基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

基于卷积神经网络的水下地形测量误差校正方法

水下地形测量精度对于水下地貌的判断及水下航行安全具有重要意义,测量误差会直接影响对水下地形的判断。因此,本文提出基于卷积神经网络的水下地形测量误差校正方法,对水下地形测量数据误差进行自动识别和校正,从而改善水下地形测量结果。该方法首先依据水下地形测量原理,统计水下地形测量的特征参数,形成特征向量;其次,将其作为基于改进卷积神经网络的输入,通过不断学习和训练,输出变换参数结果,生成新的水下地形测量图像;最后,引入多尺度注意力机制,细化测量图像空间,并对测量图像与标签图像之间的相似度进行计算,依据最大化图像相似度计算结果,校正水下地形测量图像生成过程中的参数。测试结果表明,该方法测量误差均在1.7%以下,能够有效校正测量结果中存在的畸变和误差,精准测量水下地形情况,测量结果与实际结果吻合程度较高。

基于Rife-Vincent自卷积窗插值校正的发电机准同期参量测量方法

对准同期参量进行精确快速测量是发电机准同期并列成功的关键。非同步采样时,基于谐波分析理论的准同期参量测量结果会产生较大误差,为此提出了基于Rife-Vincent自卷积窗插值校正的发电机准同期参量测量方法。分析了Rife-Vincent自卷积窗主瓣特性以及自卷积阶数对旁瓣性能的影响,同时给出了基于Rife-Vincent自卷积窗的插值频谱校正方法。通过仿真计算,得到了基波频率波动、谐波影响、噪声影响等不同情况下发电机准同期参量测量结果;同时对电压非稳态情况进行了仿真,分析了误差产生原因。仿真结果表明所提方法性能优越,能有效抑制频谱泄露效应。

自卷积检测方法及其在离散频谱校正中的应用

针对相关检测方法中自相关不能检测相位、互相关需要参考信号的问题,从相关和卷积的关系出发,提出一种自卷积检测方法。首先,扩展相关和卷积的关系;然后,分别推导周期信号的自卷积、两周期信号的卷积、周期信号与噪声的卷积、噪声的自卷积、加噪信号的自卷积表达式,从理论上证明自卷积检测方法能检测信号的频率、幅值和相位,同时可以抑制噪声。最后,作为自卷积检测方法的应用实例,结合能量重心法提出一种新的离散频谱校正方法。仿真结果表明,所提方法能提高离散频谱校正的抗噪性能,对研究相关与卷积的关系以及卷积应用有一定的参考价值。

基于卷积法TV模型的锥束CT散射校正方法

为了解决CT图像中散射伪影问题,提出并使用修正的泊松分布函数作为散射函数,然后利用卷积模型生成多个散射基图像,将基图像与原始重建图像的线性组合作为最终重建图像,最后,通过使重建图像的全变分函数最小求取线性组合系数最优解。该算法具有计算复杂度小、能够灵活应用于不同的成像对象的特点。实验结果表明,算法能够有效抑制散射导致的杯状和黑色带状伪影,提高图像对比度。

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。

一种用于重力测量信号畸变校正的盲反卷积算法(英文)

强阻尼和大时间常数是海洋重力仪的共同特性,它们在抑制垂直方向上干扰加速度的同时也造成了重力仪测量信号的幅值衰减和相位滞后。为了校正重力测量信号的畸变,获得高精度的重力异常信号,在分析重力仪和重力测量信号畸变原理的基础上,提出了一种单通道Bussgang算法,并应用于重力测量信号的畸变校正。该方法首先将盲反卷积滤波器近似简化为FIR模型,然后采用常数恒模算法对Bussgang均衡器权系数进行更新,并在此基础上对反卷积滤波器进行了估计,最后基于实测重力信号将该方法与Kalman逆滤波进行了试验对比。理论分析和试验结果表明,该重力信号畸变校正方法能有效地消除重力测量信号的畸变,且校正效果明显优于Kalman逆滤波,其校正后信号相对于原始信号的标准差为0.328×10-5 m/s2,而Kalman逆滤波校正标准差为1.838×10-5 m/s2。

