基于多尺度密集连接网络的电容层析成像图像重建

为求解电容层析成像中的非线性病态反问题,提出了一种多尺度密集连接网络(MD-Net)模型。该模型由多尺度特征融合模块和密集连接块组成,以通过融合多尺度特征进一步提高图像的重建精度。通过MATLAB仿真实验平台构建了流型数据集,利用密集连接网络的非线性映射能力,完成训练集的学习与训练,并利用测试集进行训练效果评价。在此基础上进行了静态实验。仿真与静态实验结果均表明:与LBP、Landweber迭代算法和其他深度学习方法相比,该方法的重建精度最高、抗噪能力强,并具有良好的泛化能力。

注意力密集连接网络的早期AD脑形态学表征与分类

针对阿尔茨海默病(Alzheimer’s disease,AD)这种神经退行性疾病早期阶段难以被及时发现,无法进行诊断与干预的问题,提出基于注意力密集连接网络的早期AD脑形态学特征提取与分类方法。采用密集连接网络为主干架构、多视角三维图像信息作为网络输入的设计策略,引入注意力机制使得网络能够捕获对AD分类具有重要贡献的脑区。实验结果表明,提出算法对认知正常(cognitively normal,CN)与轻度认知障碍(mild cognitive impairment,MCI)、MCI与AD、CN与AD的分类正确率依次达到了98.37%、97.63%、98.60%,在AD分类领域处于较高水平。此外,通过对注意力机制得到的注意力图进行分析,可发现AD患者脑形态学演变轨迹,由CN转化为MCI涉及皮层下结构的脑形态学异常改变,再转化为AD则进一步涉及皮层结构的脑形态学异常改变。

基于改进密集连接网络的遥感图像场景分类

针对遥感图像场景分类任务从复杂背景下准确提取出地物信息困难和普通卷积提取特征容易产生冗余特征的问题,提出一种基于改进密集连接网络(Ghost-Densenet)的分类模型。该模型利用SoftPool对MaxPool和AveragePool进行替换,最大程度上保留了遥感图像的主要特征;利用Ghost模块通过简单线性变化生成特征图的特性,有效增强模型特征提取能力的同时减少了网络瓶颈层的冗余特征和网络的参数量与计算量。实验结果表明,该模型在UC Merced_Land Use数据集上的平均准确率为92.76%,相较于Densenet121,模型大小减少26.57%,计算量降低32.99%,准确率提高1.17%。通过在Aerial Image Dataset、WHU-RS19 Date Set、RSSCN7 Date Set、SIRI-WHU Date Set四个数据集上进行实验,验证了模型的有效性和鲁棒性,对遥感图像场景分类任务具有良好的应用价值。

基于星座图和密集连接网络的QAM信号识别

利用深度神经网络对图像数据的显著学习能力,提出了一种基于通信信号星座图和密集连接网络(DenseNet)的正交幅度调制(Quadrature Amplitude Modulation,QAM)信号调制分类算法。算法首先对接收信号进行预处理,获取训练所需的星座图数据集,然后采用DenseNet对其进行训练学习,进而实现调制分类。同时在DenseNet网络中引入通道注意力机制,进一步增强特征的学习能力,提升分类性能。对不同信号长度、不同神经网络以及存在频偏和相偏估计误差等场景进行了多组实验。仿真结果表明:DenseNet相比卷积神经网络(Convolutional Neural Network,CNN)和残差网络ResNet-20能够有效提升分类准确率;相比基于累积量、累积分布及原始IQ(In-phase and Quadrature)数据等现有方法也均取得了较优的识别性能。

基于密集连接网络和多维特征融合的文本匹配模型

针对文本匹配过程中存在语义损失和句子对间信息交互不充分的问题,提出基于密集连接网络和多维特征融合的文本匹配方法.模型的编码端使用BiLSTM网络对句子进行编码,获取句子的上下文语义特征;密集连接网络将最底层的词嵌入特征和最高层的密集模块特征连接,丰富句子的语义特征;基于注意力机制单词级的信息交互,将句子对间的相似性特征、差异性特征和关键性特征进行多维特征融合,使模型捕获更多句子对间的语义关系.在4个基准数据集上对模型进行评估,与其他强基准模型相比,所提模型的文本匹配准确率显著提升,准确率分别提高0.3%、0.3%、0.6%和1.81%.在释义识别Quora数据集上的有效性验证实验结果表明,所提方法对句子语义相似度具有精准的匹配效果.

