检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度卷积网络算法的人脸识别方法研究

计算机仿真 2017年第1期34卷 322-325,371页

作者：龙海强谭台哲广东工业大学计算机学院广东广州510006

由于人脸图像在采集过程中,容易收到光照等环境影响,使得人脸特征存在突变性。传统的识别方法主要通过采集人脸特征进行人脸识别,对图像清晰度要求很高,针对模糊图像不能及时进行人脸特征采集,导致人脸识别不准确的问题。提出深度卷积... 详细信息

由于人脸图像在采集过程中,容易收到光照等环境影响,使得人脸特征存在突变性。传统的识别方法主要通过采集人脸特征进行人脸识别,对图像清晰度要求很高,针对模糊图像不能及时进行人脸特征采集,导致人脸识别不准确的问题。提出深度卷积网络算法的人脸识别方法。首先要用局部二值算法提取人脸局部纹理特征,对深度卷积网络模型进行构建,并利用卷积网络共享权值和池化、下采样等降低模型的复杂度。在模型的顶层形成人脸图像特征分类面,得到完成好的深度卷积网络模型,利用该模型对人脸图像进行特征提取,有效的完成了人脸的识别。实验结果很好地证明了利用深度卷积网络算法的人脸识别方法对人脸特征表达效果良好,显著提高了人脸识别的准确率。

关键词：深度卷积网络局部二值模式人脸识别

在线全文

学校读者我要写书评

暂无评论

基于深度卷积网络的多错误定位方法

计算机科学 2021年第S2期48卷 88-92页

作者：张慧江苏科技大学计算机学院江苏镇江212003

目前的错误定位方法大多数解决的是单错误定位。然而,错误之间是相互关联的,如何找到这些语句与测试结果之间的关联关系和错误之间的关联关系,并减轻偶然性正确的测试用例和相似测试用例对语句可疑度的影响,对提高多错误定位的效率至关... 详细信息

目前的错误定位方法大多数解决的是单错误定位。然而,错误之间是相互关联的,如何找到这些语句与测试结果之间的关联关系和错误之间的关联关系,并减轻偶然性正确的测试用例和相似测试用例对语句可疑度的影响,对提高多错误定位的效率至关重要。为了解决以上问题,提出了基于深度卷积网络的多错误定位方法,通过一种特殊结构的深度卷积网络得到一组准确度比较高的语句可疑度,再将其应用于前向切片和后向切片中,寻找到错误与错误之间的关联定位多错误。实验表明,所提方法的多错误定位效率高于目前存在的经典的错误定位方法的错误定位效率。

关键词：错误定位深度卷积网络切片

在线全文

学校读者我要写书评

暂无评论

面向深度卷积网络的多目标神经演化算法

小型微型计算机系统 2021年第1期42卷 71-77页

作者：陈禹行胡海根刘一波郝鹏翼李小薪周乾伟浙江工业大学计算机科学与技术学院杭州310000

传统的深度卷积神经网络设计方法依赖于人工设计以及反复试错,只能采用形式单一的网络结构,导致其参数过分冗余,乘法次数巨大.为了自动化地设计出结构灵活多变,网络规模及计算量较小的深度卷积神经网络,本文提出了一种面向深度卷积网络... 详细信息

传统的深度卷积神经网络设计方法依赖于人工设计以及反复试错,只能采用形式单一的网络结构,导致其参数过分冗余,乘法次数巨大.为了自动化地设计出结构灵活多变,网络规模及计算量较小的深度卷积神经网络,本文提出了一种面向深度卷积网络的多目标神经演化算法.该算法将深度神经网络表达成有向图,使用神经演化和多目标优化算法实现了深度、计算量和识别率下的多目标同时优化,同时还引入了线性规划用于将基因编码翻译为卷积层的配置参数,使得演化算法可以自动调整各个网络层的具体配置.演化得到的模型其最深路径上含有36个卷积层,CIFAR-100上Top5精度为86.1%,Top1精度为60.2%,与识别率相近的网络相比,具有结构新颖,乘法次数低等特点.综上,本文提出的方法能够自动生成一系列各具特色的深度神经网络,可根据在深度、计算量和识别率3个指标上的不同应用需求选择适合的深度神经网络,为深度神经网络部署于资源受限的无线传感器网络上提供了一种快速、经济、自动化的设计方法.

