基于改进VGG19卷积神经网络的肺炎图像分类(特邀)

将VGG19卷积神经网络与机器学习算法结合,构建了基于SVM(linear)和XGBoost的两种VGG19改进模型,并且分别利用VGG19模型和两种改进的VGG19模型对细菌性肺炎和病毒性肺炎图像进行分类。对三种网络模型的性能进行评估和比较,结果显示三种模型的平均准确率均在85.9%以上。改进的VGG19模型在准确率的稳定性方面优于传统VGG19模型,基于XGBoost的VGG19模型的综合性能最好,验证了深度学习模型结合机器学习模型的有效性。

基于优化VGG19卷积神经网络的异常检测模型研究

互联网服务已经成为人们生活中必不可少的一部分,但由于网络攻击方式的不断增多,使得网络安全问题日益严重.异常检测是对Web攻击进行检测的方式,基于优化VGG19神经网络建立了一种新的异常检测模型,并在ISCX2012数据集上进行训练,取得了较好的检测效果.

基于深度学习的大米加工新鲜度分类方法

为提高大米加工新鲜度分类的精度和速度,提出一种基于深度学习的分类方法。方法以VGG19网络为基础分类网络,通过在该网络基础上引入SE注意力机制加强对重要通道特征的关注,并采用PReLU函数替换ReLU函数作激活函数,同时将网络的最后一层池化层替换为全局混合池化,并删除前两层全连接层,对VGG19网络进行了改进。最后,以大米新鲜度为研究对象,采用改进VGG19网络进行新鲜度分类,实现了大米新鲜度分类。仿真结果表明,改进VGG19网络实现了精确、快速地大米新鲜度分类,平均准确率、精确率、召回率和F 1值分别达到97.81%、97.63%、97.89%、97.56%,且具有较快的检测速度,测试时间为275 s,提高了大米加工新鲜度分类的精度和速度。

基于卷积神经网络的天然地震和非天然地震识别

为实现天然地震和非天然地震分类识别,利用云南省及周边地区范围内测震台站所记录的302次天然地震和308次非天然地震事件(爆破、塌陷、强夯土等)为神经网络模型测试集、训练集数据,设计了VGG19卷积神经网络模型对天然地震和非天然地震进行分类识别。结果表明:VGG19对训练集与测试集数据的识别准确率达92%以上;天然地震的识别准确率为96%以上,非天然地震的识别准确率约为98%。通过实验说明,VGG19神经网络模型对天然地震和非天然地震识别具有实用意义。

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。

基于空间聚合加权卷积神经网络的力触觉足迹识别

为了提高力触觉足迹识别的准确率,提出一种基于空间聚合加权注意力机制的足迹识别算法.首先,采用压力足迹采集器采集并构建一个包含100人2000幅力触觉足迹图像的数据集;然后,采用VGG19卷积神经网络预训练模型提取特征,为获取特征图中足迹压力分布感兴趣区域,设计一种空间聚合加权模块(SAWM),该模块专注高响应区域从而提取足迹中显著区域局部特征,并与输入特征图加权融合,保留显著性特征,抑制不重要特征;最后输出的特征经过平均池化在全连接层实现力触觉足迹的识别.试验结果表明,所提算法准确率达到了91.20%,优于其他注意力机制算法以及传统的足迹识别算法.采用空间聚合加权注意力机制网络模型能够有效进行足迹识别,为身份识别提供技术支撑.

基于多角度约束与谱归一化的图像修复算法

针对图像修复任务过于困难的问题,采用基于生成对抗网络的双判别器模型,通过增设局部判别器追踪图像局部缺失区域信息,有效提升了修复准确性。但模型在产生合理语义性信息方面并不乐观。为此,提出Multi-Angle GAN模型。在双判别器模型基础上增设分类器和Vgg19特征提取网络,分别向生成网络提供类别、风格和内容损失约束。针对GANs判别器设计存在的训练不稳定问题,向判别器设计中引入谱归一化和Wasserstein距离。在CelebA、Places2数据集上进行大量实验,结果表明,Multi-Angle GAN较之前方法在PSNR和SSIM上分别提升0.6~0.8 dB和0.02~0.05。

基于多损失约束与注意力块的图像修复方法

为解决基于深度卷积生成对抗网络的语义图像修复模型存在的重建结果内容、风格、细节特征还原不准确问题以及模型训练不稳定问题,提出一种结合残差块和注意力块的Multi-Loss GAN模型.同时,在图像生成阶段,向模型引入谱归一化和Wasserstein距离以稳定模型训练;在图像修复阶段,向模型增设差异网络和Vgg19特征提取网络分别提供差异、内容、风格损失协助模型寻找最优编码以提升最终的修复效果.最后在CelebA数据集上进行大量仿真实验.结果显示,Multi-Loss GAN较于DCGAN方法和GLCIC方法在PSNR和SSIM上分别提升0.6~2.0 db,0.01~0.05.