基于空洞卷积密集连接网络的左心室MR图像分割方法

左心室核磁共振(MR)图像分割对于评估心脏功能和诊断疾病具有重要意义.传统分割算法对于左心室,尤其是含有左心室流出道的左心室MR图像,存在分割精度不够的问题.设计了一种基于空洞卷积密集连接网络的左心室MR图像分割方法.该方法利用密集连接网络和空洞卷积缓解了深度学习中梯度消失和内存过度消耗的问题,并且通过数据增强和提取感兴趣区域的方法提升了网络的准确性.分割结果采用平均垂直距离、Dice系数等指标进行评价分析.在MICCAI2009心室分割数据集的138张图片上的测试结果为:内、外膜的平均Dice系数分别为0.91和0.96,平均垂直距离分别为1.71和1.42.实验结果表明,此方法分割精度明显高于其他方法,对于含有左心室流出道的MR图像也能准确分割.

密集连接网络在SAR与多光谱影像融合中的应用

为克服单一卫星传感器成像的不足,提出了基于密集连接网络的合成孔径雷达(SAR)与多光谱影像的融合算法。首先分别对SAR影像与多光谱影像进行预处理,使用双三次插值法重采样到同一空间分辨率下,然后使用密集连接网络来分别提取影像的特征图,并采用区域能量最大的融合策略将深度特征进行融合,将融合图像输入到预训练的解码器中进行重构,获得最终融合影像。实验采用哨兵1号SAR影像、Landsat-8影像和高分1号卫星影像进行验证,并与基于成分替换、基于多尺度分解和基于卷积神经网络的代表性方法进行对比试验。实验结果表明,基于密集连接网络的融合算法在多尺度结构相似度指标上的精度高达0.9307,在其他多种评价指标上也都优于其他融合算法,SAR影像的细节信息和多光谱影像的光谱信息得到很好的保留。

改进的密集连接网络遥感图像超分辨重建

遥感图像超分辨增加了遥感图像的细节信息,在遥感图像处理中有重要的地位。为了进一步提高遥感图像超分辨的重建效果,本文提出一种改进的密集连接网络遥感图像超分辨重建算法。首先对基于残差网络的深度超分辨算法(VDSR)进行改进,结合密集连接网络(DenseNet),将残差网络中的残差块替换成密集块,并且添加一组密集层与瓶颈层,实现DenseNet网络结构的改进,同时,修改网络激活函数为PReLU函数,网络训练采用L1损失函数。为了使网络在遥感图像上具有更好的效果,训练网络时,数据集全部采用遥感图像作为训练样本。当训练的epoch达到了大约35次时网络已经收敛。实验结果表明,与VDSR算法相比,本文改进的算法对遥感图像的效果更优,峰值信噪比(PSNR)平均增加了1.05 dB,结构相似度(SSIM)平均增加了0.042。

基于总分式密集连接网络的图像超分辨重建

深层卷积神经网络在图像超分辨重建任务中取得了良好效果,虽然更深的网络结构有助于学习图像丰富的细节信息,但同时也会因为参数过多和梯度消失/梯度爆炸等问题使网络变得难以训练.针对这些问题,提出一种不过分依赖网络深度,对各卷积层利用率极高的总分式密集连接网络结构,该网络在局部结构中以级联的方式提取并融合临近卷积层的图像特征,再以局部残差结构降低网络的训练难度,缓解梯度消失/爆炸的问题;在全局结构中,同样以密集连接的方式对已学习到的局部特征进行再融合,最大程度的整合全局图像特征,提升网络学习效率.实验表明,在对比同等深度下不同网络模型的图像重建效果,所提出的算法能重建出质量更好的图像,网络对各卷积层学习到的图像特征利用率更高.

