检索结果-南通市图书馆

基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第2期54卷 231-239页

作者：李凯雨朱昕怡马浚诚张领先中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attentio... 详细信息

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet)的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块(Mixed dilation convolution block,MDCB)增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制(Attention mechanism)对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络(Fully convolutional network,FCN)、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。

关键词：黄瓜病害病害严重度扩张卷积注意力机制语义分割

在线全文

学校读者我要写书评

暂无评论

加权密集扩张卷积网络的随机脉冲噪声去除

计算机工程与应用 2023年第18期59卷 179-189页

作者：曹义亲符杨逸饶哲初华东交通大学软件学院南昌330013

基于深度学习的图像去噪方法,大多没有充分利用不同层次的特征信息,通道合并时都是直接在通道维度上对特征图进行拼接,并没有考虑到浅层与深层卷积特征各自的重要性。为解决上述问题,提出一种加权密集扩张卷积连接网络模型,用于去除图... 详细信息

基于深度学习的图像去噪方法,大多没有充分利用不同层次的特征信息,通道合并时都是直接在通道维度上对特征图进行拼接,并没有考虑到浅层与深层卷积特征各自的重要性。为解决上述问题,提出一种加权密集扩张卷积连接网络模型,用于去除图像的随机脉冲噪声。通过使用不同扩张因子的扩张卷积来丰富浅层特征图的多尺度特征信息;考虑到浅层与深层卷积特征各自的重要性,将原始密集块进行改进,采用加权密集连接结构,并使用扩张卷积提高感受野;采用跳跃连接,将浅层的多尺度特征信息和不同加权密集扩张卷积块的特征信息进行融合,充分利用深层卷积特征和浅层卷积特征信息实现随机脉冲噪声的复原。实验结果表明,所提模型的去噪效果更加突出。

关键词：图像去噪深度学习密集连接扩张卷积权重随机脉冲噪声

基于密集扩张卷积残差网络的地震数据随机噪声压制方法

在线全文

学校读者我要写书评

暂无评论

石油物探 2023年第4期62卷 655-668页

作者：高磊沈侯森闵帆西南石油大学计算机科学学院四川成都610500

地震数据处理过程中压制随机噪声是提高地震数据质量的重要环节之一,其关键是有效压制噪声并尽可能地保留有效信号。针对深度学习方法在地震数据去噪处理时局部特征提取的局限性,提出了一种基于密集扩张卷积残差网络(DDCRN)的去噪方法。... 详细信息

地震数据处理过程中压制随机噪声是提高地震数据质量的重要环节之一,其关键是有效压制噪声并尽可能地保留有效信号。针对深度学习方法在地震数据去噪处理时局部特征提取的局限性,提出了一种基于密集扩张卷积残差网络(DDCRN)的去噪方法。DDCRN主要由多个密集扩张卷积特征融合块(DDCFFB)构成,DDCFFB内部的密集块和多尺度扩张卷积可以用来并行提取特征,融合结构可以用来融合特征,残差结构则跳跃连接通道数。其中,密集块连接不同的卷积层来学习特征,关注局部特征的传播和重用,高效提取复杂信息;多尺度扩张卷积扩大感受野,增加特征提取范围;残差学习则加快网络训练的收敛速度。分别采用K奇异值分解(KSVD)、频域空间域反卷积(f-x decon)、去噪卷积神经网络(DnCNN)、U型网络(Unet)以及DDCRN去噪方法对合成地震数据和实际地震数据进行去噪处理。结果表明,DDCRN去噪方法不仅能更有效地压制随机噪声,同时还能更完整地保留同相轴的连续性。

关键词：地震数据去噪特征融合卷积神经网络密集块扩张卷积

基于扩张卷积条件生成对抗网络的红外小目标检测

在线全文

学校读者我要写书评

暂无评论

计算机科学 2024年第2期51卷 151-160页

作者：张国栋陈志华盛斌华东理工大学信息科学与工程学院上海200237 上海交通大学电子信息与电气工程学院上海200240

基于深度神经网络的目标检测方法凭借自身强大的建模能力,在通用目标检测任务中取得了良好的表现。然而,在红外小目标信号弱、像素小的本质特征的影响下,深度神经网络层次的加深和池化操作的大量使用导致小目标语义信息丢失,使得现有方... 详细信息

