检索结果-南通市图书馆

浙江师范大学学报(自然科学版) 2024年

作者：马杨源徐慧英朱信忠黄晓浙江师范大学教育学院浙江师范大学计算机科学与技术学院

传统生成模型在医学图像异常检测方面存在模式易崩溃,生成样本质量差,训练时间长的问题.鉴于扩散模型作为新兴的生成模型在图像相关任务有出色的表现,提出一种基于改进扩散模型的脑肿瘤异常检测算法CNB-DDPM,对原有网络结构进行改进,使... 详细信息

传统生成模型在医学图像异常检测方面存在模式易崩溃,生成样本质量差,训练时间长的问题.鉴于扩散模型作为新兴的生成模型在图像相关任务有出色的表现,提出一种基于改进扩散模型的脑肿瘤异常检测算法CNB-DDPM,对原有网络结构进行改进,使用卷积结构的Conv Ne Xt Block替代原有的残差结构Res Net Block.考虑到扩散模型采样步骤长的缺点,引入一种快速常微分方程求解器DPM-Solver,加速扩散模型采样过程,节约采样时间.在训练过程中学习健康患者的数据分布,推理过程中输入异常样本并通过模型重建出正常图像,将输入图像与输出图像执行差分操作来实现对异常部位的检测.实验使用了2个公开可用的脑部MRI数据集,并与其他生成模型进行比较,结果表明,引入了DPM-Solver的扩散模型CNB-DDPM在采样效率、采样质量和精确率方面均优于其他模型.

关键词：异常检测扩散模型卷积结构扩散模型求解器生成模型

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

时间分数阶Allen-Cahn方程紧格式及其快速算法

时间分数阶Allen-Cahn方程紧格式及其快速算法

引用

作者：栾正芳山东大学

学位级别：硕士

近年来,关于分数阶相场模型的研究得到了广泛的关注,由于分数阶算子的非局部性,它可以更准确地描述相变机理,例如连续时间随机游走的粒子运动、粒子之间的长距离相互作用和结构损伤、疲劳的演化过程。本文研究的主要内容是:时间分数阶Al... 详细信息

近年来,关于分数阶相场模型的研究得到了广泛的关注,由于分数阶算子的非局部性,它可以更准确地描述相变机理,例如连续时间随机游走的粒子运动、粒子之间的长距离相互作用和结构损伤、疲劳的演化过程。本文研究的主要内容是:时间分数阶Allen-Cahn方程在非均匀时间步长下的紧致有限差分格式,分析它的收敛性和稳定性,并介绍了三类加速方法来提高计算性能。模型如下:（?）其中Ω=（0,L）2的闭包为（?）,非线性体积力f（u）=u3-u,常数0＜ε（?）1是描述材料之间过渡边界厚度的相互作用长度,?tα:=0CDtα表示α阶的Caputo导数:（?）时间分数阶Allen-Cahn方程的解具有初始奇点,而且它的数值解允许采用多个时间尺度,即初始动力学演变以快速的时间尺度发展,而随后的粗化阶段以非常慢的时间尺度发展。因此,采用非均匀时间步长（例如渐变网格）是合理且必要的。由于时间分数阶导数的历史依赖性,当我们考虑使用有限差分方法求解该方程在某一时间层的数值解时,需要用到之前所有时间层的函数值,致使计算工作量变得非常巨大。因为分数阶微分方程可以通过在时间或空间上用非局部关系的幂律记忆核得到,我们考虑在某一时间段上逼近核函数,即采用指数求和（SOE）算法求解时间分数阶Allen-Cahn方程。当我们求解某一时间层的数值解时,只需使用前面部分时间层的函数值,进而减少计算量。此外,还可以考虑采用自适应时间步长策略和减少自由度的方法来对方程的计算过程进行加速。本文主要研究了时间分数阶Allen-Cahn方程的紧致有限差分格式的收敛性和稳定性,讨论了关于该模型的加速方法。全文共分为五章:第一章:介绍了时间分数阶Allen-Cahn方程的背景、国内外研究现状以及问题模型。第二章:提出了非均匀时间网格下的Alikhanov型紧致有限差分格式,并证明了解的存在唯一性。第三章:利用卷积结构分析了时间分数阶Allen-Cahn方程紧致有限差分格式的收敛性和稳定性。第四章:结合差分格式,推导出三类加速方法,并通过数值实验验证了理论结果的合理性。第五章:对本文的工作做了总结和展望。

关键词：时间分数阶Allen-Cahn方程非均匀时间步长卷积结构误差估计稳定性快速算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于门控可形变卷积和分层Transformer的图像修复模型及其应用

基于门控可形变卷积和分层Transformer的图像修复模型及其应用

引用

作者：康延亭东华大学

学位级别：硕士

图像修复是一种根据图像已知内容来合成待修复区域的技术手段,在较多领域都具有广泛的应用价值。近年来,随着深度学习快速发展,图像修复算法渐渐的从传统的基于填充和扩散的模型逐步转换为基于深度学习的模型。基于深度学习的模型通过... 详细信息