结合注意力机制和密集连接网络的车辆检测方法

为提高算法对车辆检测的准确性,解决原有算法在复杂交通场景下对车辆检测效果不佳的问题,提出一种基于注意力机制和改进密集连接网络结构的车辆检测方法。首先在过渡层中使用SoftPool整合密集块之间的特征信息;其次通过轻量化通道注意力机制加强有效通道特征的表达,将其作为Darknet-53的深层特征提取层;引入CIOU损失作为模型的边界框位置预测损失项,使用深度可分离卷积缩减模型体积;与原算法相比mAP值提高2.6%,模型体积缩减为原来的42%,实验证明本算法在复杂交通场景下具有良好的检测性能。

基于多尺度特征融合和密集连接网络的疏果期黄花梨植株图像分割

由于自然环境下果蔬植株的果实、枝干和叶片等目标尺度不一、边缘不规则,因此造成其准确分割较为困难。针对该问题,提出1种多尺度特征融合和密集连接网络(Multi-scale feature fusion and dense connection networks,MDNet)以实现黄花梨疏果期植株图像的准确分割。在研究中借鉴了编码-解码网络,其中编码网络采用DenseNet对多层特征进行复用和融合,以改善信息传递方式;解码网络使用转置卷积进行上采样,结合跳层连接融合浅层细节信息与深层语义信息;在编码、解码之间加入空洞空间金字塔池化(Atrous spatial pyramid pooling,ASPP)用于提取不同感受野的特征图以融合多尺度特征,聚合上下文信息。结果表明,ASPP有效提高了模型的分割精度,MDNet在测试集上的平均局域重合度(MIoU)为77.97%,分别较SegNet、Deeplabv2和DNet提高了8.10个、5.77个和2.17个百分点,果实、枝干和叶片的像素准确率分别为93.57%、90.31%和95.43%,实现了黄花梨植株果实、枝干和叶片等目标的准确分割。在翠冠梨植株图像的独立测试中,MIoU为70.93%,表明该模型具有较强的泛化能力,对自然环境下果蔬植株图像的分割有一定的参考价值。

利用改进初始化的残差-密集连接网络的光伏阵列故障诊断

针对在现实生活中光伏阵列大部分运行在正常的工作状态,缺少故障数据的问题,提出一种改进初始化的方法代替随机初始化来训练深度学习模型,以提高故障诊断模型的可靠性.同时,提出基于残差-密集连接网络的光伏故障诊断模型,并基于I-V曲线与最大功率点、温度、辐照度和填充因子作为输入特征.最后,通过多种光伏阵列故障数据检测所提出的方法的性能.实验结果表明,改进初始化的残差-密集连接网络在小样本的情况下仍具有高收敛速度、高准确性以及高稳定性,且能稳定分类各种环境下的光伏阵列故障.

基于多尺度密集连接网络的图像超分辨算法

图像超分辨率旨在通过软件技术从低分辨率图像中获得高分辨率图像。受深层神经网络对非线性关系强大表示启发,提出一种基于多尺度密集连接网络的图像超分辨算法。利用多尺度和密集连接思想设计了两个并行子网络提取图像特征,一个子网络中引入多尺度卷积层以提取低分辨图像的多种特征,另一个子网络则利用密集连接模块加深网络结构尽可能提取丰富的纹理特征,同时还可以避免模型训练过程中梯度消失的问题。最后对两个子网络提取的特征求残差并对其行重构得到高分辨率图像。仿真结果表明,提出的算法无论在客观评价还是视觉效果上均优于其它同类超分辨算法。

基于密集连接网络的晶圆图检测

晶圆图(WBM)检测是评估半导体生产工艺的关键手段,有效的检测方法能够提升生产效率与产品良率。本文提出了一种基于密集连接网络的晶圆图缺陷模式检测方法,并根据晶圆图特点对模型结构和损失函数进行了改进。此外,提出了一种受限均值滤波算法滤除噪声晶粒。在模型预测时,采用基于熵的蒙特卡洛Dropout算法来量化模型决策的不确定性。实验结果表明,对于典型的晶圆缺陷模式,改进模型的识别能力优于传统算法。通过分析模型不确定性,不仅可以有效地降低漏检率和误检率,还有助于发现新模式。

基于加权密集连接网络和注意力机制的滚动轴承故障诊断

针对当前诊断方法对滚动轴承故障特征表征困难以及在噪声干扰大的环境中检测性能下降的问题,提出了一种基于加权密集连接网络和注意力机制的滚动轴承故障诊断的方法,该方法由特征提取和故障分类两部分组成;在特征提取部分,首先采用加权密集连接网络从轴承振动信号中提取特征,并将不同空间级别的特征进行组合以增强信息的多样性,然后利用注意力机制突出重要信息,获得准确的表征故障特征;故障分类模型以表征的特征信息作为输入,经过Softmax函数输出每种故障类型的诊断结果;实验结果表明,所提模型在加性噪声干扰的情况下具有良好的诊断性能,比其他方法更具优势。

