检索结果-南通市图书馆

用于人体检测的YOLOv3改进及压缩算法的研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2022年第2期44卷 312-320页

作者：张玉杰董蕊陕西科技大学电气与控制工程学院陕西西安710021

针对Yolov3算法应用于人体检测中的准确率低,参数量、计算量和模型体积大难以在资源有限的嵌入式平台上实现等问题,提出了YOLOv3改进及其模型压缩算法。在YOLOv3中通过引入密集连接与多分支结构,增加网络宽度和多尺度感受野,加强特征重... 详细信息

针对Yolov3算法应用于人体检测中的准确率低,参数量、计算量和模型体积大难以在资源有限的嵌入式平台上实现等问题,提出了YOLOv3改进及其模型压缩算法。在YOLOv3中通过引入密集连接与多分支结构,增加网络宽度和多尺度感受野,加强特征重用,提高了模型的检测精度;对改进的YOLOv3通过联合优化权重损失函数和BN层缩放因子的L_(1)正则项等方式进行通道剪枝,从而减小了参数量和计算量,模型体积得到了大幅压缩。实验结果表明,改进后YOLOv3算法的检测精度提升了6.01%,模型体积减小了38.46%;经过压缩后,模型的检测精度虽然降低了3.16%,但模型体积仅为原来的3.31%,只有4.77 MB。因此,通过改进和压缩后的YOLOv3仍然保持较高的检测精度,而且模型体积得到大幅度的压缩,为YOLOv3模型在嵌入式平台上实现人体检测提供了支撑。

关键词： YOLOv3 人体检测密集连接结构多分支结构模型压缩

融合密集连接与自适应加权损失的血管壁图像分割

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2022年第6期39卷 1905-1910页

作者：高红霞郜伟河南工程学院软件学院郑州451191 信息工程大学理学院郑州450001

针对传统深度神经网络在对血管壁图像分割中难以提取具有针对性有效特征的问题,提出一种融合密度连接与自适应加权损失的血管壁图像分割方法。首先通过构建密集连接的分割网络学习更多的边界和轮廓表征以促进特征复用融合;然后设计了改... 详细信息

针对传统深度神经网络在对血管壁图像分割中难以提取具有针对性有效特征的问题,提出一种融合密度连接与自适应加权损失的血管壁图像分割方法。首先通过构建密集连接的分割网络学习更多的边界和轮廓表征以促进特征复用融合;然后设计了改进的自适应加权损失和边界紧凑性损失约束训练网络,利用自适应加权损失自动调整不同区域分割产生的损失比例来引导网络向最佳方向学习;同时引入边界紧凑性损失约束以充分利用边界信息,提升对血管壁图像的分割精度;最后对包含2544张MRI的MERGE血管壁数据集进行了验证实验。结果表明,提出的改进方法能够有效提取血管壁图像的特征信息,在管腔和外壁轮廓分割中的Dice分别达到了93.65%和95.81%,设计的消融实验也充分证明了所提各个模块和网络的有效性,能够更好地实现高精度的图像分割。

关键词：血管壁图像分割深度神经网络密集连接结构自适应加权损失边界紧凑性约束

在线全文

学校读者我要写书评

暂无评论

基于密集连接的高分辨率遥感图像分类

广西师范大学学报（自然科学版） 2022年第3期40卷 88-94页

作者：陈知明张江邱汉清戴颖成吴宇鑫李建军中南林业科技大学计算机与信息工程学院湖南长沙410004

高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足... 详细信息

高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。

关键词：高分辨率遥感图像分类模型空洞卷积密集连接结构全连接条件随机场

基于混合卷积神经网络的高光谱数据分类算法研究

在线全文

学校读者我要写书评

暂无评论

基于混合卷积神经网络的高光谱数据分类算法研究

作者：魏晨哈尔滨工程大学

学位级别：硕士

随着遥感领域技术的不断突破,高光谱数据分类技术也逐渐应用在各个领域之中。例如,城市规划建设、地表物质分析、复杂地形侦查等。在遥感领域的发展中,高光谱数据是遥感中重要的分支体系;尤其是针对高光谱数据的分类技术是业内较为关注... 详细信息