图像修复是一种根据图像已知内容来合成待修复区域的技术手段,在较多领域都具有广泛的应用价值。近年来,随着深度学习快速发展,图像修复算法渐渐的从传统的基于填充和扩散的模型逐步转换为基于深度学习的模型。基于深度学习的模型通过优化卷积结构和优化注意力机制这两个方向使得修复效果越来越逼真。优化卷积结构的方式主要通过优化掩码更新机制以摒弃待修复区域信息。优化注意力机制的方式通常通过优化待修复区域与完好区域的匹配方式以获取更精确的填充信息。本文通过对深度学习理论和已有的图像修复模型的学习和探索,针对上述两个方向研究了以下三部分内容:首先,针对现有卷积结构仅能利用固定形状感受野内信息和注意力机制匹配前特征图存在偏移的问题,本文提出了一种基于门控可形变卷积和注意力补偿的图像修复模型。该模型在特征提取阶段采用门控可形变卷积进行特征提取,该卷积能够通过形变感受野提取采样点周围的相似语义信息,还通过门控的方式以不同程度地利用所有的采样点信息,提高特征提取能力。最后还采用多尺度结构,通过利用不同大小的形变感受野提取特征,增强了模型的语义理解能力。该模型的注意力补偿模块通过对待修复区域和填充区域特征学习以获取一组仿射变换参数,然后通过对填充特征进行仿射变换以补偿模型存在的偏移问题,考虑到注意力模块在相似匹配时采用分块的方式会导致填充块存在不同程度的偏移趋势,于是本文通过分块仿射的方式以进行更加细粒度的补偿。通过实验验证,本文提出的模型在通用数据集上取得了较好的修复结果。其次,针对修复模型常用的注意力机制本身存在的特征表示失真和语义歧义的问题,本文提出了一种基于分层transformer的图像修复模型。该模型的分层transformer主要分为两部分:1)掩码注意力机制,该机制将输入特征投影到高维空间表示,并将掩码区域与非掩码区域通过自注意力进行度量以获取相似性信息。通过高维度量的方式能够有效的解决由于常规注意力机制在度量时由于标准化而表示失真的现象。2)分层结构,该结构将特征图分为两种尺度,一种是大尺寸的区域块,一种是小尺寸的局部块。其中区域块学习粗略的全局相似度信息并传递给区域内的局部块,局部块通过学习精细的局部相似信息和粗略的全局相似信息以获取全局的弱特征表示和局部的强特征表示,从而缓解远距离区域带来的语义差异性。最后通过在常用的评价指标上进行验证以证明本模型的有效性。最后,本文对上述两项研究内容进行组合优化,提出一种基于门控可形变卷积和分层transformer的图像修复模型。本文在公共数据集上验证了该模型的有效性并且最后应用到丝绸文物图像数据集中以证明本文模型具有较强的泛化性。

关键词：图像修复深度学习 transformer 卷积结构注意力机制

来源：

同方学位论文库评论

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FPGA的模板滤波IP核的设计与实现

引用

深圳大学学报（理工版） 2018年第6期35卷 622-628页

作者：李东敖晟田劲东田勇深圳大学光电工程学院广东深圳51860

在数字图像处理过程中,二维模板卷积是一种重要的操作.提出一种基于现场可编程门阵列(field programmable gate array,FPGA)的可变模板滤波IP (intellectual property)核的设计方法,通过参数化的循环例化移位寄存器构建可灵活调整窗口... 详细信息

在数字图像处理过程中,二维模板卷积是一种重要的操作.提出一种基于现场可编程门阵列(field programmable gate array,FPGA)的可变模板滤波IP (intellectual property)核的设计方法,通过参数化的循环例化移位寄存器构建可灵活调整窗口大小的缓存结构,采用只读寄存器(read-only memory,ROM)载入模板滤波系数,并利用加法树模块实现快速累加.相比传统组合扩展方法,本设计充分节约了硬件资源,简化了电路设计,提供了便捷的调用接口,只需修改参数便可灵活调整卷积结构,适用于任意窗口大小、任意模板系数、任意图像大小和数据位宽的卷积运算,具有良好的通用性和可维护性.

关键词：图像处理卷积运算现场可编程门阵列模板滤波 IP核卷积结构

来源：

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

基于云模型主成分的深度学习算法研究及应用

基于云模型主成分的深度学习算法研究及应用

引用

作者：陈明威南昌大学

学位级别：硕士

深度学习是目前研究的热点,本文基于前人的研究,针对传统卷积神经网络结构算法在卷积核数量确定、卷积核参数初始化以及网络层与层之间通道选择不能够自主学习的问题,提出了基于独立主成分分析和基于云模型的卷积神经网络结构训练方法... 详细信息

深度学习是目前研究的热点,本文基于前人的研究,针对传统卷积神经网络结构算法在卷积核数量确定、卷积核参数初始化以及网络层与层之间通道选择不能够自主学习的问题,提出了基于独立主成分分析和基于云模型的卷积神经网络结构训练方法。首先分析研究主成分分析的主向量与卷积神经网络卷积核数量之间的关系;然后运用独立主成分神经网络对无标记图像混合信号分析,确定深度卷积核数量,模仿快速固定算法对卷积核参数初始化;最后采用云模型选择器对模型层与层之间通道连接进行选择,从而达到减少网络训练步数的目的。实验结果表明通过主成分分析所得抽样样本的平均主向量个数近似模型在测试集准确率基本不变的情况下卷积核数量的拐点,减少了重复实验来确定卷积核数量的次数。独立主成分析以及云模型选择器使得模型训练步数减少,加快了模型收敛,所提算法要比经典算法运行速率上提高5.4%左右,测试集准确率基本与原卷积神经网络结构基本持平。

关键词：卷积结构独立主成分分析云模型卷积核

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：