,以及其重要意义和优势.

基于改进3D卷积神经网络的行为识别

鉴于基于视频的人体行为识别中的视频流数据过于庞大,3D卷积核参数设置过多,存在训练时间较长,调参困难等问题,以3D卷积神经网络为基础,提出一种将3D卷积核拆分成空间域和时间域两种卷积核的神经网络结构。两种卷积核分别形成两个数据流进行交互,同时引入残差网络以优化网络结构,减少参数设置。将所提方法应用于两个行为识别数据集KTH和UCF101上进行训练验证,其行为识别准确率分别为96.2%和90.7%。结果表明,较改进前的神经网络框架,所提方法在保证动作识别准确度的前提下,训练速度提高了7.5%~7.8%。该方法可以有效降低深度学习进行行为识别的硬件要求,提高模型训练效率,并可以广泛应用于智能机器人领域。

基于多通道双注意力网络的COVID-19图像分类

针对逆转录聚合酶链反应对新冠肺炎(COVID-19)的检测存在一定的假阴性率、消耗时间过长等问题,提出了一种基于深度迁移学习的多通道双注意力网络(MDA-Net)对肺部图像进行检测。在深度迁移学习的框架下,引入了多通道双注意力模块,利用多个通道的位置关系,融合不同尺度的图像特征。将注意力机制和轻量级卷积神经网络相结合,扩大MDA-Net感受野,提高了对图像复杂区域和边缘区域的特征提取能力。MDA-Net在不同数据集上进行了实验,二分类任务和三分类任务分别能取得99.25%和99.39%的平均准确率,表现出良好的分类性能。

基于双通道Residual-LSTM的SINS/GNSS组合导航算法

针对全球导航卫星系统信号中断情况下SINS/GNSS组合导航系统无法持续进行误差校正的问题,提出一种基于双通道Residual-LSTM的SINS/GNSS组合导航算法。首先,考虑到SINS经度、纬度误差传播特性不同所导致的模型输入、输出信息之间的非线性相关性差异化,构建具有不同权重系数的双通道长短期记忆神经网络模型结构,并引入遗忘信息共享机制自适应地利用历史导航数据对经度、纬度信息进行拟合预测。其次,针对深层神经网络存在的模型退化和梯度消失问题,在多层双通道LSTM网络之间建立残差高速通道形成Residual-LSTM模型结构,以增加不同网络层次之间的信息传播路径。最后,通过实船数据验证本文所提算法的有效性。实验结果表明,与基于常规智能方法的SINS/GNSS组合导航算法相比,所提组合导航算法在GNSS信号中断期间经度误差降低了51.97%,纬度误差降低了31.45%。

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。

基于多尺度残差网络的MRI脑肿瘤分类

目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率。结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59%。添加下采样模块后,准确率达到98.58%。对比最大池化、均值池化和双通道池化,准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力。

基于通道残差嵌套U结构的CT影像肺结节分割方法

早诊断早治疗对提升肺癌的存活率至关重要。肺结节是肺癌早期主要表现,但其异质性特征增加了计算机断层扫描对肺结节的检测难度,降低了分割结果的精确度。为提高肺结节分割结果的完整性和精确度,提出三维通道残差嵌套U网络(CR U2Net)。浅层特征同时包含病灶细节和噪声信息,提出浅层信息处理U结构平衡噪声信息的干扰;为加强不同层特征信息的交互,丰富特征表达和传递,提出通道残差结构,配合嵌套U结构实现特征信息的提取优化;考虑到浅层特征包含空间细节信息而深层特征具有语义抽象性,设计通道挤压U结构实现不同语义级别特征有效融合;将上述模块集成到UNet中构建出基于嵌套U结构的肺结节分割模型。提出的模型在Lung Image Database Consortium and Image Database Resource Initiative数据集中进行训练,达到了83.83%的Dice系数。优于多数现有肺结节分割方法且与UNet,UNet++以及PCAMNet网络相比领先了3.98%,1.96%和1.26%;针对网络结构进行有效性验证,结果表明各模块均发挥作用,在可接受参数量和计算量的情况下达到最优性能。

