检索结果-南通市图书馆

基于双路径交叉融合网络的肺结节CT图像分类方法

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第8期61卷 343-352页

作者：杨萍张鑫温帆田吉何宁北京联合大学智慧城市学院北京100101

针对肺结节计算机断层(CT)图像具有的细节多样性以及类间相似性的问题,构建了一种集卷积神经网络(Convolutional neural network, CNN)和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先,以窗口多头自注意力和滑动... 详细信息

针对肺结节计算机断层(CT)图像具有的细节多样性以及类间相似性的问题,构建了一种集卷积神经网络(Convolutional neural network, CNN)和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先,以窗口多头自注意力和滑动窗口多头自注意力为基础,构建全局特征块,用于捕获结节的形态特征;以大核注意力为基础构建局部特征块,用于提取结节的纹理、密度等内部特征。其次,设计特征融合块用于融合上一阶段的局部与全局特征,使每一条路径都能获得更综合的判别信息。然后,引入KL(Kullback-leibler)散度来增加不同尺度特征之间的分布差异性,优化网络性能。最后,采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验,网络的分类准确率、召回率、精确率、特异性、受试者操作特征(ROC)曲线下的面积(Area under curve, AUC)分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明,所提方法具有较好的肺结节良恶性分类能力。

关键词：肺结节良恶性分类 CT图像局部-全局特征 Transformer 注意力机制

宽卷积局部特征扩展的Transformer网络故障诊断模型

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

国外电子测量技术 2024年第2期43卷 139-149页

作者：张新良李占周益天河南理工大学电气工程与自动化学院河南省智能装备直驱技术与控制国际联合实验室焦作454003 舟山洋旺纳新科技有限公司舟山316104

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网... 详细信息

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。

关键词：轴承故障诊断视觉Transformer 宽卷积核自注意力机制局部-全局特征高效通道注意力

基于语义Transformer和图表示学习的高光谱图像分类

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于语义Transformer和图表示学习的高光谱图像分类

作者：刘岩安徽大学

学位级别：硕士

随着遥感技术在理论上和技术上的重大发展,高光谱成像技术也越来越成熟并广泛应用于农业和军事等众多领域。高光谱图像是一种高维特殊的遥感图像,是集空间信息和光谱信息于一体的综合信息载体。高光谱图像特征提取和分类是高光谱数据处... 详细信息

随着遥感技术在理论上和技术上的重大发展,高光谱成像技术也越来越成熟并广泛应用于农业和军事等众多领域。高光谱图像是一种高维特殊的遥感图像,是集空间信息和光谱信息于一体的综合信息载体。高光谱图像特征提取和分类是高光谱数据处理的基础,一直是图像处理技术研究的热点。深度学习的卷积神经网络已经在高光谱分类挑战中展现了十分具有竞争力的特征表征能力。但是由于高光谱图像的复杂性,高光谱图像分类任务仍面临着很多挑战:(1)现有的工作主要集中在探索光谱和空间信息上,而这些信息通常不能充分探索高光谱图像中丰富的语义信息。(2)针对高光谱图像数据的特殊性,卷积滤波器的感受野有限,无法获取像素之间的长距离关系。针对上述问题,本文展开如下研究:(1)针对高光谱图像中不仅有光谱空间信息,也包含丰富的语义信息这一现象,本文提出基于语义Transformer的高光谱图像分类框架。提出的语义Transformer模块(Semantic Transformer,Semantic Former)通过利用不同语义标记之间的交互,学习语义的判别性特征表示。本文提出的高光谱图像分类框架包括光谱-空间卷积网络分支和Semantic Former分支,同时提取高光谱图像的光谱-空间特征和语义特征。在三个广泛使用的数据集(Indian Pines,University of Pavia,Salinas)上进行的实验表明了我们的Semantic Former模块的有效性。(2)针对卷积神经网络存在受到局部卷积核的限制,只能挖掘出高光谱图像的局部特征的问题,本文提出基于迭代局部-全局特征图学习的高光谱图像分类方法。该方法将给定的高光谱图像划分为超像素区域,并提取其相应的特征图。每个超像素视为图的节点建立超像素近邻图,利用提出的局部-全局特征学习模块(Local-Global Feature Learning,LGFL)提取图像特征。LGFL模块具体做法是采用图卷积操作来学习图像的局部特征,通过Transformer层来提取到高光谱图像的全局特征。同时,实验中还使用了多尺度图结构结合超像素,融合多尺度的特征并进行特征学习。本文在三个广泛使用的数据集(Indian Pines,University of Pavia,Salinas)上进行的实验验证了提出基于迭代局部-全局特征图学习框架的有效性。

