期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
变窗重建算法和自适应SegNet网络在地层层序划分中的应用
1
作者
邵广辉
高衍武
+7 位作者
张苏利
肖华
杨帆
于龙
姚军朋
陈立东
王绍祥
孟屹明
《长江大学学报(自然科学版)》
2024年第4期19-31,共13页
深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合...
深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。
展开更多
关键词
深度学习
自动地层对比
可变
窗口波形重建算法
自适应
可变
卷积
核尺寸
网络
下载PDF
职称材料
改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法
被引量:
1
2
作者
刘汉卿
康晓东
+4 位作者
张福青
赵秀圆
杨靖怡
王笑天
李梦凡
《计算机应用》
CSCD
北大核心
2022年第9期2909-2916,共8页
针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络(R-CNN)的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影(CTA)图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络LibraR-...
针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络(R-CNN)的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影(CTA)图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络LibraR-CNN中以ResNet50为骨干网络,并分别在骨干网络的3、4、5阶段引入可变卷积网络(DCN),通过学习偏移量提取血管在不同断层面的形态特征;然后,将从骨干网络中提取的特征图输入至引入非局部神经网络(Non-localNN)的平衡特征金字塔(BFP)中进行更深度的特征融合;最后,将融合后的特征图输入至级联检测器,并通过提高交并比(IoU)阈值优化最终检测结果。实验结果表明,改进的LibraR-CNN检测算法相比Libra R-CNN算法,在脑动脉CTA数据集中平均准确率(AP)、AP_(50)、AP_(75)和AP_(S)分别提升了4.3、1.3、6.9和4.0个百分点;在公开的结肠息肉CT数据集中,AP、AP_(50)、AP_(75)和AP_(S)分别提升了6.6、3.6、13.0和6.4个百分点。通过在LibraR-CNN的骨干网络中加入DCN、Non-localNN和级联检测器,进一步融合特征从而学习脑动脉血管结构的语义信息,使得狭窄区域检测结果更精确,且改进算法在不同的检测任务中具有泛化能力。
展开更多
关键词
Libra区域
卷积
神经
网络
可变卷积网络
非局部神经
网络
级联检测器
脑动脉狭窄
下载PDF
职称材料
题名
变窗重建算法和自适应SegNet网络在地层层序划分中的应用
1
作者
邵广辉
高衍武
张苏利
肖华
杨帆
于龙
姚军朋
陈立东
王绍祥
孟屹明
机构
中国石油集团测井有限公司地质研究院
中国石油集团测井有限公司长庆分公司
中国石油集团测井有限公司大庆分公司
中国石油集团测井有限公司市场生产处
山东省地质矿产勘查开发局
出处
《长江大学学报(自然科学版)》
2024年第4期19-31,共13页
基金
中国石油天然气股份有限公司重大科技专项“陆相中高成熟度页岩油勘探开发关键技术研究与应用”(2019E-2603)。
文摘
深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。
关键词
深度学习
自动地层对比
可变
窗口波形重建算法
自适应
可变
卷积
核尺寸
网络
Keywords
deep learning
automatic stratigraphic correlation
variable window waveform reconstruction algorithm
adaptive variable convolutional kernel size network
分类号
TE132.14 [石油与天然气工程—油气勘探]
下载PDF
职称材料
题名
改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法
被引量:
1
2
作者
刘汉卿
康晓东
张福青
赵秀圆
杨靖怡
王笑天
李梦凡
机构
天津医科大学医学影像学院
天津医科大学第二附属医院
西交利物浦大学智能工程学院
出处
《计算机应用》
CSCD
北大核心
2022年第9期2909-2916,共8页
基金
京津冀协同创新项目(17YEXTZC00020)。
文摘
针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络(R-CNN)的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影(CTA)图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络LibraR-CNN中以ResNet50为骨干网络,并分别在骨干网络的3、4、5阶段引入可变卷积网络(DCN),通过学习偏移量提取血管在不同断层面的形态特征;然后,将从骨干网络中提取的特征图输入至引入非局部神经网络(Non-localNN)的平衡特征金字塔(BFP)中进行更深度的特征融合;最后,将融合后的特征图输入至级联检测器,并通过提高交并比(IoU)阈值优化最终检测结果。实验结果表明,改进的LibraR-CNN检测算法相比Libra R-CNN算法,在脑动脉CTA数据集中平均准确率(AP)、AP_(50)、AP_(75)和AP_(S)分别提升了4.3、1.3、6.9和4.0个百分点;在公开的结肠息肉CT数据集中,AP、AP_(50)、AP_(75)和AP_(S)分别提升了6.6、3.6、13.0和6.4个百分点。通过在LibraR-CNN的骨干网络中加入DCN、Non-localNN和级联检测器,进一步融合特征从而学习脑动脉血管结构的语义信息,使得狭窄区域检测结果更精确,且改进算法在不同的检测任务中具有泛化能力。
关键词
Libra区域
卷积
神经
网络
可变卷积网络
非局部神经
网络
级联检测器
脑动脉狭窄
Keywords
Libra Region-Convolutional Neural Network(R-CNN)
Deformable Convolutional Network(DCN)
Non-local Neural Network(Non-local NN)
cascade detector
cerebral artery stenosis
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
变窗重建算法和自适应SegNet网络在地层层序划分中的应用
邵广辉
高衍武
张苏利
肖华
杨帆
于龙
姚军朋
陈立东
王绍祥
孟屹明
《长江大学学报(自然科学版)》
2024
0
下载PDF
职称材料
2
改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法
刘汉卿
康晓东
张福青
赵秀圆
杨靖怡
王笑天
李梦凡
《计算机应用》
CSCD
北大核心
2022
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部