随着遥感领域技术的不断突破,高光谱数据分类技术也逐渐应用在各个领域之中。例如,城市规划建设、地表物质分析、复杂地形侦查等。在遥感领域的发展中,高光谱数据是遥感中重要的分支体系;尤其是针对高光谱数据的分类技术是业内较为关注的技术方向之一。对高光谱数据进行分类的主要技术路线是根据不同波段的光谱色度、空间位置排列或不同波段间的互补信息,将高光谱数据中的像素点依照某些规则或算法进行类别区分。然而,由于高光谱数据的三维特性,使得学者们针对其数据的处理与分类展开了广泛的研究。基于高光谱数据结构的特点,本文主要研究内容如下:1.首先,针对高光谱数据与传统图像数据信息的不同之处,其数据存在冗余度高、样本数量有限等问题提出相应的分类方法。高光谱数据中不仅包含图像中基本的空间信息,还包含了高光谱数据特有的光谱维度信息,因此是三维立方体数据。以往的方法中多数都是利用光谱联合空间信息共同学习其图像特点,因此这种方式多半是利用三维卷积网络去设计分类结构。但是三维卷积网络参数量较大,在取得相对较优的精度效果时往往设计的模型复杂度较高。而二维卷积网络往往在空间层面学习特征信息,所以更加适合处理空间特性。基于此,为了充分学习高光谱三维特性信息以提升图像分类的精度,降低模型复杂度,本文以混合卷积神经网络为基调,提出基于单支路的多级混合注意网络的高光谱数据分类算法(DMCN)。首先,设计密集三维卷积结构来高效的学习光谱-空间联合信息。其次,设计多级分组残差式二维卷积网络来学习空间特征分布。最后,使用协同注意力机制进行细节特征感知,增强三维空间光谱联合信息学习的同时,更为关注空间特征位置,从而达到精准分类的目的。在三种公开数据集上进行了对比实验,即Indian Pines(IP)、University of Pavia(UP)和Salinas(SA)。结果表明,该模型对三种数据集都有效地提升了分类的准确度。2.其次,针对高光谱数据的获取较为困难,需要大量的人工标注进行数据扩充,并且在数据样本中可能会出现错标;同时,在数据进行收集的过程中会受到外界因素的影响导致数据中存在一定的标注类别错误。基于此,为了在干扰环境下获得相对较好的分类效果,同时提升分类算法的稳定性。本文研究了一种基于噪声标签的双支路混合注意网络的高光谱数据分类算法(DDAN)。首先,该算法设计两条支路,分别是光谱信息特征提取支路与空间信息特征提取支路。在每个支路中,利用三维密集卷积网络结构分别进行光谱信息和空间信息的提取,通过两个支路来学习图像不同维度的信息。其次,设计二维卷积注意力机制结构来进行光谱和空间的细节信息感知,以达到感知分类事物的目的。最后,利用抗噪声损失函数,使模型更好的收敛,增强模型的鲁棒性。为了验证模型的效果,在三种公开数据集上进行了对比实验,即Kennedy Space Center(KSC)、University of Pavia(UP)和Salinas(SA)。结果表明,DDAN在KSC、UP和SA上有着较好地分类准确率。

关键词：高光谱数据分类混合卷积网络密集连接结构注意力机制噪声标签

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力的单图像去雾研究

基于注意力的单图像去雾研究

作者：刘杰西安电子科技大学

学位级别：硕士

在雾霾天气下获得图像的质量大幅降低,空气中的水汽,悬浮颗粒物等直接影响到相机成像的效果,使得雾霾天气获得的图像不能直接应用于许多计算机视觉任务。另外一方面雾霾天气下获得的图片质量下降,影响到了照片的观感。因此如何降低雾霾... 详细信息