关键词：高光谱图像分类注意力机制局部-全局特征图卷积神经网络

基于后处理方法的低剂量计算机断层扫描图像的重建与优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于后处理方法的低剂量计算机断层扫描图像的重建与优化

作者：张宁燕山大学

学位级别：硕士

计算机断层扫描(Computed Tomography,CT)是一种被广泛应用的无损检测技术,通过对被检测目标进行X射线断层扫描得到断层图像。在现代医学领域中,CT图像被用来检测病灶并帮助医生诊断疾病。低剂量CT通过降低X射线的剂量,减轻电离辐射对... 详细信息

计算机断层扫描(Computed Tomography,CT)是一种被广泛应用的无损检测技术,通过对被检测目标进行X射线断层扫描得到断层图像。在现代医学领域中,CT图像被用来检测病灶并帮助医生诊断疾病。低剂量CT通过降低X射线的剂量,减轻电离辐射对人体造成的伤害,然而,降低X射线剂量后,重建得到的CT图像中含有大量的噪声并伴随有伪影,降低了图像的可读性,从而影响医生诊断。为提升CT图像重建效果,该文基于图像后处理方法,结合深度学习进行了低剂量CT图像重建的相关研究,具体内容如下:首先,研究了基于影响因子及选择性内核卷积的低剂量CT图像后处理方案。该方法在传统的CT模型基础上,为噪声和伪影对图像造成的影响提供一个额外变量,通过神经网络,结合选择性内核卷积,分两条路径分别学习噪声伪影和噪声伪影的影响因子,二者共同决定低剂量CT图像后处理重建结果。该方案更加精确的表达了每个像素点受到噪声与伪影的影响,提高了图像重建精度。其次,设计出基于残差网络和局部-全局特征的低剂量CT图像后处理方案。该方法基于神经网络,结合残差结构和局部-全局特征提取模块,分两条路径对图像进行处理:一条路径直接捕捉整张图像的全局特征,另一条路径将图片分割成图像块进行局部特征的学习。该方案更全面的提取了图像的局部特征与全局特征,并将图像全局特征与局部特征进行融合,有效提高了生成图像的清晰度。最后,提出了基于多尺度卷积神经网络的低剂量CT图像后处理方案。该方法基于神经网络,引入图像金字塔模型来构建多尺度框架,并利用改进过的残差网络保持更深层次网络的性能。该方案分别对两个不同尺度的图像进行学习提取细节特征,并将粗级别的图像特征融合于细级别图像中,可以有效抑制低剂量CT图像中的噪声,同时减少伪影,使得重建图像与正常剂量CT图像更接近。

关键词：卷积神经网络局部-全局特征低剂量CT 多尺度后处理

基于多元特征的小鼠DNase Ⅰ超敏感位点识别算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多元特征的小鼠DNase Ⅰ超敏感位点识别算法研究

作者：王磊善安徽大学

学位级别：硕士

DNase Ⅰ超敏感位点是染色质中高度敏感于DNase Ⅰ酶的特殊区域,该区域与参与基因表达的各种顺式调控元件密切相关。准确识别小鼠DNase Ⅰ超敏感位点有助于研究人员更好地了解DNA的转录机制,并加深对非编码DNA功能元素的认识。现有的小... 详细信息

