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。

基于卷积神经网络的颜色修正水下图像增强方法

在水下环境中,由于光线的吸收和散射等环境问题,使得图像的颜色失真和对比度低,导致图像质量下降。为了提高图像的视觉效果,提出了一种基于卷积神经网络的水下图像增强算法。首先,利用新的水下成像模型校正水下图像的色偏问题;然后,利用卷积神经网络提取修正后的图像通道特征,通过多尺度注意力模块重新加权通道特征以增强不同特征图的一致性,并与颜色校正后的图像进行特征融合;最后,通过重建计算模块融合特征,改进图像增强效果。实验结果表明,该算法能够更好地校正图像颜色失真,提高图像对比度,最主要的优势在于该算法的运行速度比其他先进的水下图像增强方法快两倍。

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。

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。

基于卷积神经网络的胸环靶面畸变校正算法

实弹射击是部队的基础军事训练项目。现有报靶系统中基于计算机视觉的弹孔识别定位系统由于具有快速、精确、安全、人员成本低等优点而被广泛应用到该项目中。然而,计算机视觉系统处理的图像通常受镜头加工工艺以及相机轴向与被测对象所在平面不垂直的影响,导致被测对象的图像产生畸变,最终会给弹孔坐标位置的精准定位带来误差。为了提高基于计算机视觉的自动报靶系统的报靶精度,提出一种基于卷积神经网络的畸变校正算法,只需一张胸环靶面的模板图像即可模拟出大量训练数据集。训练完成后,输入一张畸变图片就可以得到该图片的畸变参数,并利用该参数完成对图像的畸变校正。与传统校正算法的对比结果表明,该算法校正效果较好,有利于提升基于计算机视觉的自动报靶系统的报靶精度。

基于多元线性拟合与卷积神经网络的测井曲线环境校正研究——以新和—三道桥地区古近纪—白垩纪地层为例

测井曲线质量是影响岩石物理建模和地震标定等工作的重要因素。多种地质和工程因素都可能导致井壁垮塌,进而造成密度等探测深度较浅的曲线失真。本文提出一种基于多元线性拟合与卷积神经网络相结合面向不同程度的井眼垮塌测井曲线的环境校正方法,即利用多元线性拟合方法,实现井眼垮塌较小井的环境校正并作为扩充样本,训练卷积神经网络以实现井眼垮塌较大井的环境校正。该方法能够针对测井曲线的失真程度和样本多少,充分考虑多元线性拟合与卷积神经网络方法的适应性与技术优势,校正到接近原状地层的测井曲线。本文方法应用于国内西部某油田深层碎屑岩地层,有效地改善了研究层段的岩石物理特征的规律性和提高了井震标定质量,有利于研究人员正确理解地震响应特征,为油气田测井岩石物理分析和地震储层预测提供技术支撑。

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明:模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。

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。

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。

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;利用卷积神经网络获得初步分割结果;将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。

动作分类卷积神经网络特征的时域属性校正方法

针对3D卷积神经网络捕获的动作特征中时域属性信息的稳健性不足,提出一种时域属性校正方法。通过独创的属性映射法抽象出网络特征数据的时域属性,对比各组特征的属性信息后,对信息差异过大的特征数据进行校正。校正后的模型将增强特征之间的时域一致性,使卷积神经网络模型的动作分类性能得到优化。使用3D的ResNeXt-101作为仿真验证的基础模型,显著提升了该模型在两个常用动作分类数据集上的测试准确率,在使用了预训练模型后也能够保持良好的优化效果。

基于深度卷积神经网络的乳腺细胞图像分类研究

针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法,设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先,对病理图像进行预处理,利用ZCA白化降低数据特征间的相关性,从而降低数据间的冗余。其次,在网络卷积层采用线性校正单元(Re LUs)作为网络的激活函数,加速计算网络输出。最后,在网络精调时,利用dropout方法随机断开池化层的网络节点,可以有效抑制算法的过拟合,提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类,精度达到94.65%。性能上超过了Softmax,PCA以及传统的卷积神经网络。