多维加权密集连接网络的流量混沌预测仿真

针对现有多维加权密集连接网络的流量预测方法没有充分考虑网络流量的时变性、混沌性、噪声污染性等特点,使得最终预测结果与真实值之间误差较大,预测耗时较长,提出了基于蚁群优化BP神经网络算法的多维加权密集连接网络流量混沌预测方法,采用小波分析对多维加权密集连接网络信号进行消噪处理,并依据混沌理论对消噪处理后的网络信号进行相空间重构,提取多维加权密集连接网络流量变化规律;在此基础上,建立了一个BP神经网络模型,利用梯度下降法调整BP神经网络参数;将调整后的BP神经网络参数作为蚂蚁的初始位置信息,通过蚁群之间的信息沟通交流和觅食过程中的相互协作获取BP神经网络各层神经元的初始连接权值和相应阈值等最优参数,建立优化预测模型,对多维加权密集连接网络流量进行预测。仿真结果显示,上述研究方法得到的预测结果与真实值拟合度较高,不仅能够有效降低多维加权密集连接网络流量预测误差,而且提高了预测速度。

基于空洞卷积的密集连接网络人流量预测模型

针对人流量数据的时空特性和外部因素等对预测精度的影响,提出一种基于空洞卷积的密集连接网络人流量预测模型。通过空洞密集连接模块捕获相邻区域之间的空间依赖关系,采用SE-LSTM模块帮助网络学习更重要的特征并学习数据中的周期性和动态时间性;对于外部因素,利用全连接网络对天气、假期、事件等数据进行处理来辅助预测。采用2个公开的数据集验证提出的模型。实验结果表明,与其他基线模型相比,该模型将预测误差分别从6.33、16.69降低到5.30、15.41,能够更好地学习数据中的时空依赖关系,提升预测精度。

对称式密集连接网络的地基云图分割方法

为了提高地基云图分割的精度,提出一种对称式密集连接卷积神经网络的云图分割方法进行地基云图分割研究。提出的新的网络结构通过普通卷积层提取地基云图特征,通过连续的密集连接块和上采样模块对特征图进一步处理,通过并联方式融合网络浅层和网络深层的特征图从而实现对地基云图精确的分割。其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得云图特征得到复用,同时一定程度上减轻了训练过程中的梯度消失问题,通过并联浅层网络和深层网络的特征图实现了对地基云图的进一步精确分割。实验结果表明,该方法与其他用于地基云图分割的机器学习方法相比,能够提高地基云图的分割准确率,具有良好的泛化效果。

基于一维密集连接卷积网络的配电网故障定位研究

分布式电源大量接入配电网,加大了网络的复杂程度,需要采集的数据量变大,对现在的配电网故障诊断技术带来了挑战,以数据驱动方法作为配电网故障定位方法成为了一种新的趋势。为此提出了一种基于一维密集连接卷积网络的配电网故障定位方法。通过三个测量点将零序电流采集出来作为网络的输入信号,然后将输入信号输入到改进卷积神经网络的一维密集连接卷积网络中进行特征提取,提取出故障特诊信息后输入到Softmax分类器中进行故障区段确定,最后通过配电网模型验证所提方法能够针对不同故障类型、不同过渡电阻具有快速准确的故障定位能力,并且和传统的一维卷积神经网络相比,具有更大的优越性。

基于密集连接注意力块的双生成器图像修复算法

针对图像修复痕迹明显、模型训练不稳定等问题,设计一种结合密集连接注意力块的图像修复算法。在生成器中引入精修复和粗修复二阶段修复网络,并在精修复网络中使用4个通道注意力块设计的密集连接注意力块;同时,增设VGG16特征提取模型,引入WGAN-GP作为判别器损失函数,以多损失融合的方式提高图像的修复效果。在CelebA数据集上验证模型的修复效果,该算法在主客观指标上均优于DCGAN、CE和DD这3种主流算法。