在雾霾天气下获得图像的质量大幅降低,空气中的水汽,悬浮颗粒物等直接影响到相机成像的效果,使得雾霾天气获得的图像不能直接应用于许多计算机视觉任务。另外一方面雾霾天气下获得的图片质量下降,影响到了照片的观感。因此如何降低雾霾对图像的影响,提高雾霾天气下获得图像的质量是具有重要应用价值的研究。本文利用结合注意力的深度学习技术对单幅图像去雾进行了较为深入的研究,并且取得了一些研究成果。主要的工作如下:(1)在图像像素域上研究了去雾。具体的,设计了两种基于注意力机制的卷积神经网络在合成数据集上学习如何去雾。其中基于注意力的分层次密集连接去雾网络主要是受Dense Net的启发,并且为了克服Denseblock只能利用局部先前信息的缺点而引入了不同层级上的密集连接机制。另外为了进一步提升网络的去雾性能,本文在网络的基本块中引入了卷积注意力机制。最后为了更好的融合网络主干上的特征,本文引入了多尺度上的特征融合机制。另外一种基于多尺度卷积注意力的去雾网络一方面简化了上述网络结构,还对上述网络的注意力模块和多尺度的特征融合模块进行了改进。实验结果证明本文提出的两种像素域上的去雾网络都能够有效的进行图像去雾,相比于分层次密集连接去雾网络,多尺度卷积注意力的网络减少了显存的需求的同时进一步提高了去雾性能。(2)研究了在频域上进行图像去雾。首先利用图像的分块离散余弦变换得到图像的DCT系数矩阵,然后按照Zig-Zag编码顺序将系数矩阵划分成低频、中频、高频三个分组,针对不同频率的分组分别使用频域上的去雾网络学习去雾。由于在频域上的三个去雾网络是可以并行推理的,因此该方法的时间复杂度主要取决于计算时间最长的频域去雾网络。(3)由于频域上的去雾网络中低频分量的去雾十分重要,因此本文在低频去雾网络上引入了一种基于暗通道先验的注意力机制。首先利用暗通道先验结合导向滤波估计图像的传输图,由于大气散射模型中的传输图本身就包含空间信息和雾霾浓度信息,并且所有元素值范围在0,1之间。因此本文将其取反加一作为网络的注意力图输入网络。实验结果证明本文提出的基于暗通道注意力的频域去雾网络能够有效的去雾,并且获得色彩自然的去雾图像。

关键词：单图像去雾密集连接结构多尺度注意力离散余弦变换暗通道注意力

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

单幅车牌图像超分辨率重建算法研究

单幅车牌图像超分辨率重建算法研究

作者：郝元杰西安邮电大学

学位级别：硕士

在计算机视觉领域中,图像是许多重要信息的载体。图像质量的好坏直接决定了各种视觉任务的难度和效果。受成像设备性能以及远距离拍摄的限制,图像的画质经常会变差,无法看清车牌字符。如果提升成像设备的质量,不仅成本较高,而且仍然存... 详细信息

在计算机视觉领域中,图像是许多重要信息的载体。图像质量的好坏直接决定了各种视觉任务的难度和效果。受成像设备性能以及远距离拍摄的限制,图像的画质经常会变差,无法看清车牌字符。如果提升成像设备的质量,不仅成本较高,而且仍然存在远距离的场景,因此通过软件的方法对图像进行超分辨率重建得到了广泛的应用。由于卷积神经网络可以学习低分辨率图像与高分辨率图像之间复杂的映射关系,所以基于深度学习的方法从低分辨率车牌图像超分辨率重建出高质量的车牌图像,已经成为当前计算机视觉领域的热点问题。本文主要的研究任务为将低分辨率车牌图像超分辨率重建为4倍的高分辨率车牌图像,主要研究内容和创新点如下:（1）为了充分利用图像中的高频信息,降低车牌图像的重建误差,本文结合残差结构和密集连接结构,提出了一种基于密集残差采样网络的车牌图像超分辨率重建算法。在密集残差采样网络中,本文构建了一种含有采样层和通道注意力机制的残差采样块,能利用通道注意力机制更好的探索上采样后高分辨率特征的高频信息,因此更有利于重建出车牌图像的形状边缘等细节信息。在网络的全局结构中,本文采用密集的跳线对残差采样块进行连接,提高了特征利用率;采用1×1卷积层对连接的特征降维,帮助网络对信息进行提纯,减少特征冗余。实验表明,本文算法在降低网络参数量和运行时间的同时,提升了车牌图像的重建质量。（2）为了降低超分辨率网络的数据处理量,提升车牌图像的重建质量,本文提出了一种基于逐级反投影网络的车牌图像超分辨率重建算法。首先,本文算法对图像中低分辨率的车牌区域检测并提取,这能够为视频监控中感兴趣区域的超分辨率重建提供新的思路;然后,针对DBPN（Deep Back-Projection Network）超分辨率网络中4倍的采样层需要较大的卷积核,导致收敛速度慢,出现次优结果的问题,本文将反投影网络中4倍的采样层分解成两个2倍的采样层,从而以逐级采样的方式完成迭代的反投影。2倍的采样层使用较小的卷积核,加快了收敛速度,提高了超分辨率性能,同时分解后的中间尺寸特征为每次迭代提供更多的信息,增加信息流动。在逐级反投影网络中,本文采用跳线的方式融合相同尺寸的特征图,提高特征利用率;利用1×1卷积层对融合的特征降维,在保留关键信息的同时降低网络复杂度。实验表明,本文算法能有效降低超分辨率网络的数据处理量,提升车牌图像的清晰度和字符辨识度。

