基于全卷积神经网络多任务学习的时域语音分离

基于深度神经网络时频掩码进行语音分离时,目标信号相位一般采用混合信号的相位谱,且对性别组合缺乏针对性处理,这导致分离语音的质量不佳。针对该问题,本文提出一种基于全卷积神经网络联合性别组合检测(Fully Convolutional Neural Network-Gender Combination Detection,FCN-GCD)多任务学习的时域语音分离方法。该方法首先在语音分离支路构建全卷积神经网络,该网络的输入为时域两人混合语音信号,输出为目标讲话者的纯净语音信号,运用卷积编码器和反卷积解码器对特征进行压缩和重建,实现端到端的语音分离。其次将混合语音性别组合检测任务整合到语音分离网络中,在两个任务联合约束下获取辅助信息特征和语音分离特征,并将这些深度特征相结合来提升语音分离质量。该FCN-GCD方法是一种时域语音分离方法,不需要进行相位恢复和频域到时域的重构,相比频域处理方法,该处理过程简单,从而提高了运算效率。另外,该方法从混合语音性别组合检测任务中提取有效的辅助信息特征,利用联合特征实现了更有效的语音分离。实验结果表明,与单任务的语音分离方法相比,本文所提出的FCN-GCD方法在男男、女女和男女三种性别组合下均有效提高了语音质量,在语音质量感知评估(Perceptual Evaluation of Speech Quality,PESQ)、短时客观可懂度(Short-Time Objective Intelligibility,STOI)、信号干扰比(Signalto-Interference Ratio,SIR)、信号失真比(Signal-to-Distortion Ratio,SDR)和信号伪像比(Signal-to-Artifact Ratio,SAR)评价指标上均获得更佳的表现。

一种基于全卷积神经网络的空中目标战术意图识别模型

针对现有空中目标识别方法敏捷性和可靠度不够高的问题,研究设计了一种深度学习模型MLSTM-FCN,结合了全卷积神经网络、循环神经网络和压缩与激励模块的优点。全卷积网络能够提取空战数据中的复杂局部特征,长短记忆神经网络可以捕捉空战意图数据的时序特征。通过消融实验和对比实验结果表明,MLSTM-FCN模型在意图识别准确率、反应速度和抗干扰能力方面明显优于现有的空中目标意图识别模型,取得了sota的结果,为指挥员在进行空中作战决策时提供更有效的依据。

基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。

基于深度全卷积神经弹性网络WCGAN-GP模型的语音增强研究

Wasserstein距离生成对抗网络(Wasserstein Generative Adversal Network,WGAN)模型^([1])在语音增强中运用广泛,但存在梯度易爆炸、性能不稳定等问题。引入梯度惩罚(Gradient Penalty,GP)和弹性网络条件约束,并将生成器和判别器优化成深度全卷积神经网络(Deep Fully Convolutional Neural Networks,DFCNN)结构,提出一种基于DFCNN的弹性网络条件梯度惩罚(Wasserstein Conditional Generative Adversal Network Gradient Penalty,WCGAN-GP)模型。改进后的模型可以达到真实Lipschitz限制条件,提高了可控性、稳定性和特征提取能力,能更快优化训练。实验将改进后的模型与WGAN对不同噪声条件下的语音进行增强,结果证实了改进后的模型在语音增强方面的优越性。

卷积神经网络方法在岛礁类海啸波水动力特性演变的应用

海啸是严重的海洋灾害,准确的海啸预测对于海洋工程和人民生命财产安全具有重要意义。本文以一维卷积神经网络(1-dimensional convolutional neural network,CONV1D)为基础,构建岛礁地形的类海啸波水动力特性演变模型。通过输入类海啸波波高时程曲线的观测值,得到岛礁指定地点的水位淹没时程曲线,实现时间序列到时间序列的预测,进行海洋灾害的实时预报,提前布置防御措施以达到减小损失的目的。结果显示,预测一组样本所需时间少于一秒,相对于传统的地震海啸预警系统,深度学习方法所需计算资源较少,计算速度更快。对类海啸波到达时间预测的平均相对误差为0.71%,最大水位高度预测的平均相对误差为6.99%, CONV1D得到的岛礁地形类海啸波水动力特性与数值结果吻合较好。

基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。

基于多列深度3D卷积神经网络的手势识别

传统2D卷积神经网络对于视频连续帧图像的特征提取容易丢失目标时间轴上的运动信息,导致识别准确度较低。为此,提出一种基于多列深度3D卷积神经网络(3D CNN)的手势识别方法。采用3D卷积核对连续帧图像进行卷积操作,提取目标的时间和空间特征捕捉运动信息。为避免因单组3D CNN特征提取不充分而导致的误分类,训练多组具有较强分类能力的3D CNN结构组成多列深度3D CNN,该结构通过对多组3D CNN的输出结果进行权衡,将权重最大的类别判定为最终的输出结果。实验结果表明,将多列深度3D CNN应用于CHGDs数据集上进行手势识别,识别率达到95.09%,与单组3D CNN及传统2D CNN相比分别提高近7%,20%,对连续图像目标识别具有较好的识别能力。