基于深度神经网络的目标检测方法凭借自身强大的建模能力,在通用目标检测任务中取得了良好的表现。然而,在红外小目标信号弱、像素小的本质特征的影响下,深度神经网络层次的加深和池化操作的大量使用导致小目标语义信息丢失,使得现有方法的检测效果并不理想。文中从红外小目标特性这一关键问题出发,提出了一种新颖的基于扩张卷积条件生成对抗网络的目标检测算法。所提方法应用扩张卷积设计了生成网络,充分利用上下文信息建立层与层之间的关联,将红外小目标更多的语义信息保留到深层网络中,增强目标特征,进而提高检测性能。此外,设计了融合通道与空间维度的混合注意力模块,在特征提取时有选择性地放大目标信息,抑制背景信息;设计了自注意关联模块处理层与层之间信息融合过程中产生的语义冲突问题。文中使用多种评价指标将所提网络模型与目前先进的其他红外小目标检测方法进行对比,证明了该方法在复杂背景下目标检测性能的优越性。在公开的SIRST数据集上,所提模型的F分数为64.70%,相比传统方法提高了8.29%,相比深度学习方法提高了7.29%;在公开的ISOS数据集上,所提模型的F分数为64.54%,相比传统方法提高了23.59%,相比深度学习方法提高了6.58%。

关键词：红外小目标检测条件生成对抗网络特征融合注意力机制扩张卷积

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

在线全文

学校读者我要写书评

暂无评论

东南大学学报（自然科学版） 2021年第6期51卷 1076-1083页

作者：黄文涵殷国栋耿可可庄伟超徐利伟东南大学机械工程学院南京211189

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,... 详细信息

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.

关键词：智能驾驶目标检测扩张卷积特征自适应融合

在线全文

学校读者我要写书评

暂无评论

双通道扩张卷积注意力图像去噪网络

计算机应用研究 2023年第5期40卷 1548-1552,1564页

作者：曹义亲邱沂华东交通大学软件学院南昌330013

针对深度学习图像去噪算法存在网络过深导致细节丢失的问题,提出一种双通道扩张卷积注意力网络CEANet。拼接信息保留模块将每一层的输出特征图融合,弥补卷积过程中丢失的图像细节特征进行密集学习;扩张卷积可以在去噪性能和效率之间进... 详细信息

针对深度学习图像去噪算法存在网络过深导致细节丢失的问题,提出一种双通道扩张卷积注意力网络CEANet。拼接信息保留模块将每一层的输出特征图融合,弥补卷积过程中丢失的图像细节特征进行密集学习;扩张卷积可以在去噪性能和效率之间进行权衡,用更少的参数获取更多的信息,增强模型对噪声图像的表示能力,基于扩张卷积的稀疏模块通过扩大感受野获得重要的结构信息和边缘特征,恢复复杂噪声图像的细节;基于注意力机制的特征增强模块通过全局特征和局部特征进行融合,进一步指导网络去噪。实验结果表明,在高斯白噪声等级为25和50时,CEANet都获得了较高的峰值信噪比均值和结构相似性均值,能够更高效地捕获图像细节信息,在边缘保持和噪声抑制方面,具有较好的性能。相关实验证明了该算法进行图像去噪的有效性。

关键词：图像去噪深度学习扩张卷积注意力机制

基于扩张卷积和Transformer的视听融合语音分离方法

在线全文

学校读者我要写书评

暂无评论

信号处理 2023年

作者：刘宏清谢奇洲赵宇周翊重庆邮电大学通信与信息工程学院

为了提高语音分离的效果，除了利用混合的语音信号，还可以借助视觉信号作为辅助信息。这种融合了视觉与音频信号的多模态建模方式，已被证实可以有效地提高语音分离的性能，为语音分离任务提供了新的可能性。为了更好地捕捉视觉与音频... 详细信息

为了提高语音分离的效果，除了利用混合的语音信号，还可以借助视觉信号作为辅助信息。这种融合了视觉与音频信号的多模态建模方式，已被证实可以有效地提高语音分离的性能，为语音分离任务提供了新的可能性。为了更好地捕捉视觉与音频特征中的长期依赖关系，并强化网络对输入上下文信息的理解，本文提出了一种基于一维扩张卷积与Transformer的时域视听融合语音分离模型。将基于频域的传统视听融合语音分离方法应用到时域中，避免了时频变换带来的信息损失和相位重构问题。所提网络架构包含四个模块：一个视觉特征提取网络，用于从视频帧中提取唇部嵌入特征；一个音频编码器，用于将混合语音转换为特征表示；一个多模态分离网络，主要由音频子网络、视频子网络，以及Transformer网络组成，用于利用视觉和音频特征进行语音分离；以及一个音频解码器，用于将分离后的特征还原为干净的语音。本文使用LRS2数据集生成的包含两个说话者混合语音的数据集。实验结果表明，所提出的网络在尺度不变信噪比改进(SI-SNRi)与信噪比改进(SDRi)这两种指标上分别达到14.0 dB与14.3 dB，较纯音频分离模型和普适的视听融合分离模型有明显的性能提升。

