检索结果-南通市图书馆

基于拉普拉斯金字塔残差网络的多尺度图像压缩研究

在线全文

学校读者我要写书评

暂无评论

印刷与数字媒体技术研究 2024年第5期 33-44页

作者：田学军章文强马梓轩陈良哲叶卉荣舒忠荆楚理工学院新能源学院荆门448000

为了更好地进行图像重建,加强对图像多尺度特征表示和特征融合的处理,本研究提出一种新的多尺度特征融合图像重建网络模型。模型包括迭代降采样和迭代上采样过程。迭代降采样过程是通过在拉普拉斯金字塔残差控制网络模型中将高斯卷积核... 详细信息

为了更好地进行图像重建,加强对图像多尺度特征表示和特征融合的处理,本研究提出一种新的多尺度特征融合图像重建网络模型。模型包括迭代降采样和迭代上采样过程。迭代降采样过程是通过在拉普拉斯金字塔残差控制网络模型中将高斯卷积核与子采样和高斯平滑滤波迭代操作规则相结合完成的。迭代上采样过程是通过使用拉普拉斯卷积核和二阶差分操作规则实现的。GJ-UNet深度学习网络模型通过其编码器下采样模块实现图像多尺度语义特征的精细分类,并在解码器上采样模块中应用反卷积和卷积操作规则,规范处理图像多尺度语义特征。实验表明,所提出的方法可以实现高精度的特征提取,同时对于图像特征融合的相关性更强,提取的图像边缘信息更清晰且相对噪声信息更低,重建图像的视觉效果基本与原始输入图像相同。本研究有望广泛应用于计算机图像视觉领域。

关键词：压缩感知图像重构图像多尺度特征拉普拉斯金字塔模型差分运算 GJ-UNet深度学习网络模型 dice损失函数

基于改进YOLOv8n的煤矿井下钻杆计数方法

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2024年第8期50卷 112-119页

作者：姜媛媛刘宋波安徽理工大学电气与信息工程学院安徽淮南232001 安徽理工大学环境友好材料与职业健康研究院(芜湖) 安徽芜湖241003

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精... 详细信息

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

关键词：矿井钻机钻杆计数 YOLOv8n−TBiD BiFPN Triplet Attention dice损失函数钻杆掩码图像分割

维普期刊数据库博看期刊

基于全卷积DenseNet的前列腺MRI分割新方法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2020年第6期37卷 1886-1889,1894页

作者：胡学刚杨洪光重庆邮电大学通信与信息工程学院重庆市信号与信息处理重点实验室重庆400065

前列腺磁共振图像(MRI)的自动分割对前列腺疾病的诊断至关重要,但是前列腺区域所占比例过小、组织边界模糊等问题为自动分割带来极大困难。针对这些问题,提出了一种基于全卷积DenseNet的前列腺MRI图像分割方法。该方法以现流行的深度学... 详细信息

前列腺磁共振图像(MRI)的自动分割对前列腺疾病的诊断至关重要,但是前列腺区域所占比例过小、组织边界模糊等问题为自动分割带来极大困难。针对这些问题,提出了一种基于全卷积DenseNet的前列腺MRI图像分割方法。该方法以现流行的深度学习理论为基础,利用迁移学习的思想,将DenseNet从自然图像迁移到前列腺数据集;采用反卷积和类似U-Net的全卷积神经网络结构,实现端到端的图像分割。同时引入并改进dice相似性损失函数以解决前列腺MRI中背景所占比例远远大于前列腺区域和一些像素难以准确分割等问题。通过在PROMISE12数据集上进行实验,提出的方法 dice相似性系数达到93. 25%,Hausdorff距离小于1. 2 mm,相较于目前的主要方法,分割效果更好、所耗时间更短。

关键词：前列腺MRI分割 DenseNet 全卷积神经网络 dice损失函数

在线全文

学校读者我要写书评

暂无评论

基于深度学习和形态学的海底沙波谷线提取

海洋测绘 2023年第2期43卷 65-68,73页

作者：刘晓亚韩留生李正元范俊甫张大富孙广伟山东理工大学建筑工程学院山东淄博255000 国家海洋局南海调查技术中心广东广州510300 自然资源部海洋环境探测技术与应用重点实验室广东广州510300

为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合... 详细信息

为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合数学形态学中的闭运算和骨架法,对沙波谷线轮廓进行修复并提取线性特征;进一步将改进的U-Net模型与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、面向对象分类以及U-Net模型进行精度对比验证。结果表明:改进的U-Net模型能够解决类别不均衡的问题,实现沙波谷线的高精度提取,该方法对海底沙波的研究具有重要的科学与工程应用价值。

