基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。

基于RIS的元素分组面状全连接网络

针对神经网络全连接层在训练中参数量多、所占内存多、易产生过拟合问题,从智能超表面(reconfigurable intelligence surface,RIS)结构特征出发,提出了一种基于RIS的元素分组面状全连接神经网络(RIS-based element grouping areal fully connected neural network,RGFCNN)。借鉴RIS的结构特征,在传统全连接神经网络上进行优化。设计了透射面注意力机制用于数据有效特征提取,相比于传统的全连接网络,该网络没有对数据进行一维排列,而是提出了一种运用于神经网络构建的元素分组策略,直接对二维面状数据进行分组全连接处理,各组处理输出进行数据串联。实验结果表明:在公开的具有IQ数据特征的通信信号数据集上,RGFCNN在信噪比大于0 dB时具有更好的识别精度,而训练参数是原来的大约1/6。

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络(FCNN),并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.

模糊细胞神经网络在书法碑帖汉字重构中的应用

模糊细胞神经网络作为一种模拟逻辑可编程并行网络，可以用来实时实现数学形态学的全部基本算子．文中基于加性模糊细胞神经网络结构，应用数学形态学的重构算法，研究中国书法碑帖在自然腐蚀噪声环境下的去噪和汉字提取问题，并给出了算法的伪代码描述和数字计算机仿真结果．该方法可应用于书法碑帖的汉字处理和实时重构．

基于模糊细胞神经网络的彩色图像形态学重构

利用彩色图像的 Ｒ Ｇ Ｂ空间分解，在模糊细胞神经网络上实现了彩色图像数学形态学的基本算子，并讨论了该实现相对于常规串行计算机算法的优越性和局限．进一步地利用按分量的灰度重构，实现了彩色重构算法．最后讨论了该重构算法在抑制彩色图像高频噪声中的应用．给出的仿真结果对于推广模糊细胞神经网络在彩色图像实时处理和硅眼等模拟逻辑系统中的应用有着重要的意义．

带有离散滞后时滞和非线性脉冲效应的模糊细胞神经网络的指数同步

研究了具有离散滞后时滞和非线性脉冲效应的模糊细胞神经网络的指数同步,通过Lyapunov函数方法和不等式方法,利用p-范数得到了新的指数同步的充分条件,最后举例说明结论是有效的.

面向场景解析的空间结构化编码深度网络

为了研究有效的特征提取和精确的空间结构化学习对提升场景解析效果的作用,本文提高出基于全卷积神经网络空间结构化编码深度网络,网络内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法,算法能够比较准确地描述物体所处空间的物体分布以及物体间的空间位置关系。通过空间结构化编码深度网络,网络不仅能够提取包含多层形状信息的多维视觉特征,而且可以生成包含结构化信息的空间关系特征,从而得到更为准确表达图像语义信息的混合特征。实验结果表明:在SIFT FLOW和PASCAL VOC 2012标准数据集上,空间结构化编码深度网络较现有方法能够显著地提升场景解析的准确率。

语义信息引导下的显著目标检测算法

针对现有显著性检测方法在凸显目标完整性和背景噪声抑制方面性能较差的问题,提出一种显著目标检测算法。构建改进的全卷积神经网络,捕获图像中的语义信息,生成高层语义初步显著图。利用语义知识引导流形排序进行优化,实现显著目标的边缘传播。融合不同尺度下的显著图,完成显著目标检测。在ECSSD、DUT-OMRON、SED2数据集上进行实验,结果表明,与最大对称环绕、主成分分析等算法相比,该算法检测出的显著目标更加完整,在复杂场景下检测结果鲁棒性更好。

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络(recurrent neural network,RNN)中的门控循环单元(gate recurrent unit,GRU)模型与全连接神经网络(fully connected neural network,FCNN),提出了改进的多元水质指标预测(MWQPP)模型,并用其预测长江流域水体的pH、溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH_(3)-N)。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。

基于全卷积神经网络与低秩稀疏分解的显著性检测

为了准确检测复杂背景下的显著区域,提出一种全卷积神经网络与低秩稀疏分解相结合的显著性检测方法,将图像分解为代表背景的低秩矩阵和对应显著区域的稀疏噪声,结合利用全卷积神经网络学习得到的高层语义先验知识,检测图像中的显著区域.首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;然后,在MSRA数据库中,基于梯度下降法学习得到特征变换矩阵,利用全卷积神经网络学习得到高层语义先验知识;接着,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;最后,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图.在公开数据集上进行实验验证,并与当前流行的方法进行对比,实验结果表明,本文方法能够准确地检测感兴趣区域,是一种有效的自然图像目标检测与分割的预处理方法.