关键词：深度卷积网络神经演化基因编码多目标优化无线传感器网络

在线全文

学校读者我要写书评

暂无评论

基于深度卷积网络的地震数据插值

基于深度卷积网络的地震数据插值

作者：孟乔哈尔滨工业大学

学位级别：硕士

在勘探中,有很多因素会导致地震资料缺失,从而影响后续的资料解释。因此需要重构缺失的地震数据,即地震数据插值本文用深度卷积网络的方法做插值,与其他插值方法相比它的重构效果更好,误差更小。卷积网络只有很少的预处理和后处理,使用... 详细信息

在勘探中,有很多因素会导致地震资料缺失,从而影响后续的资料解释。因此需要重构缺失的地震数据,即地震数据插值本文用深度卷积网络的方法做插值,与其他插值方法相比它的重构效果更好,误差更小。卷积网络只有很少的预处理和后处理,使用起来更加方便。实际问题往往非常复杂,几乎不能用线性模型解决,或用线性模型误差会非常大从而影响插值结果,进而影响后续的资料解释等。为了解决这个问题,引入激活函数,但是常见的激活函数各有缺点,使用Sigmoid激活函数具有梯度消失的问题和零中心问题。Hyperbolic Tangent激活函数解决了零中心问题,但是仍然存在梯度消失问题。这里选用ReLU激活函数解决了线性模型的局限性问题,并且解决了梯度消失和零中心问题,适用范围更广。传统的基于稀疏编码的方法是分别处理每一层,深度卷积网络的方法是共同优化所有层。本文的深度卷积网络是一个轻量级结构,是端到端映射,不需要繁琐的操作,但是仍然保证了良好的效果,并且降低了冗余信息。

关键词：地震数据插值深度卷积网络轻量级结构端到端映射

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积网络的皮肤病变自动识别及应用

基于深度卷积网络的皮肤病变自动识别及应用

作者：丁赛赛重庆师范大学

学位级别：硕士

皮肤病是人类最常见的疾病之一,以黑色素瘤为代表的恶性皮肤病变有着极高的致死率。黑色素瘤治疗的关键在于早期发现和治疗,但是早期黑色素瘤易与皮肤良性病变中的黑色素细胞痣和脂溢性角化病相混淆,造成治疗延误。目前临床上皮肤病的... 详细信息

皮肤病是人类最常见的疾病之一,以黑色素瘤为代表的恶性皮肤病变有着极高的致死率。黑色素瘤治疗的关键在于早期发现和治疗,但是早期黑色素瘤易与皮肤良性病变中的黑色素细胞痣和脂溢性角化病相混淆,造成治疗延误。目前临床上皮肤病的诊断主要依赖医生的肉眼观察和临床诊治经验,缺乏科学量化手段。皮肤病变计算机辅助诊断系统可以帮助医生对病情进行分析和判断,提高医生诊断效率并减轻工作量。针对皮肤镜图像训练数据不足、类间相似性、类内变异以及无用背景信息干扰的问题,为了对皮肤病变进行自动识别,本文从皮肤镜图像合成和皮肤病变识别两个方面进行研究,具体工作如下:(1)针对训练数据不足的问题,本文提出了一种基于生成对抗网络的皮肤镜图像合成算法以进行数据扩充。该算法以pix2pix HD框架为基础,首先对全局生成器进行改进,以跳跃连接的方式将浅层特征和深层特征相结合以避免图像细节信息的丢失,然后引入标准差匹配损失以稳定GAN的训练,最后建立了一套有病理意义的皮肤病变知识模型以生成高质量的皮肤镜图像。与DCGAN和PGAN相比,本文算法合成的皮肤镜图像不仅质量更高,并且可以为监督学习提供额外的信息增益。(2)针对背景信息干扰的问题,本文提出了一种基于深度卷积网络的两阶段皮肤病变识别框架。该框架使得分类网络能够根据分割后的结果而不是整个皮肤镜图像提取更有代表性和更具体的特征。对于病灶分割部分,本文首先引入迁移学习的思想对U-Net的编码器部分进行改进,然后利用Dice系数损失函数给予了分割正确像素即病灶区域更多的关注。对于病变分类部分,首先利用颜色恒常化算法对皮肤镜图像进行处理以避免不同光源标准下颜色空间偏移的问题,然后针对类别不均衡问题设计加入样本平衡因子的Focal Loss损失函数。本文方法在ISIC-2017数据集上取得了0.768的最优Jaccard Index分割性能指标和0.920的最优平均AUC分类性能指标。(3)基于以上问题的解决,利用训练好的分割和分类模型,本文建立了一种皮肤病变智能诊断系统。该系统可以在两阶段的皮肤病变识别框架下,通过用户自主上传皮肤镜图像,获取分割和分类结果,这将有助于加快皮肤病诊断的智能化,缓解医学资源的紧缺和不均衡问题,为患者的早期筛查、准确诊治带来极大便利。

