基于卷积神经网络和不完整步态周期的步态识别方法

基于完整步态周期的步态能量图(GEI)已经成为一种常用的反映不同个体步态特征的方法,但在有些场景下,由于环境的重叠现象,难以得到由完整步态周期组成的GEI。使用几帧不完整的步态数据,只能获得较低的步态识别率。因此,提出了一种基于全卷积神经网络(FCN)的方法来重构GEI。该网络使用由较少帧组成的GEI作为输入,得到对应于由更多帧组成的GEI。通过逐步重构,该网络可将不完整GEI转化为完整GEI。实验结果显示,在重构和步态识别上,该方法还原出的完整GEI接近于目标GEI,特别是在还原由较多帧组成的GEI时,效果更好。

基于全卷积神经网络的手术器械图像语义分割算法

为了实现对处于相近颜色盒中的手术器械准确进行像素级分割,提出基于全卷积神经网络(FCN)的手术器械图像语义分割模型。该模型使用VGG19作为基础模型,添加3层反卷积层,使用Adam优化器优化网络,实现手术器械和手术盒的像素级分割。实验结果表明:该模型能有效实现图像分割,降低特征值数量,减少网络运行时长。

基于U1-net网络的放疗脑肿瘤靶区分割

文章基于全卷积神经网络(fully convolutional network,FCN)的U-net网络,并通过对U-net网络的调整,构建适用于脑肿瘤图像分割的U1-net网络。U1-net网络由卷积层、最大池化层、反卷积层和激活函数4个部分组成。通过在公共数据集BRATS 2015上的实验验证了该网络的有效性。实验结果表明,该网络能适应脑肿瘤轮廓取得较好的分割效果,在脑肿瘤的完整肿瘤区、核心肿瘤区、增强肿瘤区的Dice相似系数(Dice similarity coefficient,DSC)分别为0.95、0.85、0.83。

基于VGG网络不同模型的建筑物自动提取

本文基于VGG16网络,搭建FCN、U-net、SegNet三种网络模型,对同一数据集进行训练,通过多次实验,对比分析三种模型优劣。实验结果得出:三种模型在建筑物特征定位方面相差无几,但在细节方面,U-net模型所呈现的结果最优,明显优于另外两种模型。

FCN用于母猪性能测定的探索

种猪性能测定对于猪的育种工作至关重要。目前常用B超测定猪活体的背膘厚和眼肌面积,但是也存在一些问题。全卷积神经网络(FCN)在计算机视觉方面应用广泛。基于FCN模型和猪B超图片,开展背膘厚和眼肌面积的图像识别很有价值,但是也存在一定的挑战。对FCN应用于种猪性能测定的前景和技术进行分析。

基于级联网络和残差特征的人脸特征点定位

为进一步提高人脸特征点定位精度,探究当前广泛用于人脸关键点定位的全卷积神经网络(FCN)架构的原理和缺陷,讨论FCN核函数在特征点定位中引入的副作用,即训练和测试时评判准则不一致的问题.理论分析该问题存在的可能性和普遍性,设计实验验证在实际场景下此问题存在的广泛性.提出结合残差特征的沙漏网络结构并将其应用于人脸特征点检测;提出多级沙漏网络的级联结构,并将其与经典的栈式沙漏网络进行对比分析.实验结果表明:二级级联结构获得了与四级栈式结构相当的特征点定位精度,大幅降低了模型参数量和时间复杂度.所提方法在300-W数据库的困难子集上的平均归一化误差为6.84%,优于已有最好方法.

基于FCN和面向对象的高分辨率遥感影像土地覆盖分类

针对基于全卷积神经网络(FCN)进行遥感影像语义分割时,FCN的上、下采样机制会导致分割结果中地物边缘细节信息丢失的问题,提出一种基于面向对象分割结果优化FCN分类的高分遥感影像土地覆盖分类方法。基于FCN网络对高分遥感影像进行初始分类,并利用面向对象的分割结果优化基于FCN的初始分类结果。该方法不仅可以有效保留地物边缘细节信息,还可以有效消除FCN初始提取结果中存在的椒盐现象,优化分类结果的视觉效果,并提高分类精度。

基于FCN-AC-ASPP的手写体去除方法

针对印刷体和手写体分类准确率不够高的问题,本文首先提出了一种印刷体与手写体像素级样本制作方法,并制作了印刷体和手写体数据集。其次提出了一种基于带空洞卷积和空洞空间金字塔池化的全卷积神经网络(FCN-AC-ASPP)模型。经过对FCNAC-ASPP模型的训练和检测,该模型的分类准确率平均交并比(IoU)达到96.10%,优于全卷积神经网络(FCN)、DeeplabV3+、带空洞卷积的全卷积神经网络(FCN-AC)模型。最后对于同时含有印刷体和手写体的新图片,用训练好的FCN-AC-ASPP模型对印刷体和手写体分类,从而把手写体去除。

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。

结合上下文编码与特征融合的SAR图像分割

目的 图像分割的中心任务是寻找更强大的特征表示,而合成孔径雷达(synthetic aperture radar, SAR)图像中斑点噪声阻碍特征提取。为加强对SAR图像特征的提取以及对特征充分利用,提出一种改进的全卷积分割网络。方法 该网络遵循编码器—解码器结构,主要包括上下文编码模块和特征融合模块两部分。上下文编码模块(contextual encoder module, CEM)通过捕获局部上下文和通道上下文信息增强对图像的特征提取;特征融合模块(feature fusion module, FFM)提取高层特征中的全局上下文信息,将其嵌入低层特征,然后将增强的低层特征并入解码网络,提升特征图分辨率恢复的准确性。结果 在两幅真实SAR图像上,采用5种基于全卷积神经网络的分割算法作为对比,并对CEM与CEM-FFM分别进行实验。结果显示,该网络分割结果的总体精度(overall accuracy, OA)、平均精度(average accuracy, AA)与Kappa系数比5种先进算法均有显著提升。其中,网络在OA上表现最好,CEM在两幅SAR图像上OA分别为91.082%和90.903%,较对比算法中性能最优者分别提高了0.948%和0.941%,证实了CEM的有效性。而CEM-FFM在CEM基础上又将结果分别提高了2.149%和2.390%,验证了FFM的有效性。结论 本文提出的分割网络较其他方法对图像具有更强大的特征提取能力,且能更好地将低层特征中的空间信息与高层特征中的语义信息融合为一体,使得网络对特征的表征能力更强、图像分割结果更准确。