基于卷积神经网络的电话号码手写体识别系统开发

卷积神经网络是近年来的研究热点,其具有结构简单、训练参数少和适应性强等特性,且避免了传统识别算法中复杂的特征提取和数据重构过程。本文使用图像去噪、文本倾斜校正和水平投影分割法与垂直投影分割法相结合的方法分别进行图像去噪、文本倾斜校正和图像分割操作,构造多层卷积神经网络训练手写体数字识别模型,找到识别率最优的手写体数字识别模型,最终实现一个基于卷积神经网络的电话号码手写体识别系统,可实现手机号码(十一位数)和固定电话(七位数)的手写体识别。经过测试,本系统的识别率达到99%以上。

基于卷积神经网络的光谱预处理方法

光谱的预处理在光谱分析中占有非常重要的地位。针对现有光谱去噪算法对弱峰保存能力差、基线校正算法对光谱能量过扣除、光谱特征峰定位不准确以及各种预处理算法串行处理造成的误差累计等问题,设计了一个端到端的卷积神经网络。该网络由两个模块组成:基线校正和去噪模块和特征峰定位模块。这两个模块相互连接又独立输出。理想条件下,可以依据光谱的线型函数和特征峰的位置拟合出无噪声无基线的光谱,所以在基线校正和光谱去噪模块中连接特征峰定位模块的输出可以有效的提高去噪和基线校正的精度;而高质量的光谱有助于更加精确的估计光谱峰的位置,因此这两个模块相互连接可以有效提高重建光谱的质量。光谱基线校正和去噪模块是一个前馈网络,该模块由多个卷积层、激活函数和批归一化层构成,每一层均连接了特征峰定位模块的输出。特征峰定位模块是一个多尺度特征融合网络,该模块使用不同尺寸的卷积核将光谱分为不同的尺度,融合大小不同尺度的特征估计光谱特征峰的具体位置。在网络训练时,使用不同温度、湿度和不同预热时间的光谱仪获得光谱作为输入样本,使用中国计量院的标准仪器获得光谱数据作为输出样本。在实验中,首先对合成的光谱分别添加不同信噪比的噪声和不同峰值的高斯基线,分别评价该网络在噪声抑制、基线校正、光谱特征峰校正的能力;然后将添加噪声和基线后的玉米的近红外光谱作为样本,用最先进的算法对它们进行预处理,然后用偏最小二乘法估计玉米中的水和油的浓度。估计的浓度与用标准仪器测量的真实浓度进行比较,以证明所提出的CNN的优势。实验证明,所设计的网络在单任务和多任务处理中均能取得良好的结果。而且经过该网络处理的光谱在定量分析中可以得到更准确的结果,具有较强的实用价值。

基于卷积神经网络和自注意力机制的文本分类模型

单词级别的浅层卷积神经网络(CNN)模型在文本分类任务上取得了良好的表现.然而,浅层CNN模型由于无法捕捉长距离依赖关系,影响了模型在文本分类任务上的效果.简单地加深模型层数并不能提升模型的效果.本文提出一种新的单词级别的文本分类模型Word-CNN-Att,该模型使用CNN捕捉局部特征和位置信息,利用自注意力机制捕捉长距离依赖.在AGNews、DBPedia、Yelp Review Polarity、Yelp Review Full、Yahoo! Answers等5个公开的数据集上,Word-CNN-Att比单词级别的浅层CNN模型的准确率分别提高了0.9%、0.2%、0.5%、2.1%、2.0%.

基于卷积神经网络的渐进式指针表自动读数方法

为了提高指针表自动读数方法的准确度和便捷性,提出了一种基于卷积神经网络的渐进式指针表自动读数方法。首先利用Faster-RCNN(Faster-Region Convolutional Neural Networks)模型检测当前视野下指针表目标的包围框位置,得到目标图像,简化读数前设备安装与标定过程;然后利用SIFT(Scale-Invariant Feature Transform)、RANSAC(Random Sample Consensus)算法和透视变换得到无倾斜、无旋转的图像,克服指针表倾斜或旋转对自动读数的影响;再利用八邻域法检测指针表表盘,大津算法(Otsu算法)提取分割阈值,区域生长法提取指针;最后利用卷积神经网络识别指针表的大刻度示值得到指针表的粗读数,利用角度法得到指针表的细读数,完成高精度自动读数。实验结果表明,文中所提出的方法具有较好的准确性与抗干扰能力,读数最大误差低于0.7%。

基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了“智能-校正”算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令泛化误差累积的问题又设计了校正环节;最后经多组仿真证明了“智能-校正”算法兼顾了速度和精度,不仅成功实现了构型保持,而且将解算速度提升了约6倍,同时解决了泛化误差累积带来的影响。