检索结果-南通市图书馆

电子科技大学学报 2024年第3期53卷 366-375页

作者：易清明王渝石敏骆爱文暨南大学信息科学技术学院广州510632 泰斗微电子科技有限公司广州510663

语义分割是当前场景理解领域的基础技术之一。现存的语义分割网络通常结构复杂、参数量大、图像特征信息损失过多和计算效率低。针对以上问题,基于编-解码器框架和离散小波变换,设计了一个联合多连接特征编解码与小波池化的轻量级语义... 详细信息

语义分割是当前场景理解领域的基础技术之一。现存的语义分割网络通常结构复杂、参数量大、图像特征信息损失过多和计算效率低。针对以上问题,基于编-解码器框架和离散小波变换,设计了一个联合多连接特征编解码与小波池化的轻量级语义分割网络MLWP-Net(Multi-Link Wavelet-Pooled Network),在编码阶段利用多连接策略并结合深度可分离卷积、空洞卷积和通道压缩设计了轻量级特征提取瓶颈结构,并设计了低频混合小波池化操作替代传统的下采样操作,有效降低编码过程造成的信息丢失;在解码阶段,设计了多分支并行空洞卷积解码器以融合多级特征并行实现图像分辨率的恢复。实验结果表明,MLWP-Net仅以0.74 MB的参数量在数据集Cityscapes和CamVid上分别达到74.1%和68.2%mIoU的分割精度,验证了该算法的有效性。

关键词：实时语义分割轻量级神经网络多连接特征融合小波池化多分支空洞卷积

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

多尺度小波池化协方差网络:对噪声鲁棒的病理学图像分类算法

引用

计算机辅助设计与图形学学报 2023年第4期35卷 538-552页

作者：张学顶张术昌王红霞王亚东国防科技大学理学院数学系长沙410073 南方医科大学南方医院白云分院检验病理科广州510080

将基于深度学习的图像分类方法用于辅助病理学诊断优势突出,但获取病理学切片过程中产生的噪声会影响网络的泛化性能,进而降低分类算法的准确率.针对该问题,提出了一种鲁棒的病理学图像分类算法——多尺度小波池化协方差(multi-scale wa... 详细信息

将基于深度学习的图像分类方法用于辅助病理学诊断优势突出,但获取病理学切片过程中产生的噪声会影响网络的泛化性能,进而降低分类算法的准确率.针对该问题,提出了一种鲁棒的病理学图像分类算法——多尺度小波池化协方差(multi-scale wavelet pooling covariance,MWPC)网络.MWPC网络主要由小波池化层、复合卷积层、多尺度特征融合和协方差特征提取层4个核心模块构成,其中小波池化层在抑制噪声影响的同时,保护了有效特征不受损失.多尺度特征融合将浅层特征与深层特征结合,使深层特征能够保留更多图像细节.协方差特征提取层可以获取图像的高阶统计特征,提高网络的泛化性能.在病理图像数据集上的测试结果表明,MWPC网络针对组织病理学图像分块级别的五分类任务,在无噪声条件下准确率可以达到90.90%,比ResNet提高1.68%,比Inception-v3分类网络提高0.43%;在模拟椒盐噪声、高斯噪声和柯西噪声等条件下,其噪声鲁棒性能提升明显,且能够降低平均噪声误差.多种网络模块的消融实验结果表明,MWPC网络能够提高网络分类性能和噪声鲁棒性.

关键词：病理学图像噪声鲁棒小波池化多尺度特征融合协方差特征

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

基于深度神经网络的无监督SAR图像变化检测的算法研究

基于深度神经网络的无监督SAR图像变化检测的算法研究

引用

作者：黄炳赫长安大学

学位级别：硕士

合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测是一种检测同一地点在不同时间的两张SAR图像中变化区域的技术,已经被广泛地应用于估计植被覆盖率等方面。因为和传统算法相比,深度神经网络可以更好地应对无监督SAR图像带来的... 详细信息

合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测是一种检测同一地点在不同时间的两张SAR图像中变化区域的技术,已经被广泛地应用于估计植被覆盖率等方面。因为和传统算法相比,深度神经网络可以更好地应对无监督SAR图像带来的训练样本少等困难,所以本文基于深度神经网络研究无监督SAR图像变化检测。尽管现有的深度神经网络能够有效地进行检测,但存在伪标签质量低、网络无法充分提取图像特征、数据分布差异大等问题,这势必会影响检测精度。针对这些问题,本文的主要工作如下:(1)针对利用融合差异图和分层模糊C类均值(Hierarchical Fuzzy C-Means,HFCM)生成伪标签的方法中,伪标签质量低下,进而影响变化检测精度的问题,本文利用登普斯特-沙弗(Dempster-Shafer,DS)证据融合理论生成伪标签,并提出一种基于DS证据融合理论和卷积小波神经网络的无监督SAR图像变化检测算法。具体地,该算法通过DS证据融合理论处理对数比-模糊贴进度差异图、均值对数比-模糊贴进度差异图和邻域均值对数比差异图的聚类结果,获得伪标签,可以精准结合三个差异图的优势,从理论上提高伪标签质量。在多个数据集上的试验结果表明,本文所提算法相比现有的一些算法,准确率均有不同程度提高。(2)针对双域网络(Dual Domain Network,DDNet)特征利用不充分且没有考虑数据分布差异,导致网络性能低下,进而影响变化检测精度的问题,本文将DDNet改进为小波纹理卷积神经网络(Wavelet Texture Convolutional Neural Network,WT-CNN)、将网络的训练方式改进为循环训练,并提出一种基于对数比差异图、HFCM和WT-CNN的无监督SAR图像变化检测算法。具体地,首先,WT-CNN融入小波高频纹理细节,可以更加充分地提取图像深层纹理特征;其次,该方法在训练时循环的将符合要求的待测样本加入到训练集,减少数据分布差异带来的不良影响。对比实验结果表明,和现有的一些算法相比,本文方法的准确率在多个数据集上均有不同程度的提高。(3)结合DS证据融合理论生成伪标签、WT-CNN和循环训练算法,本文提出一种基于DS证据融合理论和WT-CNN的图像变化检测算法。具体地,首先,该算法基于DS证据融合理论生成高质量伪标签;其次,该算法利用WT-CNN提取图像深层纹理特征,并对WT-CNN进行循环训练。对比实验结果表明,和现有的一些算法相比,本文方法的准确率在多个数据集上均有不同程度的提高。

关键词： SAR图像变化检测伪标签 DS证据融合小波池化循环训练

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

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

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：