检索结果-南通市图书馆

作者：何翼飞天津大学

学位级别：硕士

行人检测一直是计算机视觉领域的重要研究课题,无人驾驶、机器人导航、安防、智能交通等领域都需要实时准确的行人检测系统。由于可见光图像在不良照明条件下的成像缺陷,基于热成像原理的远红外图像成为基于视觉方法进行全天候行人检测... 详细信息

行人检测一直是计算机视觉领域的重要研究课题,无人驾驶、机器人导航、安防、智能交通等领域都需要实时准确的行人检测系统。由于可见光图像在不良照明条件下的成像缺陷,基于热成像原理的远红外图像成为基于视觉方法进行全天候行人检测的重要手段。近年以来,随着深度学习技术在计算机视觉领域的崛起,采用卷积神经网络进行行人检测的研究引起了众多学者的热切关注,并在一些细分领域取得了卓越表现。大规模的样本数据对于深度学习的效果是至关重要,但可用的已标注红外数据远少于常见的可见光数据,现行的红外行人检测方法大多先行在ImageNet数据集上预训练分类模型,随后再于红外数据集上进行检测任务的调优。但远红外的图像为单通道灰度图像,成像细节也与可见光图像迥异,加之分类模型转向检测任务的迁移学习瓶颈,这些因素极大的影响了神经网络训练结果,限制了红外行人检测系统的准确率。在实际应用中,规模更大、复杂度更高的神经网络模型已经被证实更有效,并在产品中有广泛的使用,这同时也产生了对计算能力、存储带宽的更大要求和消耗。在边缘计算场景中亟待优化。本论文主要研究工作如下:1、提出了一种基于深度监督学习的行人检测算法。在网络的骨干子网络和后端预测生成子网络中添加密集残差连接,提升网络各层间的信息流动和特征重用。使得行人检测网络可不基于可见光图像预训练模型,直接在红外数据集从零开始训练,且检测精度更高。2、针对目标检测和定位任务优化特征提取过程,在预测生成子网络中以深度可分离卷积替代传统卷积,并选用大分辨率特征图,提高了大目标的检测精度,降低了小目标的漏检率,且网络模型大小和运算开销不增反降。3、在单指令多数据流架构上对行人检测算法进行计算优化。结合硬件平台的微结构特征和相关参数制定优化策略,对核心算子深度可分离卷积进行了改写优化。采取了数据布局变换和循环重排、寄存器分块、缓存分块等措施,编写对向量化和缓存友好的代码。优化后的核心算子实际运行时间显著减少,使得本设计的目标检测网络可在终端硬件平台实现实时运行。

关键词：行人检测深度监督学习红外并行计算软硬件协同设计

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

基于结构重参数化与多尺度深度监督的COVID-19胸部CT图像自动分割

引用

电子学报 2023年第5期51卷 1163-1171页

作者：刘金平吴娟娟张荣徐鹏飞湖南师范大学信息科学与工程学院湖南长沙410006

基于深度学习模型的胸部CT(Computed Tomography)图像自动分割有助于辅助医生诊疗.但随着网络宽度与深度的加深,网络训练困难且推理减慢.为提高隐藏层的学习能力,深度监督机制被用于网络训练.但以往的深度监督方法没有考虑模型中多尺度... 详细信息

基于深度学习模型的胸部CT(Computed Tomography)图像自动分割有助于辅助医生诊疗.但随着网络宽度与深度的加深,网络训练困难且推理减慢.为提高隐藏层的学习能力,深度监督机制被用于网络训练.但以往的深度监督方法没有考虑模型中多尺度特征图的分层表示以及上采样对参与损失计算的特征图质量的影响.为加强隐藏层学习过程的直接性同时加快网络推理,本文提出一种结构重参数化与多尺度深度监督分割网络(Structural Reparameterization and Multi-scale Deep Supervision Network,SR&MDS-Net),以实现COVID-19(COrona VIrus Disease 2019)胸部CT图像的高效准确分割.首先构建一种结构重参数化特征变异(Structure Reparameterized Featurev ariation,SRFV)模块将网络的训练与推理进行解耦,在提高模型表达能力的同时加快推理速度;然后,提出一种新颖的多尺度深度监督机制,以加强网络监督效果,提高网络性能.在公开的COVID-19胸部CT图像数据集上进行实验,SR&MDSNet的灵敏度、特异性、准确率、Dice分别达到了91.5%、99.5%、72.8%、80.1%,与同类其他方法比较,具有更优的性能.