关键词：黑色素瘤皮肤病变深度卷积网络生成对抗网络智能诊断

融合深度卷积网络和特征金字塔网络的多病变检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合深度卷积网络和特征金字塔网络的多病变检测

作者：黎生丹云南大学

学位级别：硕士

人工检测CT图像的病变,不仅耗时费力而且耽误治疗方案的及时提出。计算机辅助检测系统提供参考的病变预测结果,能高效地辅助医生诊断病情。然而,采用单一病变类别的医学影像数据集,将制约相关的检测系统无法精确地检测其他病变,不利于... 详细信息

人工检测CT图像的病变,不仅耗时费力而且耽误治疗方案的及时提出。计算机辅助检测系统提供参考的病变预测结果,能高效地辅助医生诊断病情。然而,采用单一病变类别的医学影像数据集,将制约相关的检测系统无法精确地检测其他病变,不利于提供全面的检测结果。本文针对DeepLesion—多病变CT图像数据集,设计融合深度卷积神经网络和特征金字塔网络的模型,实现对多部位病灶的病变检测任务。本文的主要工作如下:通过结合不同特征提取网络和级联结构的模型,在DeepLesion数据集下研究取得最佳性能的网络,并最终采用以Mask RCNN为框架,融合密集连接网络（Dense Net）和双向特征金字塔网络（Bi FPN）的模型,该模型主要分为两部分。1、骨干网。模型采用DenseNet-121为骨干网,并对结构进行精简调整;为提取和利用CT图像中的3D空间信息,将融合多张相邻切片与中央切片的CT切片组作为输入,并通过结合压缩奖惩模块的特征融合算法,在骨干网中实现切片的加权融合,进而加强或者削弱相邻切片对融合切片的影响,提高检测识别精度;模型还结合Bi FPN网络作为多尺度特征提取网络,实现多维度特征的加权融合,提升特征融合效果,同时相应地简化该网络来解决裁剪图像导致的维度不匹配问题;2、检测与分割分支。模型引入多阶段级联检测器结构,利用多阈值级联检测器使候选样本更接近真实标签,并且对样本分布重采样,加大检测器的训练强度,之后提取高质量的候选样本用于检测分支与分割分支的位置编码和区域分割。在DeepLesion测试集上,本文模型在去除分割任务后取得85.61%的最高检测精度,而级联三阶段的模型,分割预测结果与真实标签的端点距离取得最小误差1.15mm和最小直径误差1.57mm,分割性能比以往网络具有更优秀的性能表现。因此,本文提出的模型能胜任辅助医生检测多病变CT图像中疑似病变的工作。

关键词：深度卷积网络病变检测特征融合压缩奖惩模块 CT图像

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于语义信息强化的深度卷积网络图像分类

基于语义信息强化的深度卷积网络图像分类

作者：张杰西安电子科技大学

学位级别：硕士

图像分类是视觉信息处理的核心问题之一,目前得到广泛关注。图像分类是根据图像所展示的语义信息对类别不同的图像加以区分,在图像分类问题中,从图像中所提取到的特征是决定最终分类结果的重要因素。传统的图像分类算法,是通过人工提取... 详细信息