DNase Ⅰ超敏感位点是染色质中高度敏感于DNase Ⅰ酶的特殊区域,该区域与参与基因表达的各种顺式调控元件密切相关。准确识别小鼠DNase Ⅰ超敏感位点有助于研究人员更好地了解DNA的转录机制,并加深对非编码DNA功能元素的认识。现有的小鼠DNase Ⅰ超敏感位点识别算法仅使用单一的核苷酸特征表示DNA的序列信息。并且在特征拓展过程中,缺少DNA序列局部信息和全局信息的有效挖掘和融合。针对以上问题,本文主要展开了以下两部分工作。(1)针对小鼠的单一核苷酸特征学习的局限性,提出了一种基于特征融合和局部-全局特征提取网络的DNase Ⅰ超敏感位点识别算法。首先,为了利用核苷酸的多角度特征,将多种二进制特征进行融合以充分表示DNA的序列信息。其次,为了获取不同角度的信息和长距离依赖关系,运用卷积模块和双向长短期记忆网络分别提取融合后的局部和全局信息,通过自注意力机制分配不同的权重以突出重要特征信息。最后,将提取到的高维特征信息输入到分类模块以准确的识别DNase Ⅰ超敏感位点。经过多个数据集的实验验证,本算法改善了单一核苷酸特征学习的不足,消融实验和可视化结果也证明了本算法的有效性。(2)针对DNA序列局部和全局信息未得到有效地扩展和融合的问题,提出了一种基于局部静态-全局动态特征融合的DNase Ⅰ超敏感位点识别算法。首先,针对DNA序列的局部和全局信息的差异,使用局部静态特征和全局动态特征两种编码方式。然后,为了有效提取特征的高维信息,特征拓展采用并行的方式处理局部静态和全局动态特征。拓展过程中使用时间卷积网络获取DNA序列在空间和时间维度上的特征信息,同时动态期望池化通过考虑特征的上下文联系,动态地调整输出值。最后,为了充分利用两种互补的高维特征信息,使用特征融合模块提高DNase Ⅰ超敏感位点的预测精度。在多个数据集上的实验结果证明了本算法在识别DNase Ⅰ超敏感位点方面的优越性。

关键词： DNase Ⅰ超敏感位点深度学习特征融合注意力局部-全局特征

基于深度学习的单幅遥感图像超分辨率算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的单幅遥感图像超分辨率算法研究

作者：李自红宁夏大学

学位级别：硕士

遥感图像的空间分辨率是影响遥感应用效果的重要因素之一。由于遥感成像技术的限制,远距离、低光照、大气干扰等因素都会导致遥感图像的空间分辨率降低。因此,超分辨率重建技术成为提高遥感图像空间分辨率的一种重要手段。近年来,随着... 详细信息

遥感图像的空间分辨率是影响遥感应用效果的重要因素之一。由于遥感成像技术的限制,远距离、低光照、大气干扰等因素都会导致遥感图像的空间分辨率降低。因此,超分辨率重建技术成为提高遥感图像空间分辨率的一种重要手段。近年来,随着深度学习技术的发展,基于深度学习的超分辨率重建技术已经成为研究热点之一,并在实际应用中取得了显著效果。值得注意的是,超分辨率重建技术虽然能够提高遥感图像的空间分辨率,但也存在尺度单一和特征信息利用不充分等问题。针对以上问题,本文提出了两种基于深度学习的遥感图像超分辨率重建方法,具体研究内容如下:(1)针对单一尺度问题,提出了一种基于多尺度注意力增强的遥感图像超分辨率算法。首先,使用不同扩张率的空洞卷积提取图像特征信息,使特征感受野增大,从而获得与原始图像不同尺度的上下文信息,再对不同尺度的信息进行交叉融合以获取互补的特征信息。然后,利用通道注意力选取有用的通道来适应复杂的遥感图像,以提升有用信息的比例。最后,利用亚像素卷积对特征信息进行上采样处理来实现图像的重建。实验结果表明,在两个数据集上重建图像的质量和精度都有了一定的提升。(2)针对图像的局部和全局特征信息利用不充分问题,提出了一种基于Transformer的局部-全局遥感图像超分辨率算法。以Swin Transformer主干网络提取遥感图像的局部信息,通过大核注意力机制获取全局依赖,利用两者的互补优势,得到图像的局部特征和全局特征。此外,为了获得更具代表性的特征信息,添加了大核注意力尾部模块来有效地聚集有用信息,提高图像的重建质量。最后,在两个数据集的实验表明,重建的结果在峰值信噪比和结构相似性两个指标上都有了一定的提升。

关键词：遥感图像超分辨率重建深度学习多尺度特征局部-全局特征