卷积神经网络在脑脊液图像分类上的应用

针对脑脊液细胞图像拓扑结构复杂,采用传统的基于人工特征的分类方法效果并不好,提出一种基于卷积神经网络的脑脊液细胞图像分类方法。设计一个网络,卷积层分别使用ReLU、LReLU和RReLU这3种激活函数,分为3个网络模型;CNN-RReLU模型使用RReLU激活函数时采用新的策略,在训练和测试阶段,参数a值都是随机取自区间为5到8的均匀分布。在正常异常脑脊液细胞图像和3类单目标脑脊液细胞图像上的两组实验结果表明,该方法在平均分类准确率标准上有显著提升,单张平均分类时间大幅减少,CNN-RReLU的性能最优,验证了方法的有效性,具有较好的应用价值。

基于FSRCNN补充模块的图像超分辨率重建算法研究

激活函数在超分辨率重建算法中可以增加算法的非线性、提高算法的复杂程度。利用ReLU激活函数在算法训练时间短的优点,针对负值通过ReLU激活函数置零导致部分神经元失活的问题,将失活的部分通过rReLU函数重新加入到模型中,该方法称为FSRCNN补充模块算法。实验过程中分别测试了FSRCNN模型在激活函数为ReLU、PReLU以及使用ReLU激活函数加入补充模块后的算法性能,结果表明:在放大倍数为4的条件下,补充模块算法的峰值信噪比结果高于原FSRCNN算法0.1dB。因此,补充模块能够提高模型的性能,增强模型对信息的提取。