图像分类是视觉信息处理的核心问题之一,目前得到广泛关注。图像分类是根据图像所展示的语义信息对类别不同的图像加以区分,在图像分类问题中,从图像中所提取到的特征是决定最终分类结果的重要因素。传统的图像分类算法,是通过人工提取的颜色、纹理、形状等特征对分类器进行训练。随着深度学习的发展,利用卷积神经网络实现端到端的图像特征提取方法成为新的研究趋势。本文主要研究基于卷积神经网络的图像分类方法,主要工作如下:(1)提出了一种基于层间语义信息融合的深度卷积网络图像分类方法。为充分利用深层和浅层特征所包含的语义信息,提升网络的特征表达能力,引入金字塔型特征图子结构对不同空间层次图像语义特征进行融合,利用金字塔池化结构对特征图逐一进行多尺度的特征提取,构建了层间语义信息融合的深度卷积网络图像分类模型。所构建的模型通过深度卷积网络提取不同层次图像特征,利用图像金字塔型结构将包含图像基础语义信息的浅层特征与更具有判别力的深层复杂语义特征相融合,获取了丰富的图像特征信息,有利于不同类别图像特征的差异性表示;通过引入金字塔池化结构融合图像的多尺度特征,增强了特征的典型性和区分性。实验结果表明,层间语义信息融合的深度卷积网络图像分类模型能够有效提高图像分类的准确率。(2)提出了一种基于轻量化残差网络的图像分类方法。为了在保证图像分类精度的前提下降低网络参数规模,通过特征图分组卷积和通道混洗构建轻量化网络模型,将该模型融入残差网络,并引入挤压与激励架构强化图像特征表示,从而构建轻量化残差网络图像分类模型。所构建的模型通过对特征图进行分组卷积减少了网络参数量,同时利用特征通道混洗加强多分组间图像特征信息的交互,提升了网络的特征提取能力,有效消除图像特征多分组间的边界效应;通过挤压激励结构强化不同通道间特征差异,以调节图像特征通道权值,为最终分类任务提供了丰富的图像特征表示。实验结果表明,轻量化残差网络图像分类模型在图像分类任务中能够得到较好的图像分类准确率。(3)提出了一种基于特征增强的深度密集网络图像分类方法。为了实现图像特征的多样性和典型性,主干网络引入融合增强模块,并利用挤压激励架构强化图像典型特征,构建了特征增强的深度密集网络图像分类模型。所构建的模型通过融合增强模块获取更有辨识度的特征表示,并与原特征进行融合,提升了深度密集网络各瓶颈块对图像目标的特征表达能力,细化了目标图像类间特征差异;利用挤压与激励区分图像不同通道特征的重要性,优化了对图像特征的筛选能力,提高了网络模型的特征表示和泛化能力。实验结果表明,特征增强的深度密集网络图像分类模型能够在图像分类任务中得到较高的图像分类精度。

关键词：图像分类深度卷积网络语义信息融合轻量化特征增强

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

稀疏与量化驱动的深度卷积网络压缩

稀疏与量化驱动的深度卷积网络压缩

作者：郑哲南京信息工程大学

学位级别：硕士

近年来,深度卷积网络被广泛应用于计算机视觉领域,在许多视觉任务上如图像分类、目标检测、视频跟踪、图像分割等取得了优异的表现。性能优异的深度卷积网络往往具有参数量大、计算复杂度高的特点,因此它们将很难被直接部署在移动设备... 详细信息