自校正信息融合Wiener反卷积滤波器

对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。

基于卷积神经网络和校正网络相结合的遥感图像配准方法研究

使用仿射变换网络对遥感图像进行空间变换,批量生成训练图像,将特征提取和匹配放在卷积神经网络的端到端架构中,直接预测仿射变换参数;通过采用校正网络对卷积神经网络的结果进行改进,实现遥感图像更加精确的配准。通过与SIFT算法、SURF算法和其他深度学习方法相比,该方法对遥感图像配准的速度和精度均有显著提升。

基于立方卷积插值的信号DFT频谱校正算法

由于栅栏效应的存在,会使得基于信号DFT谱峰搜索的测频算法产生很大误差,因此在测频之前一般需对信号的DFT频谱进行校正。推导出用于单正弦信号DFT频谱校正的立方卷积插值核函数、插值函数及形状参数,并依据脉冲雷达信号是无数个正弦信号之和的事实,将其推广至脉冲雷达信号DFT频谱的幅度校正,给出其频谱检测算法。

基于深度卷积自编码网络的渣土车厢点云数据自校正方法

为解决智能化盾构施工中,施工隧道内所采集的渣土车原始点云数据存在畸变,从而影响渣土体积测量准确性的问题,基于点云数据处理与深度学习的方法,建立基于深度卷积自编码网络的渣土车厢自适应去畸变模型。首先,采用包围盒滤波和反距离加权插值对渣土车厢点云数据进行滤波与补全操作,接着使用真实渣土车厢尺寸构建网络的理想输出,并通过灰度化将点云数据转换为伪特征图,构建网络的数据集;然后,以传统卷积自编码网络为基础构建渣土车厢自校正网络,网络设计融合堆叠式卷积层和栈式自编码的处理方法,增加网络层数以获得更优的特征表达;最后,使用盾构掘进现场数据进行试验。结果表明:本文提出的渣土车厢点云数据自校正方法在保证时间效率的前提下,渣土车厢数据的峰值信噪比(PSNR)达到29.73,结构相似性(SSIM)达到0.86,均优于传统自编码网络与几何约束矫正的方法。证明了本文方法的正确性与有效性,能够提高隧道内所获取渣土车厢点云数据的可用性,同时为点云数据去畸变技术在三维重构和工程领域的应用提供了理论依据。

基于卷积神经网络的企业会计财务核算数据误差校正方法研究

面对企业会计财务核算过程中存在的数据误差问题,传统误差校正方法在网络噪声环境下,容易出现数据丢失情况,影响财务核算数据的误差校正效果,校正后的数据可靠性需要进一步提高.针对此问题,提出基于卷积神经网络的企业会计财务核算数据误差校正方法.首先,分解原始财务核算数据集合,确定财务核算数据是否存在误差;其次,以卷积神经网络为基础,设计财务核算数据分类模型,将含有误差的数据作为该模型的输入,利用模型内部卷积层和池化层,确定核算数据之间的关系;最后,在此基础上,预测核算数据下一状态变化,引入外控制量并求解,根据控制量的变化校正数据误差.实验结果表明:在网络噪声环境下,基于卷积神经网络的误差校正方法数据补偿效果好,数据方差小,数据辍出率在5%以下.

基于改进卷积神经网络的图像畸变快速校正算法

针对传统图像畸变校正方法存在的网络损失函数较高、观测拟合度较低、畸变图像像素点定位准确度较低等问题,提出了基于改进卷积神经网络的图像畸变快速校正算法。首先,转化图像像素点坐标系与笛卡尔坐标系,根据图像中心点计算畸变图像像素点坐标值;其次,利用改进卷积神经网络校正畸变图像像素点,即通过网络权值修正量获取神经元连接权与修正结果之间的关系式,得到像素点偏移坐标以及偏移距离;最后,通过激活函数中偏置的求和信息,分析改进卷积神经网络中的线性函数与非线性函数的关系式,利用不同函数指令实现图像畸变快速校正。实验结果表明,该方法的网络损失值约为0.0092,观测拟合度为0.96,畸变图像像素点定位准确度平均值为97.7%,校正效果较好。

卷积神经网络的被动测向通道相位校正方法

为提高被动测向的准确度,学者们提出多种相位补偿方法,并将其应用于各种接收机中,提出一种更实用的通道失配模型和一种基于卷积神经网络的被动测向通道相位校正方法(PDFCPC-CNN)。它可充分利用先验信息,实现射频信号通道的全相位和频率校正。为提高实际应用,使用通用软件无线电外设(USRP)接收的实验数据进行进一步验证。仿真结果表明,该方法可很好地应用于实践中。

