基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。

一种基于级联神经网络的飞机检测方法

由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

人工智能递进式实验案例设计

针对长期以来人工智能课程教学存在的问题,提出借助机器学习的相关理论和方法设计适用于大学生学习人工智能课程的递进式实验案例,将验证码识别作为案例任务,分别从数据集构建、图像卷积、模型设计、算法实现及结果分析几个方面详细描述案例设计过程,旨在培养大学生利用人工智能技术解决实际问题的思维和能力,同时为相关教学机构组织人工智能实践教学提供借鉴。

基于递进式特征增强聚合的伪装目标检测

伪装目标检测(COD)旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时,忽略了特征的表达和融合方式对检测性能的影响。为此,提出一种基于递进式特征增强聚合的COD算法。首先,通过主干网络提取多级特征;然后,为了提高特征的表达能力,使用由特征增强模块(FEM)构成的增强网络对多层次特征进行增强;最后,在聚合网络中设计邻近聚合模块(AAM)实现相邻特征之间的信息融合,以突显伪装目标区域的特征,并提出新的递进式聚合策略(PAS)通过渐进的方式聚合邻近特征,从而在实现多层特征有效融合的同时抑制噪声。在3个公开数据集上的实验表明,所提算法相较于12种最先进的算法在4个客观评价指标上均取得最优表现,尤其是在COD10K数据集上所提算法的加权的F测评法和平均绝对误差(MAE)分别达到了0.809和0.037。由此可见,所提算法在COD任务上拥有较优的性能。

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。