一种基于多神经网络的烟支缺陷分类与定位方法

为提高烟支生产过程中烟支缺陷检测效率及判断烟支缺陷产生的原因,提出基于多神经网络的烟支缺陷分类与定位方法。该方法首先对烟支数据集进行图像预处理,再采用改进VGG19网络对烟支是否存在缺陷进行预测,利用YOLOV3网络对缺陷烟支进行定位和类别判定,最后根据统计结果推断产生缺陷的原因,查找易产生缺陷的工艺步骤。研究表明,该方法检测精度高,缺陷定位和类别分类准确。

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。

一种使用边缘增强技术提高相似图片检索召回率的方法

针对大规模图像分类处理中图像旋转或背景变换导致的配准度较低问题,提出一种基于边缘增强的卷积神经网络图像分类方法。该方法通过VGG19网络模型提取图像特征,并使用余弦相似度进行图像分类判定,利用边缘增强突出图像主体的边缘特征,降低图像旋转或背景变换对VGG19网络分类性能带来的影响。实验证明,该方法可以有效地提高同一主体旋转图像和背景变换图像与原始图像的相似度,适用于各类图像的分类。

基于卷积神经网络的多模态视频场景分割优化算法

针对基于内容的视频检索中场景分割效率有待提高的问题,提出了一种基于卷积神经网络提取特征的多模态视频场景分割优化算法。首先利用改进的VGG19网络从视频镜头中提取多种模态的底层特征和语义特征,再将这些特征组成向量,然后通过三重损失学习与镜头相似度计算等方法,使场景分割问题转换为对镜头边界的二分类问题,最后建立评分机制优化所得结果,获取分割好的视频场景及对应的场景边界,完成场景分割任务。实验结果表明,该算法能对视频场景进行有效分割,整体查全率与查准率分别能达到85.77%、87.01%。

基于UNet自适应特征融合的语音增强

针对传统的语音增强网络对未知噪声增强效果不理想的问题,本文从语谱图增强,网络结构,特征融合机制3方面提出改进方法。首先为了提取语谱图深层特征信息,使用VGG19结构来代替UNet结构中编码器部分,同时在解码器部分加入残差网络以加深网络深度,防止训练退化;其次,为了更好地结合语谱图中特征信息,在UNet结构跳跃连接部分加入自适应特征融合机制来融合深浅层特征。此外,为增强说话人信息,通过直方图均衡算法对语谱图进行特征优化,得到直方图均衡化增强后的语谱图。在不同的噪声环境中,本文所提方法在质量和可理解性度量方面评分都优于其他增强方法。

基于多层次特征的高分影像海岸带地物分类

针对高分辨率影像地物光谱丰富复杂的问题,文章提出了一种结合像元-对象-空间格局特征的水域、盐田等海岸带精细地物分类方法。首先基于像元和空间格局特征分别利用遗传算法优化随机森林参数进行分类;其次将两种分类结果采用D-S证据理论融合;然后基于不同地物斑块的空间上下文信息,采用粒子群算法优化支持向量机(Support Vector Machine,SVM)参数实现面向对象的二次分类。为验证方法的有效性,收集山东省莱州湾海岸带附近区域的“高分二号”卫星影像,开展了水域及水利设施用地、盐田、工矿用地、交通运输用地、住宅用地、沿海滩涂、海域与耕地8类地物的分类实验,总体精度达到97.21%,Kappa系数为0.9642。实验结果表明,文章提出的高分影像海岸带地物分类方法兼顾像元、对象及空间格局特征优点,能够实现多层次细致分类,并同时兼具较短的训练时长与较高的分类精度。该研究成果可为中国海岸带生态环境监测与土地利用规划提供一定技术支撑。