近年来,深度卷积网络被广泛应用于计算机视觉领域,在许多视觉任务上如图像分类、目标检测、视频跟踪、图像分割等取得了优异的表现。性能优异的深度卷积网络往往具有参数量大、计算复杂度高的特点,因此它们将很难被直接部署在移动设备上。如今,针对深度卷积网络压缩的研究成为学界和工业界的研究热点。本文针对深度卷积网络压缩问题,从提高模型参数结构化稀疏度和模型参数量化表示两方面开展了研究,具体的研究内容和创新点归纳如下:提出了一种对深度卷积网络自动化结构化的稀疏剪枝方法。本文结合神经架构搜索方法对预训练模型自动剪枝,可以有效地扩大剪枝空间来搜索最优的初始化剪枝索引,提高网络结构的稀疏度。具体来说,利用进化算法对网络中的卷积核进行编码,设计个体适应度函数来评价个体优劣,经过选择、交叉、变异等进化操作来迭代出最优的个体,最后执行剪枝操作。剪枝后,通过知识蒸馏的训练策略来微调剪枝后网络,进一步提高剪枝后模型的准确率。实验表明,所提出的方法在更高网络稀疏度的情况下可以取得与传统剪枝方法相当的效果。提出了一种对生成对抗网络（Generative Adversarial Network,GAN）权值和激活量化的方法。通过量化敏感性分析发现,与量化分类网络不同,GAN中的权重量化比激活量化更敏感,因此在量化时给予权重更多量化比特。比较了两种评价GAN生成图像的指标Inception Score（IS）和Fréchet Inception Distance（FID）,发现FID更适合评估量化后GAN的性能。本文基于敏感性分析在MNIST和Celeb-A数据集上进行量化实验,用FID指标来评估量化GAN的性能。实验结果表明:在生成图像质量不下降的情况下,所提出的方法依然可以取得4倍以上的压缩率,从而有效地解决了GAN的压缩问题。

关键词：深度卷积网络剪枝量化生成对抗网络进化算法

结合大气光模型与深度卷积网络的图像去雾方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合大气光模型与深度卷积网络的图像去雾方法研究

作者：李诗琪大连理工大学

学位级别：硕士

雾霾天气会影响户外成像设备性能,降低户外成像设备获取图像的质量,进而影响理解图像内容算法的准确性,因此去雾算法成为图像增强领域一个重要的研究热点。虽然国内外雾天图像增强算法已经有了长足的进步,但是雾天退化图像增强仍然具有... 详细信息

雾霾天气会影响户外成像设备性能,降低户外成像设备获取图像的质量,进而影响理解图像内容算法的准确性,因此去雾算法成为图像增强领域一个重要的研究热点。虽然国内外雾天图像增强算法已经有了长足的进步,但是雾天退化图像增强仍然具有挑战性。目前图像去雾算法可以分为三大类:基于对比度增强的算法、基于先验知识的传统算法和基于神经网络的算法。早期基于对比度增强的算法能够解决简单雾天图像,但此类方法运算量大,效率低。传统基于先验知识的算法有严格的理论保证但本身需要复杂且准确的先验设计。基于深度神经网络的算法需要复杂的网络模型,极其依赖大量的训练数据,且泛化能力差。本论文根据雾天图像的低对比度、低清晰度和高噪声的特点,提出结合大气光模型与深度卷积网络的单幅图像去雾算法。该算法充分使用深度卷积网络优秀的学习能力,不需要复杂的先验设计和庞大的训练数据。本论文首先针对大气光模型中的关键变量透射率为优化目标建立优化模型,采用即插即用型的优化策略,建立融合深度卷积神经网络的求解方案,达到平滑透射率恢复雾天清晰图像的目的。其次,本论文针对受到噪声干扰的雾霾图像,以大气光模型中透射率和清晰图像的耦合关系为出发点,建立双变量联合的最优化模型。在模型优化过程中引入深度神经网络分别作为透射率平滑和图像去噪的引导模块,达到显著提升图像视觉质量的目的。本论文通过大量的实验证明该算法能够有效的增强雾霾图像。最后,将该算法应用到其他底层视觉任务(水下和低光图像增强),通过与现有的方法对比可以发现,该算法具有较强的泛化能力和鲁棒性。综上所述,本论文根据大气光模型的特点,通过构建充分利用深度卷积神经网络学习能力的单幅图像去雾算法,显著提升雾霾天气图像的质量。除此之外,该算法可应用于其他底层视觉任务中并获得较好的增强效果。

关键词：单幅图像去雾大气光模型深度卷积网络