关键词：海底地形测量侧扫声纳提取海底沙波谷线 U型卷积神经网络数学形态学 dice损失函数

基于深层卷积神经网络的遥感图像小目标语义分割

在线全文

学校读者我要写书评

暂无评论

基于深层卷积神经网络的遥感图像小目标语义分割

作者：黄灿电子科技大学

学位级别：硕士

遥感图像的小目标语义分割一直是一项困难的工作,最具有代表性的便是道路的分割。并且随着遥感领域不停地进步,大尺寸的遥感图像的道路分割早已变成一项重点突破的研究方向。道路作为最基础的交通设施,是国家建设、城市规划、军事作战... 详细信息

遥感图像的小目标语义分割一直是一项困难的工作,最具有代表性的便是道路的分割。并且随着遥感领域不停地进步,大尺寸的遥感图像的道路分割早已变成一项重点突破的研究方向。道路作为最基础的交通设施,是国家建设、城市规划、军事作战和经济增长的根本。当前,大多数研究基于传统的机器学习算法,由于图像中充斥着可辨别的诸如道路和建筑物之类的不透水表面,因此复杂且计算量大。虽然该任务过去几年已经广泛研究过,但是由于它的一些特殊特征,所以它依然是一项具有挑战性的任务。本文梳理了遥感图像的道路分割技术的发展历程,并提出了一种基于深度学习的语义分割神经网络。本文将从以下的四个方面开展本文的研究工作:（1）基于U-Net的编码器-解码器层研究。该网络用预训练好的神经网络对图像特征进行解码,并在其中间部分引入了密集扩展层。该网络的体系结构类似U-Net,即进行编解码的卷积层的堆叠方式在空间上具有U型的结构。U-Net体系结构在增强计算性能和节省内存损耗方面都是有效的。（2）基于空洞卷积的扩张卷积层研究。该层采用短连接与空洞卷积的方法扩展了卷积层。由空洞卷积构建的密集扩展层扩大网络的感受野并减少图像特征信息的损耗,以此完成遥感图像的道路分割。（3）基于dice Loss的平衡损失层研究。加入了多尺度的dice损失来改进损失函数。（4）基于概率规整化的算法对断裂的道路分割段进行重连的问题研究。由于本网络的算法结果中经常出现断裂的道路分割段。因此本文提出概率规整化连接道路算法来对断裂的道路分割段进行重连。在理论知识探索完后,本文在DeepGlobe道路提取数据集上对该网络的性能进行了测试。采用特异性,灵敏度,准确度,召回率,F1指标,kappa系数和IoU等指标来评价模型的性能,并且通过控制变量的方法进行各个模块的对比试验。结果显示本文的网络中的模块对模型都有积极作用。

关键词：遥感图像语义分割空洞卷积 dice损失函数概率规整化算法

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

对称性网络在生物医学图像分割中的探讨

对称性网络在生物医学图像分割中的探讨

作者：李雪阳东华大学

学位级别：硕士

生物医学图像分割一直是具有挑战性的任务。近年来,如何通过深度学习技术解决生物医学领域的相关问题,已然成为当下研究的热点。大量研究证明,目前的卷积神经网络模型（CNN）能够解决许多分割任务,但因为生物医学图像的敏感性,难以获得... 详细信息