基于深度神经网络的火箭图像目标识别与跟踪

火箭图像目标识别与跟踪是图像目标识别的重要应用领域,是实现火箭测试发射、飞行控制的重要支撑,对火箭目标跟踪、姿态分析控制具有重要意义。上升段的火箭目标视频图像跟踪是火箭飞行测控的重要阶段,但目前对火箭上升段的视频图像跟踪主要依靠人工手动操作云台控制器,图像跟踪存在跟踪滞后、画面抖动等问题,跟踪效果受人为因素影响较大。结合全卷积理论和深度学习方法,提出一种基于全卷积深度神经网络的火箭图像目标识别与跟踪方法,采集火箭发射及上升段的图像作为样本,构建、训练全卷积网络模型,采用端到端的语义分割方法,在深度分类网络的基础上,实现火箭目标在像素级别上的语义判断,具有较好的识别率和鲁棒性。在火箭目标识别的基础上建立云台控制模型,通过对云台的智能控制获得火箭上升段的高质量图像,完成对火箭目标的跟踪。

全卷积多并联残差神经网络

随着人工智能的火热发展,深度学习已经在很多领域占有了一席之地.作为深度学习中一个典型网络--残差神经网络模型自提出之日起就成为了众多研究者的关注点.然而,残差神经网络还有很大的改进空间.为了更好地解决反向传播中梯度减小的问题,本文提出了一种改进的残差神经网络,称为全卷积多并联残差神经网络.在该网络中,每一层的特征信息不仅传输到下一层还输出到最后的平均池化层.为了测试该网络的性能,分别在三个数据集(MNIST,CIFAR-10和CIFAR-100)上对比图像分类的结果.实验结果表明,改进后的全卷积多并联残差神经网络与残差网络相比具有更高的分类准确率和更好的泛化能力.

序列卷积神经网络支持下线状地图目标的分段方法

依据形态特征差异实施分段处理是实现线状地图目标自适应综合的重要步骤。传统方法主要采用长度、角度、曲率等参量描述局部曲线段的几何形态变化,通过人工设置规则或常规机器学习方法建立模式判别模型。本文提出基于卷积神经网络的线状目标模式识别与分段方法。首先,以相邻坐标点构成的线元为基本单元,以线元端点横、纵坐标差为特征,将线状目标离散化为二维序列;然后,建立序列卷积神经网络进行线元特征序列学习与预测,实现线元层次的模式类型判别;最后,利用迭代融合方法将拓扑相邻且模式类型相同的线元合并,从而输出不同形态模式的分段结果。以1∶5万行政区界线和1∶25万山区道路数据开展试验,本文方法分段结果与人工分段结果的一致性比率分别达到91.25%和85.65%,相较传统方法有一定提升。同时,本文方法通过深度学习获取模式判别的深层次特征,能够有效避免人工选择特征带来的主观性影响,对不同尺度、不同类型的线状目标分段问题适应性更好。

一种基于U型全卷积神经网络的深度估计模型

本文解决了从单张图像估计深度信息的问题。单张图像与深度图之间的映射是是模棱两可的,它需要全局信息和局部信息。本文部署了一个全卷积U型神经网络,它用预训练的ResNet-50网络提取图像特征,然后用残差上采样模块将特征图恢复到深度图的尺寸大小,并且使用了跳跃链接,整个网络呈现U型,从而对全局信息和局部信息进行融合。整个网络可以进行端到端的训练。

基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究

随着高分辨率航空影像空间分辨率的提高,地物纹理信息变得更加丰富和复杂,使得从高分辨影像中提取建筑物信息面临巨大挑战。因此采用一种基于全卷积神经网络的高分辨率航空影像中建筑物提取方法,实现端到端的建筑物位置等信息提取。整个模型框架以SegNet模型为基础,在上采样阶段结合SegNet模型中的存储最大池化索引和U-Net模型中的跳跃连接,有效地将低层次和高层次的特征图融合,进行更好的建筑物边界定位。在原有框架的基础上,采用迁移学习思想利用构建的训练样本库对权重进行微调,使网络能够输出稳健的适用于建筑物区域识别的高层次视觉特征。实验采用国际摄影测量与遥感学会公开数据集验证采用方法的有效性和稳健性。实验结果表明,此方法能够有效地提取场景中的建筑物区域。而且,与其他方法相比,该方法在召回率上平均优于2.33%,在精确率上平均优于5.33%,在准确率上优于7.22%。

基于可拓展自注意力时空图卷积神经网络的用户轨迹识别模型

用户轨迹识别作为一项重要的时空数据挖掘任务,广泛应用于基于位置的个性化服务推荐、行程规划、犯罪行为检测和目标跟踪等领域,但依然面临预测精度不高的问题,主要原因是轨迹数据低采样且稀疏、轨迹类别数量巨大等.针对上述问题提出了基于可拓展自注意力时空图卷积神经网络的用户轨迹识别模型(Expandable Self-Attention Spatio-Temporal Graph Convolutional Neural Networks,ESAST-GCNN),该模型采用时空图卷积神经网络方式,深度挖掘时序特征与空间特征关系,并进行预测与拓展,结合自注意力机制获取用户轨迹特征向量内部相关性,最终根据该特征向量进行用户轨迹身份识别.在两个真实数据集上进行测试后发现,ESAST-GCNN相较于TULER-GRU(TUL via Embedding and RNN)在Geolife与Gowalla中准确率分别提高了13.95%、10.63%,实验结果表明ESAST-GCNN优于其他模型,识别效果更好,适用范围更广.