基于全卷积神经网络的植物叶片分割算法

【目的】植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。【方法】本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。【结果】本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。【结论】与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。

基于机器学习的恐怖分子预测算法

当今世界恐怖袭击事件频繁发生,通过对嫌疑人进行预测分析,有利于尽早发现新生或者隐藏的恐怖分子并对其进行针对性打击,以减少人员和财产损失。为此,使用机器学习方法,提取恐怖袭击事件的多方面特征,对一个或多个嫌疑人进行预测。采用贝叶斯优化对Bagging、决策树、随机森林和全连接神经网络4种算法进行寻优,将预处理后的数据输入优化后的算法模型对恐怖袭击事件嫌疑人进行预测,以准确率、召回率、精度和F 1值作为指标评价算法性能。实验结果表明,当预测结果仅输出一个嫌疑人时,基于树的算法预测结果普遍较好,其中Bagging算法的预测精度最高为0.911,而全连接神经网络可以得到多个嫌疑人的预测结果,其预测精度为0.8778。

基于全卷积神经网络和多核学习的显著性检测

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题,提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络(FCNN),预测待处理图像的初步显著性区域;然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机(SVM)分类器的学习样本集,选择并提取八种典型特征代表对应样本训练SVM;接着通过多核SVM分类器预测各超像素显著值;最后融合初步显著图和多核学习显著图,改善FCNN网络输出图的不足,得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值,综合性能均优于对比方法,验证了该方法在显著性检测中准确性的提高,为目标识别、机器视觉等应用提供更可靠的预处理结果。

面向RGB-D场景解析的三维空间结构化编码深度网络

有效的RGB-D图像特征提取和准确的3D空间结构化学习是提升RGB-D场景解析结果的关键。目前,全卷积神经网络(FCNN)具有强大的特征提取能力,但是,该网络无法充分地学习3D空间结构化信息。为此,提出了一种新颖的三维空间结构化编码深度网络,内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法。该算法能够比较准确地学习和描述物体所处3D空间的物体分布。通过该深度网络,不仅能够提取包含多层形状和深度信息的分层视觉特征(HVF)和分层深度特征(HDF),而且可以生成包含3D结构化信息的空间关系特征,进而得到融合上述3类特征的混合特征,从而能够更准确地表达RGB-D图像的语义信息。实验结果表明,在NYUDv2和SUNRGBD标准RGB-D数据集上,该深度网络较现有先进的场景解析方法能够显著提升RGB-D场景解析的结果。

基于密集注意力网络的视网膜血管图像分割

视网膜血管的结构信息对眼科疾病的诊断具有重要的指导意义,对视网膜血管图像进行高效正确的分割成为临床的迫切需求。传统的人工分割方法耗时较长且易受个人主观因素的影响,分割质量不高。为此,提出一种基于密集注意力网络的图像自动分割算法。将编码器-解码器全卷积神经网络的基础结构与密集连接网络相结合,以充分提取每一层的特征,在网络的解码器端引入注意力门模块,对不必要的特征进行抑制,提高视网膜血管图像的分割精度。在DRIVE和STARE眼底图像数据集上的实验结果表明,与其他基于深度学习的算法相比,该算法的敏感性、特异性、准确率和AUC值均较高,分割效果较好。

卷积神经网络下的高分二号卫星影像道路提取

本文针对深度神经网络对高分二号遥感影像道路提取时细节信息丢失较多、道路周围环境考虑不充分等情况,在已有的研究成果上,提出一种基于全卷积神经网络遥感影像道路提取的改进方案.方案创新研究了全卷积神经网络的算法原理,将预调色后的高分二号影像按一定尺寸分幅输出,将输出图像及标签对应输入于以全卷积神经网络为基础的改进网络,通过结合残差单元以及增加网络层数得到识别精度较高的道路提取图像.实验表明,该方法在同一样本中对高分二号卫星影像道路提取的效果有所提升,道路的完整性和准确性有所提高.

H.266/VVC分步全零块判决快速算法

为了减少编码计算复杂度,提出分步全零块判决快速算法.基于硬决策量化公式推导固定阈值,判决出真全零块.通过与变换块尺寸和量化参数(QP)相关的自适应阈值,判决出伪全零块.通过提取出8个与量化结果密切相关的特征,基于全连接神经网络(FCNN)对剩余未判决的块进行最后判决.实验结果表明,提出的分步全零块判决快速算法在Low Delay B和Random Access配置下,在性能平均损失分别仅为0.458%和0.575%的情况下,分别平均减少了7.382%和7.237%的编码复杂度.

改进的模糊神经网络算法在车型识别中的应用

FBP和FCNN网络是模式识别中应用最为广泛的两种神经网络,本文将这两种网络应用于车型识别,分别建立了车型识别模型。利用混沌对初值的极端敏感依赖提出了FCNN网络算法,通过对车型图像数据库进行仿真实验,对比分析它们各自的识别率和泛化能力等性能指标,证明了FCNN网络算法的有效性。