基于FPGA的多通道面阵CCD拼接成像系统

针对现有的CCD系统技术无法同时满足大面阵与高帧频的问题,提出了一种基于FPGA的高速多通道CCD拼接系统。采用智能化的AD芯片,配置生成精确且接收反馈的CCD驱动信号。调用FPGA内置的IP核,利用乒乓操作的思想操控DDR2完成多通道图像的拼接,百万像素CCD以100帧的速度处理。对多通道影响图像非均匀性进行分析,将处理图像的得到的参数反馈给AD芯片,实时调整各通道的增益,在硬件驱动电路上完成自适应非均匀性校正。经验证,该系统极大地提高了大面阵CCD的显示帧频,多通道拼接后获得较高成像质量。

基于半监督目标检测的异常用能检测研究

研究有效学习含噪声标签数据集中异常用能行为特征的检测方法,对降低非技术性损失以保障电网经济与安全运行至关重要。针对异常用能检测问题,提出一种基于半监督目标检测的异常用能检测模型,该模型利用多通道特征拼接检测网络,提高了检测准确性,同时结合半监督学习方法,有效缓解了标签数据不足的问题,为异常用能检测提供了创新的技术路线。

肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后,提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合,从而在不损失深度信息的同时提取更多的浅层特征,实现更准确的分类效果。实验收集了90例病人的肾组织病理切片,对WSI图像进行裁切和增强后,按照4:1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化,并在测试集上验证模型性能。实验结果表明,提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.9758和0.9794,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型,因此,本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能,具有潜在的临床应用价值。

面向遥感图像的多阶段特征融合目标检测方法

遥感图像目标具有多尺度、大横纵比、多角度等特性,给传统的目标检测方法带来了新的挑战.针对现有方法应用于目标尺度小、横纵比例不均衡的遥感图像时存在的精度下降问题,提出一种基于多阶段特征融合的目标检测方法MF2M(Multi-stage Feature Fusion Method).该方法在一阶段对特征图通道进行组合拆分,再采用卷积拼接的融合方式聚合通道维度的特征,从而强化输出的目标空间轮廓信息;二阶段设计多比例的非对称卷积块,增强大横纵比目标的高维全局特征,改善目标与检测框匹配粗糙的问题,同时利用串并行相结合的处理方式减少冗余卷积参数,加速网络收敛.在DOTA(Dataset for Object deTection in Aerial images)数据集上的实验结果表明,基准方法引入MF2M后,在保证检测速度的前提下精度指标mAP提高至76.44%,结果验证了所提算法的有效性与可靠性.

基于双主干网络的雾天交通目标检测方法研究

车辆和行人安全监测是城市交通监测的一项重要任务。针对雾霾等复杂恶劣天气条件下,监测采集的图像视觉效果差、噪声高、目标检测困难等问题,提出了一种双主干网络(MobileNets VGG-DCBM Network,MVNet)用于雾天交通目标检测,结构受PCCN和CBNet网络结构的启发,由改进的深度可分离卷积神经网络MobileNets和基于VGGNet构建的VGG-DCBM网络组成;采用并行方式构建双主干目标检测网络结构,以改进的MobileNets为主主干网络,VGG-DCBM为辅助主干网络,共同提取特征信息,实现不同网络间特征层信息的融合;MVNet网络结构采用并行方式获取两个不同网络提取的不同特征层信息,通过采用通道拼接的方法实现不同网络特征信息之间的融合,以获得更丰富的细节特征;在RTTS和HazePerson数据集上,平均精度均值(mean Average Precision,mAP)分别达到71.50%和89.84%;实验结果表明:在雾霾等复杂恶劣天气条件下具有较强的鲁棒性且能够准确的检测到车辆和行人,在目标检测性能上优于对比方法。