基于高分辨率卷积神经网络的皮肤常见肿瘤智能诊断模型构建

目的探究高分辨率卷积神经网络(HRNetW32)模型在皮肤常见肿瘤临床诊断中的应用。方法基于高分辨率特征提取皮肤常见肿瘤智能诊断模型,利用HRNetW32模型,实现统一输入皮肤常见肿瘤皮肤镜图像,自动预测皮肤常见肿瘤类型的诊断结果;同时将构建的模型与VGG16、VGG19、ResNet34等常见卷积神经网络模型进行对比分析。结果HRNetW32模型在训练集和验证集准确率分别为99.72%和95.00%,损失函数值分别为0.15和0.21,表明所构建的模型能准确高效地提取皮肤常见肿瘤皮肤镜图像的高维特征。同时HRNetW32模型表现出了优于VGG16、VGG19、ResNet34模型的精确率、召回率、Micro F1分数、灵敏度、特异度、真正率和假正率。结论HRNetW32模型可用于常见皮肤肿瘤筛检,且诊断准确率较高,具有较高临床诊断价值。

基于高分辨率卷积神经网络的场景文本检测模型

卷积神经网络中常用的降采样在增大感受野的同时,减小了特征图的空间分辨率,导致大尺度文本在网络高层特征图中边界模糊,小尺度文本直接丢失。针对这种情况,设计一个主干网络,使其高层特征图具有较高的空间分辨率,用以提高模型对大尺度文本的定位能力和小尺度文本的分类能力,减少对背景误检的情况,从而提高检测的召回率和准确率。实验结果表明,采用该主干网络可以有效提升模型对多尺度文本的检测能力,F值在ICDAR2015数据集上达到81.89%。

高分辨率遥感影像建筑物提取卷积神经网络

针对复杂影像场景下卷积神经网络对建筑物提取效果较差的问题,本文对轻量型卷积神经网络LinkNet进行了优化调整,使用融合坐标注意力机制的深层残差网络CA-ResNet-50作为LinkNet的编码器,显著增强了网络模型的特征提取性能,提升了其在复杂场景下建筑物提取能力;同时,利用卷积分解方法对LinkNet初始块进行优化,获得了更快的网络训练速度,最终得到性能优异的建筑物提取网络CA-LinkNet。试验结果表明,在武汉大学航空建筑物数据集上CA-LinkNet与最初的LinkNet相比精度指标IoU、Kappa和F1分别提升了2.01%、1.26%和1.11%。此外,在选取的数据集上CA-LinkNet各项精度指标均优于经典分割网络,在复杂影像场景下也能有效提取建筑物,表现出较强的抗干扰能力。

基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于收缩卷积神经网络的高分辨率影像分类方法

针对高分辨率遥感影像上存在同类地物差异性大、类间差异性小等问题,提出一种端到端收缩卷积神经网络的高分辨率遥感影像分类方法。首先,将卷积神经网络的最大池化层设置在卷积层之后,确保提取深度特征具有空间不变特征;然后,针对SoftMax分类器缺少对测试数据可分性显示建模,依据SoftMax分类器原理提出聚类损失函数与分类器损失函数融合获取影像分类目标函数,确保训练数据与类别中心接近,且不同类中心彼此分离;最后,采用实验数据验证本文方法的可行性。结果表明,本文方法能够提高影像特征的可分性,有效解决高分辨率遥感影像相似场景的错分问题。

融合深度卷积神经网络和Swin Transformer的露天矿遥感图像超分辨率重建

针对现有露天矿遥感图像超分辨率重建模型提取特征能力弱、特征利用不充分的问题,提出了一种融合深度卷积神经网络和Swin Transformer网络的露天矿遥感图像超分辨率重建方法。首先,利用卷积神经网络和Swin Transformer网络将露天矿遥感图像映射到全局和局部特征空间,充分提取遥感图像的深层特征;然后,构造了一种基于注意力机制的多尺度特征融合网络,实现遥感图像局部和全局特征的深度融合,强化有效特征表达的区分能力;最后,将深度融合特征作为超分辨率解码模块的输入,重建出高分辨率的露天矿遥感图像。通过在自建露天矿区图像数据集和开源数据集上进行测试,试验结果表明:与当前主流的图像超分辨率重建算法相比,所提方法重构出的超分辨率图像具有较好的视觉感知,在均方根误差方面也低于其他对比方法。

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,“同物异谱”和“异物同谱”现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。

基于卷积神经网络的高分辨率遥感影像建筑物场景识别

遥感影像建筑物信息提取对于自然资源监测、土地利用现状调查、生态修复等具有重要的现实意义。但在实际应用中,建筑物提取面临"小目标""有遮挡"的问题,导致识别效果不理想。本文基于高分辨率遥感影像,提出运用多示例卷积神经网络的方法对建筑物场景进行识别。试验表明,多示例卷积神经网络相较于经典的卷积神经网络对建筑物场景有更好的识别效果,尤其是"小目标""有遮挡"的建筑物场景,识别效果有显著的提升。

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络(FCN)的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络(CNN)分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。

基于一维卷积神经网络的高分辨率Radon变换反演方法研究

高分辨率Radon变换是地震资料处理常用的方法之一,其反演通常涉及矩阵求逆、多次迭代等环节,这些因素导致Radon变换反演计算量大,收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上,提出基于一维卷积神经网络(Convolutional Neural Network,CNN)的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射,分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演,避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明,本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波,且计算效率高.