基于时间卷积网络残差校正的短期风电功率预测

为提高短期风电功率预测的准确性,提出一种基于时间卷积网络残差校正模型的短期风电功率预测方法。首先,采取自适应噪声完备集合经验模态分解算法分离出风电功率的局部特征信息,以网格搜索与交叉验证算法优化的支持向量回归模型对各分量进行预测。然后,构建时间卷积网络残差预测模型,并使用灰色关联度分析方法选择输入特征,对支持向量回归预测结果进行校正。最后,基于提出的模型对某风电场实际运行功率进行预测并与其他方法的预测精度进行比较,结果表明,该文所提方法提高了短期风电功率预测的精度。

融合Gamma校正与多任务卷积神经网络的人脸识别

针对当前基于深度学习的人脸识别算法对一些模糊或较暗图像识别人脸准确率不高的问题,结合Gamma校正算法优点,提出了融合Gamma校正的多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)人脸识别算法(gamma multi-task convolutional neural network,GMTCNN)。首先,利用Gamma校正增加图像像素低的对比度,同时减少图像像素高的部分的对比度;其次,利用MTCNN算法对处理后的图像人脸识别。实验结果表明,GMTCNN算法对有遮挡物的人脸识别率更高,并且能够准确识别一张图的多张人脸。

流场测速中基于深度卷积神经网络的光学畸变校正技术

基于光学成像的流场测量技术,如粒子图像测速技术(PIV),易受到因流体中折射率的不均匀性或晃动的介质边界引起的光学畸变而带来的影响。这些畸变会使得示踪粒子在图像上的位置分布产生误差且严重影响图像清晰度,从而增大流场速度测量的误差。为了提高光学流场速度测量的测量精度,自适应光学系统可以应用于其中去校正光学畸变。基于图像流场测量中的光学像差具有频率高,动态范围大,空间分辨率高等特点,对于这一应用场景,基于波前校正器件的自适应光学系统受到了器件本身性能的影响。基于深度学习的自适应光学技术在流场测量中的应用,建立了一种基于深度神经网络的无波前校正器件自适应光学校正技术,以深度神经网络代替传统的波前校正器件,用于粒子图像测速技术中的光学畸变校正。为了生成神经网络所需要的训练和测试数据集,搭建了可以实现波前测量的粒子图像测速实验平台,分析并建立了光学畸变在粒子图像上的图像退化模型。最后,以校正后PIV图像的校正效果和流场速度测量结果作为评价标准,对所建立神经网络的畸变校正性能进行了分析。

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像,目前已经有很多有效的色彩校正算法,但是这些算法需要人工经验或对场景的先验知识,无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题,提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN(dense convolutional networks)。该模型可以预测遥感图像的RGB通道的颜色校正系数K,从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层,用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到,损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证,校正后的图像与原图像仅有很小的色偏角,且与真实地物颜色吻合。与传统方法相比,该方法在训练后,可直接使用生成的模型对训练集中未出现的图像进行颜色校正,无需对场景的先验知识和人工经验,也无需参考图像,可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN(convolutional neural networks)相比,基于DCN的模型拥有更少的参数和更好的泛化能力,而且不受输入图像大小的限制,在测试集上有更好的结果。

两传感器自校正信息融合白噪声Wiener反卷积滤波器

应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型,对于带未知模型参数和噪声方差的两传感器反卷积系统,提出了自校正信息融合白噪声Wiener反卷积滤波器。它具有渐近最优性。一个Bernoulli-Gaussian白噪声反卷积的仿真例子说明了其有效性。

基于图像分割和盲反卷积的透射电镜图像漂移校正方法

样品漂移是影响透射电子显微镜分辨率的重要因素之一。近年来有一系列关于透射电镜图像漂移校正的算法,如Unblur、MotionCor和MotionCor2等,在冷冻电镜三维重构方面应用效果显著,但无法应用于材料表征电镜通常配备的CCD相机的图像漂移校正。本文提出了一种基于图像分割和盲反卷积的透射电镜图像漂移校正方法,在Goldstein和Fattal提出的利用功率谱的统计不规则性估计卷积核算法的基础上,利用图像分割解决了电镜图像样品部分和背景部分的运动方式不一致问题,能够应用于CCD相机的图像漂移校正。实验结果表明,本文的方法能够有效提高电镜图像的分辨率。