生物医学图像分割一直是具有挑战性的任务。近年来,如何通过深度学习技术解决生物医学领域的相关问题,已然成为当下研究的热点。大量研究证明,目前的卷积神经网络模型（CNN）能够解决许多分割任务,但因为生物医学图像的敏感性,难以获得大量的标签数据集,这增加了模型的训练难度。另外,通常为了获取较好的分割准确率,会选择使用复杂的网络模型,但这会降低训练的速度,占用更多的空间。因此,构建一个高效、高精度,且能适用于部分规模较小的生物医学图像数据集的网络模型,是攻克该问题的关键。本文探讨并设计具有对称性的深度学习网络模型,用于解决生物医学图像的分割问题。主要工作及成果如下:（1）针对生物医学图像数据集规模较小,从而导致特征信息提供不足的问题。本文采取高效、简单的数据增强手段,采用旋转变换对图像数据集进行扩充,增大数据集的规模。（2）针对dice损失函数在模型训练过程中存在蝴蝶效应,从而导致模型训练不稳定,难以找到最优解的问题。本文从dice损失函数在反向传播中的偏导数入手,从数值角度分析其梯度的变化,找寻蝴蝶效应产生的原因,并在此基础上利用7)2)函数对dice损失函数进行优化,缓解训练过程中产生的蝴蝶效应,使得模型训练更加稳定,从而更易于发现最优解。（3）针对生物医学图像领域中经典的深度学习模型U-Net进行探讨,以降低参数量、加快训练速度、提高分割准确率为目标,以UNet对称性的结构作为本文设计网络模型的基本骨架,在此基础上,引入Dense-Net、Res-Net和Inception-Net的理念,以功能模块的方式将其装配到对称网络模型中,从增大感受野和特征信息再利用两个方面对其进行优化。另外,本文还对模型层数进行探讨,最终选择更浅的网络骨架,旨在构建出适用于生物医学图像的轻量化的对称网络模型。本文在公开的生物医学图像数据集上,对比了经典对称性网络UNet分别搭载dice损失和优化后的dice损失之间的训练结果,根据所得训练曲线,优化的dice损失拥有更平滑的曲线,实验证明优化的dice损失对于缓解dice损失产生的蝴蝶效应是有效的。在此基础上,以优化的dice作为损失函数,提出的MIRD-Net模型和U-Net-12+IT-Block（3,12）模型都优于U-Net模型。此外,由MIRD-Net拓展得到的3D-MIRD-Net,在保证参数量更低、训练速度更快条件下,准确率也优于3D-UNet。实验表明在生物医学图像分割任务中,设计稳定的损失函数、构建特定的网络基本骨架、将其他经典网络作为模块化引入,用于优化深度神经网络模型具有积极意义。

关键词：生物医学图像图像分割 U-Net dice损失函数

基于U^(2)-Net和形态学的裂缝损伤量化评估研究

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

工业建筑 2024年第11期54卷 67-77页

作者：李云汇康帅贺东青丁亚芃河南大学土木建筑学院河南开封475004

针对混凝土结构表观裂缝数据类别不均衡与损伤特征量化问题,提出了一种基于U^(2)-Net和形态学结合的裂缝损伤评估方法。首先,将dice损失函数与损失权重融合构造损失函数,并嵌入迁移学习,使用U^(2)-Net网络对混凝土构件表观裂缝的数据集... 详细信息

针对混凝土结构表观裂缝数据类别不均衡与损伤特征量化问题,提出了一种基于U^(2)-Net和形态学结合的裂缝损伤评估方法。首先,将dice损失函数与损失权重融合构造损失函数,并嵌入迁移学习,使用U^(2)-Net网络对混凝土构件表观裂缝的数据集进行训练,根据预测得到的裂缝二值图像,提取预测裂缝图的骨架,最终将裂缝划分为线性裂缝和网状裂缝,针对不同类型的裂缝使用形态学对预测出的裂缝提取对应的特征参数,并对相应的裂缝特征参数进行误差分析,验证裂缝特征参数的有效性。研究结果表明:该方法预测出的裂缝特征参数与真实标记的参数误差相对较小,线性裂缝长度、最大宽度和平均宽度的相对误差平均值分别为-1.34%、1.08%和2.64%,网状裂缝面积和覆盖率的相对误差平均值分别为0.05%和0.07%,表明该方法检测精度相对较高,对混凝土结构的裂缝检测有一定的参考价值。

关键词： U^(2)-Net dice损失函数裂缝量化形态学非均衡数据集

在线全文

学校读者我要写书评

暂无评论

基于深度学习的人体轮廓识别

现代信息科技 2020年第23期4卷 90-93页

作者：贾群喜张伟民孙占鹏户肖剑洛阳理工学院河南洛阳471023

为了解决人体轮廓识别精度不高,鲁棒性不好的问题,在保证实时性的要求下,提出了一种基于深度学习的人体轮廓识别方法,该方法采用U-Net神经网络框架,建立特定视角的数据集,利用高斯滤波进行图像预处理操作,设计使用dice和交叉熵函数相结... 详细信息

为了解决人体轮廓识别精度不高,鲁棒性不好的问题,在保证实时性的要求下,提出了一种基于深度学习的人体轮廓识别方法,该方法采用U-Net神经网络框架,建立特定视角的数据集,利用高斯滤波进行图像预处理操作,设计使用dice和交叉熵函数相结合的损失函数进行训练。实验表明,该方法的重合度为91.85%,单次识别耗时为50.56 ms,在保证精度和实时性的前提下,也保证了对不同环境的适应性,在实际应用中有良好的价值。

关键词：人体轮廓 U-Net神经网络 dice损失函数高斯滤波