关键词： COVID-19 医学图像分割深度学习 U-Net 结构重参数化深度监督学习

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

长短期记忆循环神经网络在自动语音识别中的应用

引用

单片机与嵌入式系统应用 2023年第10期23卷 49-52,56页

作者：王丽涂冰花王伟陆俊杨奚诚国网安徽省电力有限公司信息通信分公司合肥230061 智慧电网数字协同技术安徽省联合共建学科重点实验室

近年来,深度学习方法在自动语音识别(ASR)中取得了优于传统机器学习方法的成果,尤其是基于长短时记忆(LSTM)的深度学习方法改善了ASR性能,然而传统LSTM对于处理连续输入流存在限制,需要大量内存带宽和计算资源。本研究提出了一种增强型... 详细信息

近年来,深度学习方法在自动语音识别(ASR)中取得了优于传统机器学习方法的成果,尤其是基于长短时记忆(LSTM)的深度学习方法改善了ASR性能,然而传统LSTM对于处理连续输入流存在限制,需要大量内存带宽和计算资源。本研究提出了一种增强型深度学习LSTM循环神经网络(RNN)模型,该模型将RNN作为“遗忘门”,融入记忆块,能够在子序列开始时重置单元状态,从而高效处理连续输入流。此外,修改了LSTM网络的标准架构,以更有效地利用模型参数。与基于CNN和顺序模型的方法相比,在电网调度语音数据集上,LSTM RNN模型以99.36%的准确率优于其他深度学习模型。

关键词：自动语音识别深度监督学习循环神经网络

来源：

维普期刊数据库博看期刊

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

基于自适应辅助损失的CT图像新冠肺炎诊断算法研究

基于自适应辅助损失的CT图像新冠肺炎诊断算法研究

引用

作者：黄英杰湘潭大学

学位级别：硕士

新型冠状病毒肺炎(COVID-19)的肆意蔓延对全世界人民的生命和财产安全带来了巨大威胁。胸部CT被认为是新冠肺炎诊断和后续治疗的有效工具之一。然而人工阅片费时费力,而且高度依赖医生的临床经验。深度学习作为一门新兴的方法,能有效地... 详细信息

新型冠状病毒肺炎(COVID-19)的肆意蔓延对全世界人民的生命和财产安全带来了巨大威胁。胸部CT被认为是新冠肺炎诊断和后续治疗的有效工具之一。然而人工阅片费时费力,而且高度依赖医生的临床经验。深度学习作为一门新兴的方法,能有效地加快CT图像新冠肺炎诊断效率,因此受到越来越多的关注。但现有的可用于训练的新冠肺炎诊断数据集数量少,数据集中样本类别的多样性有限,且新冠肺炎CT图像的样本数量远小于正常样本数量,导致了类不平衡的问题。由于数据集中某些类别的数据丰富而另一些类别的数据稀少,使得分类算法难以学习判别类别边界。因此,基于不平衡数据训练鲁棒的深度神经网络是新冠肺炎诊断中的一项基础的且有挑战性的重要任务。本文针对CT图像新冠肺炎自动诊断问题展开深入研究,提出了一种深度学习算法模型。主要研究内容有:(1)本文设计了一种自适应的辅助损失(Self-Adaptive Auxiliary Loss,SAAL)对不平衡数据进行监督。该损失考虑了CT切片间数据重叠的影响,量化了有效样本数来作为交叉熵各类的权值,同时考虑了临床数据集中可能出现的噪声标签的问题,引入反向交叉熵。自适应损失中的参数均是通过网络自适应训练得到的,不需要任何手动调参过程。(2)本文提出了一种新型的基于自适应辅助损失的深度监督网络架构(Deep Su-pervised Network with a Self-Adaptive Auxiliary Loss,DSN-SAAL),用于解决类别不平衡下的新冠肺炎诊断问题。考虑到不同深度的网络可以学习到不同的特征表达,损失函数在网络的不同阶段的监督作用应该是不同的,体现在解决数据不平衡问题时对少数类的偏袒程度。DSN-SAAL在深度监督网络中构造了自适应辅助损失,有效地结合了网络各阶段不同类型特征的学习程度,促进模型中少数类特征的学习,从而更好地进行CT图像新冠肺炎诊断。(3)本文构建了一个新的新冠肺炎诊断数据集(命名为COVID19-Diag),包括来自225例临床病例的6982个CT切片,分为三类:新冠肺炎、正常和细菌性肺炎。本文在该数据集上进行了大量的实验,从整体以及各组分上分别验证了DSN-SAAL在不同程度的不平衡情况下的有效性。同时本文还在三个公开的新冠肺炎诊断数据集上进行了大量的实验。结果表明,DSN-SAAL算法的性能优于现有的方法,而且在泛化能力方面具有更显著的性能。

关键词：新型冠状病毒肺炎图像分类类别不平衡深度监督学习自适应辅助损失

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

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

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：