基于全卷积神经网络的医学图像语义分割研究进展综述

医学图像语义分割是计算机视觉和医疗领域的重要研究方向。基于全卷积神经网络的医学图像分割已经取得了显著进展,并在健康监测、疾病诊断和治疗方面得到广泛应用。文章总结了该领域的主要数据集和评价指标,回顾了现有的研究方法,尤其对于有突出贡献和技术引领的模型进行了详细介绍,并指出了现存的挑战和一系列有前景的研究方向。

从全连接网络到卷积神经网络的教学探讨

在深度学习课程的学习中,从全连接神经网络到卷积神经网络是一个大的跨越,初学者首次接触卷积、权值共享、特征提取、池化等很多陌生的概念往往没有头绪,也很难从前面的学习内容中顺畅过渡,需要设计一条前后衔接和呼应、贯穿始终的明确主线,使学习曲线变得平缓。以经典的MNIST手写字符识别案例为引导,以识别精度提升为目标,用设问的方式,逐步深入,理解解决问题的逻辑,同时也掌握核心概念,并提炼出一条从单个神经元的最简单全连接网络到卷积神经网络的学习路径。

深层2D反卷积神经网络的序列推荐算法

序列推荐是推荐算法体系中重要的内容之一.尽管传统的序列推荐算法已经取得了较好的效果,但是传统序列推荐算法容易受到用户行为序列的单向链式结构约束,一旦序列中出现突发性购买项目则会影响整体的推荐效果.本文基于深层2D反卷积神经网络通过成对编码放松了对序列单链的约束,跳过部分不合理项目,并通过反卷积神经网络扩充、提取序列信息.随后将多层神经网络相加,充分利用用户和项目的信息并加入丢弃层,避免出现过拟合现象.在训练过程中对损失函数进行了改进,增加权重系数,使训练时更容易找到神经网络损失函数的最小值,获得更好的推荐效果.在MovieLens和Gowalla数据集中的实验结果表明,本文所提出的算法可有效的提高神经网络对序列信息的处理能力,提高推荐的准确性.

基于全卷积神经网络的植物叶片分割算法

【目的】植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。【方法】本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。【结果】本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。【结论】与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。

全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算

左心室射血分数是临床上用于衡量心脏健康的一项重要指标.为提高左心室分割和射血分数计算的精度,提出一种基于改进的全卷积神经网络和全连接条件随机场的方法.首先利用预训练的全卷积神经网络模型对心脏核磁共振影像进行左心室分割并输出概率图;之后采用3D全连接条件随机场对概率图进行后处理,完成像素级的精准密度预测;最后对左心室分割结果进行3D重建,并计算左心室舒张末期容积和收缩末期容积,进而计算出射血分数.实验结果表明,该方法能够实现左心室射血分数的精确且高效的计算,对左心室射血分数的平均预测误差为4.67%,各步骤耗时短.

全卷积神经网络遥感影像道路提取方法

针对人工选取简单特征提取道路效果不理想以及深度神经网络隐藏层信息应用较少的现状,提出一种基于全卷积神经网络的遥感影像道路提取方法。采用初始区域获取、中心线提取、中心线校正的工作流程对资源三号影像进行道路提取。首先自动标注训练样本,完成全卷积神经网络训练,借助卷积层等隐藏层提取的复杂特征获取道路区域;然后依据道路长宽比、形态学运算和格拉斯-普克(Douglas-Peucker,DP)算法完成干扰图斑滤除和断裂区域连接等工作;最后使用Zhang-Suen算法提取中心线,并利用网络首层卷积结果进行中心线校正。实验结果表明,该方法能借助自主学习的特征和网络隐藏层信息实现道路较好提取,不同实验区域中平均准确度在90%以上。

基于改进全卷积神经网络的高分遥感影像不透水面提取制图

针对现阶段高分辨率遥感影像提取城市不透水面的方法普遍精度不高的现状,以国产高分二号(GF-2)遥感影像为数据源,基于局部注意力机制的密集连接全卷积神经网络模型,以天津市遥感影像为例,构建不透水面样本库及训练不透水面提取模型,用测试影像进行测试并采用多种精度评价方法与传统的不透水面提取算法相对比。结果表明,本文方法在遥感不透水面提取方面具有更好的完整性,其像元精度(PA)、均交并比(MIoU)、综合评价指标F 1和Kappa系数分别为0.8832、0.7364、0.8482和0.7533,均高于决策树分类算法、支持向量机法、随机森林算法。此外,本文方法具有较好的泛化性,在遥感影像不透水面提取上具有较强的应用价值。