基于残差通道注意力的视网膜血管图像分割

视网膜血管分割是诊断许多早期眼睛相关疾病的重要步骤。本文将整体嵌套边缘检测(holistically-nested edge detection,HED)网络应用于视网膜血管图像分割,并对该模型进行了一系列改进:针对现有方法识别边缘和精细血管能力不足的问题,引入了一种新的改进的高效通道注意(modified efficient chanel attention,MECA)模块,并且采用了双残差结构加深模型结构,提取更加精细的血管结构,为了防止模型加深产生过拟合问题,引入了结构化丢弃模块。为了进一步提高模型的灵敏度,本文在HED网络的特征融合阶段加入融合了MECA模块的短连接结构。实验表明,所提网络的灵敏度相比于目前最先进的方法有了明显提升,这说明本文所提方法具有最先进的识别视网膜血管的能力。

基于改进深度学习的航拍滑坡检测方法

为及时发现滑坡险情展开应急救援,提出一种结合逐通道不同阈值的深度残差收缩网络(DRSN-CW)方法的更快速区域卷积神经网络(Faster-RCNN)模型的航拍图像滑坡检测算法。利用图像增强的伽马变换、高斯滤波方法提高图片的质量;使用群组归一化方法消除batchsize大小对模型的影响;为减少噪声以及无关特征区域的干扰,采用DRSN-CW网络对滑坡检测目标进行精准定位。实验结果表明,改进后模型与先前模型相比F1值以及平均精度分别增加了10.7%、10.2%,可以有效检测滑坡险情。

改进残差网络的轻量级塑料垃圾分类研究

针对当前日益严重的塑料污染问题,开展塑料垃圾分类与回收迫在眉睫,采用更精细的垃圾分类方法,使得塑料垃圾回收利用的比率将会越来越高,也能从源头上杜绝塑料污染。目前国内塑料垃圾分类网络存在识别准确率不高、运行过程耗时长、模型占用内存大等问题。改进残差网络结构,提出一种双通道轻量级网络(DCLNet-18)对塑料垃圾进行分类。首先使用深度可分离卷积替换标准卷积,减少网络的参数量和计算量;然后在网络的每个BasicBlock后串联双通道注意力机制,增强网络的特征提取能力;最后与AlexNet、VGG、ResNet等系列网络对比。实验结果表明,相比ResNet18网络,DCLNet-18网络的训练时间缩短12.5%,准确率提高2.8%,因此更适合移动端、嵌入式设备应用,为塑料垃圾分类网络轻量化提供了新的思路。

融合注意力机制改进残差网络的表情识别方法

为提高大数据挖掘过程中表情识别的计算速度和准确率,在ResNet-50模型的基础上,融合通道注意力机制与改进残差网络,提出一种表情识别方法的改进模型(SE-ResNet-50+Swish)。改进模型在ResNet-50的基础上,引入多个带有通道注意力模块SE的特征层对表情样本进行特征提取,利用注意力机制增强关键的特征通道,增强网络的特征表达与鲁棒性,且能够有效减少计算量,并利用激活函数Swish替代ReLU激活函数,以达到进一步提升表情识别准确率的目的。在CAS-PEAL-R1数据库上进行验证的结果表明,SE-ResNet-50在ResNet-50的基础上引入SE模块之后,虽然增加了网络层数,但计算速度以及表情识别的准确率有明显提高;改进模型利用Swish替代ReLU后,相比于SE-ResNet-50的参数数量与计算量等无显著增多,但表情识别准确率有提升;以上结果表明,改进模型能够有效减少计算量,并增强网络的特征表达与鲁棒性,从而达到提升表情识别计算速度与识别准确率的目的。