关键词：车牌图像超分辨率重建密集连接结构通道注意力机制残差采样块逐级反投影网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的前列腺MR图像分割方法研究

基于深度学习的前列腺MR图像分割方法研究

作者：毛萌华中科技大学

学位级别：硕士

前列腺癌是仅次于肺癌的男性高发癌症。核磁共振成像因其对人体软组织结构成像清晰而成为观察前列腺区域病变的主要方法。然而前列腺核磁共振图像的成像区域是人体的整个盆腔,前列腺体积小、与周围组织相距近等特点为临床医生的观察带... 详细信息

前列腺癌是仅次于肺癌的男性高发癌症。核磁共振成像因其对人体软组织结构成像清晰而成为观察前列腺区域病变的主要方法。然而前列腺核磁共振图像的成像区域是人体的整个盆腔,前列腺体积小、与周围组织相距近等特点为临床医生的观察带来了不便。依靠人工分割前列腺需要大量时间,因此从核磁共振图像中自动地分割出前列腺对于疾病的临床诊断具有重要意义。以U型结构为框架的卷积神经网络近年来在图像分割任务中的表现非常突出,几乎成为深度学习方法中图像语义分割的标准框架。前列腺核磁共振图像属于医学图像,其本身具有对比度低、目标体积小、边界不清晰、可用样本量少等特点,也是相较于分割自然图像的难点。因此,基础的U-Net无法准确地分割前列腺。针对前列腺核磁共振图像特点,提出了一套分割算法:首先在图像预处理模块对图像尺寸和灰度值进行归一化,并通过调整窗宽窗位和直方图均衡化等方法增强图像对比度,接着由曲率滤波器对图像进行平滑以消除噪声;然后通过非刚体变换、仿射变换、水平翻转、随机裁剪等方法扩大训练样本;最后基于U型网络架构,在编码器端将普通卷积替换为密集连接结构以增强神经网络提取特征的能力同时减少参数量,在解码器端增加注意力机制以学习关键特征,在预测输出端增加轮廓预测分支以增强对前列腺轮廓的学习能力。基于公开的前列腺数据集Promise12和Prostate X对所提出的分割算法进行了实验验证,其DSC、Hasdorff距离分别可以达到0.89和10.1,并且相对于其它网络结构具有更少的参数量。实验结果表明,所提出的分割算法可以有效地分割前列腺,并且具有分割精度高、参数量少、模型收敛速度快等优点。

关键词：前列腺分割核磁共振图像卷积神经网络密集连接结构注意力机制轮廓预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集循环网络的视网膜图像分割方法

液晶与显示 2021年第12期36卷 1702-1711页

作者：杨云周舒婕李程辉张娟娟陕西科技大学人工智能研究所陕西西安710021 陕西科技大学电子信息与人工智能学院陕西西安710021

针对视网膜血管在分割过程容易出现细节特征信息丢失、血管轮廓模糊等问题,提出一种改进的循环分割对抗网络算法。该算法改进了分割器的网络模型,在U型网络上、下采样过程中添加了密集连接结构,充分保留了图像的特征信息,提升了模型的... 详细信息

针对视网膜血管在分割过程容易出现细节特征信息丢失、血管轮廓模糊等问题,提出一种改进的循环分割对抗网络算法。该算法改进了分割器的网络模型,在U型网络上、下采样过程中添加了密集连接结构,充分保留了图像的特征信息,提升了模型的泛化能力以及鲁棒性,缓解了过度分割现象。为防止网络退化,将损失函数替换为最小二乘函数,提高了图像的分割质量,提升了网络模型训练的稳定性。实验结果表明,本文的网络模型在DRIVE以及CHASE数据集中,两者分割的准确性、敏感性分别达到了96.93%、84.30%以及96.94%、79.92%。该算法具有较好的网络泛化能力以及分割准确率,可以为疾病诊断提供重要的依据。

关键词：视网膜血管分割循环分割对抗网络 U型网络密集连接结构损失函数