关键词：语音分离视听融合多头自注意力机制扩张卷积

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

密集连接扩张卷积神经网络的单幅图像去雾

计算机科学与探索 2021年第1期15卷 185-194页

作者：刘广洲李金宝任东东舒明雷齐鲁工业大学(山东省科学院)山东省人工智能研究院济南250014 黑龙江大学计算机科学技术学院哈尔滨150080

针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题,提出了一种端到端的密集连接扩张卷积神经网络。首先,通过使用多层密集连接结构来增加网络的特征利用率,避免网络加深时的梯度消失现象。其次,通过在密集块中使用不同扩张... 详细信息

针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题,提出了一种端到端的密集连接扩张卷积神经网络。首先,通过使用多层密集连接结构来增加网络的特征利用率,避免网络加深时的梯度消失现象。其次,通过在密集块中使用不同扩张率的扩张卷积,使网络在充分聚合上下文特征信息时不损失空间分辨率,并避免了网格伪影的产生。最后,为了提高算法的去雾能力,将该网络划分为多个阶段,并在每个阶段引入侧输出模块,从而获得更精确的特征信息。实验结果表明,所提出的去雾算法无论是在合成数据集上还是在真实数据集上都取得了较好的去雾效果,恢复的色彩更接近无雾图像,并且定量评价指标峰值信噪比(PSNR)和结构相似性(SSIM)均优于其他对比方法。

关键词：图像去雾卷积神经网络(CNN) 密集连接扩张卷积

在线全文

学校读者我要写书评

暂无评论

基于扩张卷积的图像压缩感知算法研究

基于扩张卷积的图像压缩感知算法研究

作者：卢瑞江西理工大学

学位级别：硕士

随着社会的发展,人们对数据的要求也在日益提高,导致信息传输速度相应提高,在数据收集处理过程中,对采集频率和处理速度等的需求也在增加。由于具有冗余性和稀疏性,图像可以根据压缩感知理论进行重建。图像压缩感知的目标是将图像从少... 详细信息

随着社会的发展,人们对数据的要求也在日益提高,导致信息传输速度相应提高,在数据收集处理过程中,对采集频率和处理速度等的需求也在增加。由于具有冗余性和稀疏性,图像可以根据压缩感知理论进行重建。图像压缩感知的目标是将图像从少于奈奎斯特采样定理所要求的测量值中准确地重建,要实现图像压缩感知,需要解决两个关键问题,一是如何设计高效的采样矩阵来获取测量值,二是如何从测量值中快速恢复高质量的重建图像。目前,利用卷积神经网络来完成图像压缩感知重建任务取得了不错的效果,这类网络通常由采样网络、初步重建网络以及深度重建网络组成。然而,现有的图像压缩感知重建模型在重建网络的设计上普遍存在计算复杂度高、牺牲重建时间来换取重建图像质量的问题。为此,本文的工作重心主要在重建网络上,旨在提出一种兼顾重建质量和运行速度的深度重建网络用于解决上述问题,具体内容如下:(1)提出了一种特征聚合残差块,构建了一个基于特征聚合残差块的图像压缩感知模型,称之为TDCN＿FARB。该残差块级联了一个由扩张率为1的扩张卷积、批量归一化层和Re LU激活函数构成的组合层、一个由扩张率为2的扩张卷积、批量归一化层和Re LU激活函数构成的组合层和一个由扩张率为3的克罗内克卷积、批量归一化层和Re LU激活函数构成的组合层,然后通过特征融合操作把每个组合层的输出进行特征融合,最后把输入输出相连接,形成残差形式,得到特征聚合残差块。实验结果表明,所提出的TDCN＿FARB优于近年来大部分主流的算法。(2)提出了一种树形结构残差块,构建了一个基于树形结构残差块的图像压缩感知模型,称之为TDCN＿TSRB。该残差块级联了三个扩张率分别为1、2和3的扩张卷积,然后也是通过特征融合操作把每个扩张卷积的输出进行特征融合,最后把输入输出相连接,形成残差形式得到树形结构残差块。与特征聚合残差块相比,去除了其中所使用的批量归一化层和池化层。实验结果表明,所提出的TDCN＿TSRB模型在图像压缩感知重建性能上要优于TDCN＿FARB和近年来大多数的算法。

关键词：扩张卷积卷积神经网络特征聚合残差块树形结构残差块图像重建压缩感知