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%。

基于卷积神经网络和Transformer的高效图像超分辨率重建

深度学习推动了图像超分辨率重建技术的显著进步,但复杂的操作导致计算和内存成本高昂,限制了其实际应用。为此,提出了一种新颖的算法,融合了Transformer和卷积神经网络,同时采用膨胀卷积和深度可分离卷积技术。在五个基准数据集上的实验证明,所提EHN模型能够高效提取超分辨率特征,在更少参数和推理时间下实现与现有方法相当甚至更好的超分辨率效果。特别地,在×2、×3和×4放大倍数下,EHN的推理时间仅为现有网络的18.4%、18.9%和20.3%,这一优势对于处理大量图像的场景至关重要,能够显著减少计算时间和资源消耗,提升整体效率。

基于卷积神经网络的超分辨率格子Boltzmann方法研究

对于隧道突涌水、飞行器和汽车外形设计等与流动相关的问题,通常使用计算流体力学(CFD)来预测流场特征和分析结构性能,为设计的快速迭代提供技术支撑.然而,高精度CFD仿真需要大量的计算资源.近年来,基于机器学习的超分辨率流场重构方法在流体力学领域取得了重大进展.本文首次基于格子Boltzmann方法(LBM),结合卷积神经网络,建立新的超分辨率流场重构模型(SRLBM),将介观分布函数从低分辨率重建至高分辨率,进而还原宏观速度场与涡量场.首先,使用LBM模拟了不同雷诺数下的二维圆柱绕流,从多方面与文献进行对比,验证了LBM的准确性.然后,将二维圆柱绕流数据作为SRLBM的训练集,并对比不同缩放系数下SRLBM的重建效果.结果表明,SRLBM在不同缩放系数下均能准确恢复高分辨率分布函数.在8倍缩放系数下,相比双三次插值重建方法,SRLBM重建的分布函数误差降低了近60%,宏观场误差降低了近70%.即使在32倍缩放系数下,SRLBM还原的宏观场与直接数值模拟结果基本保持一致.固体体积分数作为额外输入通道可有效提高SRLBM的预测能力,在32倍缩放系数下,可使圆柱区域相对误差降低近40%.SRLBM具有一定的泛化能力,当缩放系数为8时,在一定雷诺数范围内重建的高分辨率流场误差小于3%.因此,SRLBM在经过充分训练后,具备成为高精度复杂流场快速重构方法的潜力.

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络(CNN)方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机(SP-SVM)的方法和基于纹理及光谱的支持向量机(TSP-SVM)的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP—SVM方法5.61%和5%,高于TSP—SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP—SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。

基于卷积神经网络的立体匹配算法研究

在基于深度学习的立体匹配问题中,模型的网络结构、参数设置对匹配精度和匹配效率起到决定性作用。针对现有模型参数量大,精度低的问题,设计一种基于卷积神经网络的视差回归模型。首先,提出了基于扩张卷积和空间池化金字塔的多尺度特征提取网络,提高弱纹理区域的匹配精度;其次,改进了代价体相似度计算步骤,在保证匹配精度的同时,降低模型的参数量;最后,通过采取视差梯度信息和视差回归损失函数相结合的策略,有效地解决了在视差不连续区域中存在的边界信息保留不完整的问题。使用Middlebury数据集对模型进行验证,实验结果表明,相较于现有的立体匹配算法,在精度和速度方面都有所提升。

高压电缆终端铅封缺陷超声图像卷积神经网络识别

高压电缆终端铅封因安装工艺不当以及在外力作用下会出现孔洞、脱粘或裂缝等缺陷,严重影响输电线路稳定运行。为解决传统超声检测铅封缺陷是因通过人工观察超声图像而存在的效率和准确率偏低的问题,该文提出了一种基于卷积神经网络的高压电缆终端铅封缺陷超声图像识别方法,可以自动从铅封缺陷超声图像中学习特征并完成缺陷分类识别。建立了4种典型铅封缺陷超声图像样本库,搭建了铅封缺陷超声图像识别模型,采用经过规范化处理的超声图像数据对模型进行训练和测试。结果表明:通过调整卷积神经网络试验参数,能够快速准确地识别出铅封不同类型缺陷,准确率可以达到100%,表明该方法具有良好的鲁棒性,抗干扰能力强,对铅封缺陷具有良好的检测性能,在实际的终端铅封缺陷检测中具有很好的应用前景。

基于卷积神经网络和多标签分类的复杂结构损伤诊断

为研究复杂空间框架节点损伤识别问题,利用多标签分类的优势,构建了多标签单输出和多标签多输出两种卷积神经网络模型,用于框架结构节点损伤位置的判断和损伤程度诊断。针对复杂结构损伤位置判断时工况多、识别准确率不高等问题,提出了一种能对结构进行分层(或分区)处理并同时完成损伤诊断的多标签多输出卷积神经网络模型。分别构建了适用于多标签分类的浅层、深层和深层残差多输出卷积神经网络模型,并对其泛化性能进行了研究。结果表明:提出的模型具有较高的损伤诊断准确率和一定的抗噪能力,特别是经过分层(分区)处理后的多标签多输出网络模型更具高效性,有更快的收敛速度和更高的诊断准确率;利用多标签多输出残差卷积神经网络模型可以从训练工况中提取到足够多的损伤信息,在面对未经过学习的工况时也能较准确判断各节点的损伤等级。

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像(HRRP)优良特征比较困难的问题,研究了基于一维卷积神经网络(CNN)的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。