基于A-Clenet5的荒漠化草原草种识别与分类

草原退化已经成为人类面临的主要生态问题,其标 志之一是草原植被群落结构的改变,而草原草种的高光谱识别与分类是利用遥感进行大面积 高精度草原退化监测与治理的基础与前提。由于天然草原草种分布的随机性和遥感图像云系 情况的复杂性,草种识别精度低的问题未能得到满意的解决。本研究基于深度学习首次提出 A-Clenet5法,在天然草原自然光下采集典型牧草高光谱数据,对数据进行预处理,利用A -Clenet5法进行特征挖掘和数据分类。研究结果表明,该方法对草种识别精度可达到92.18%,满足基于高光谱的草原草种的识别要求,为草原退化高精度遥感 监测提供了可能。     

基于多源遥感影像的多尺度城市植被覆盖度估算

以Landsat 7 ETM+、SPOT 5和IKONOS遥感影像数据为数据源,利用格网法从1∶500地形图提取的不同空间分辨率的植被覆盖度为参考依据,通过对不同辐射校正水平的遥感影像获得的植被覆盖度进行精度比较分析,对多源多尺度和多源同尺度城市植被覆盖度估算的相关问题进行研究.研究表明,在城市区域进行植被覆盖度估算时,ICM模型为较佳辐射校正模型;对于高分辨遥感影像,NDVI为植被覆盖度估算的较佳植被指数;对于中分辨率影像,植被覆盖度估算的较佳植被指数则为RVI和MSAVI;就研究区而言GI模型比CR模型估算的植被覆盖度更准确.     

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题，文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况，造成信息丢失的问题，对主干网络中Stage4的下采样块添加平均池化层，进一步提高网络特征提取能力；针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题，使用标签平滑方法对交叉熵损失函数进行修改，有效缓解网络损失值震荡幅度；针对ResNet50计算量大、训练困难的问题，使用混合精度和余弦退火衰减方法对模型进行训练，在加快网络收敛速度的同时提高模型的分类精度。实验结果表明，与原ResNet50网络相比，文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%，能够更好地应用于图像分类任务。     

基于无人机高光谱荒漠草原鼠洞识别方法研究

近年,我国草原鼠害有逐年上升的趋势。草原鼠害不仅加剧了水土流失与荒漠化进 程,还会 引发鼠疫。鼠洞洞口数是我国进行鼠害监测与等级评价的重要指标,目前采用的人工勘察方 法存在着 精度低、费时费力、调查成本较高、只适用小面积调查等诸多问题,难以满足大面积实时监 测和研究 的要求。进行实时、动态的鼠洞数量分布监测,是有效地制定灭鼠措施和预防鼠疫发生的重要手 段。本研 究利用无人机携带高光谱仪对荒漠化草原进行数据采集,提出鼠洞指数(rat hole index, RHI)对草 原鼠洞进行识别。研究结果表明,利用RHI识别草原鼠洞,总体精度可达97%,Kappa系数可达0.93, 该模型与归一化植被指数(normalized difference vegetation index,NDVI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI)、比值植被指数(ratio vegetation index,RVI)等3种植被指数模型相比具有较高的识别精度。RHI的提出,有 效地提高 草原鼠洞的识别精度和效率,为鼠害防治以及草原退化监测和研究提供有效方法。     

基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle, UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm, GA)与最佳指数因子(optimum index factor, OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron, MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.912 0;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。     

生物模板保护背景下的迁移学习

基于深度卷积神经网络（CNN）的方法是生物模板保护中较流行的技术。生物特征信息作为人的唯一属性，具有最高安全保护性。目前，大量研究工作正致力于通过更强大的模型架构和更好的学习技术来进一步改进匹配精度。然而，在探索现有深度人脸识别模型的特征提取能力的研究仍然相对较少。文中分析了经典的三种深度学习网络在不同人脸数据集的特征提取能力，具体来说，对比了VGG16、ResNet50、GoogleNet在同一种模板保护下的性能。仿真结果表明：在图像退化的人脸验证VGG16性能优于其他模型；在图像质量高的情况下，ResNet50最优；GoogleNet在面对复杂学习任务性能更强。匹配精度表明迁移学习优于绝大多数特征提取方法。     

基于改进SSD的光伏组件故障定位检测

为准确定位航拍红外图像中光伏组件故障的区域位置,在单阶段多框检测(Single Shot Multibox Detector,SSD)模型的基础上设计了ResNet18＿FPN＿DN＿SSD模型。首先用ResNet18替代SSD模型的基础网络VGG16,以提高故障特征的提取能力;然后引入DR loss,针对目标样本类别失衡及负样本过多的问题进行优化改善;最后在非极大值抑制(Non-Maximum Suppression,NMS)基础上做加权处理,使分类置信度高的边框充分利用周围对象的信息,提高预测框的分类置信度与定位准确率。实验表明:所提出的模型对图像中故障目标的检测效果,在定位精度、分类置信度和m AP上均优于传统SSD模型。     

基于注意力机制的圆锥角膜分类辅助诊断研究

圆锥角膜是一种眼部疾病,较早发现并诊断圆锥角膜可控制病情,避免角膜移植,也可以为准分子激光手术进行圆锥角膜排查。然而,目前圆锥角膜的早期诊断较为困难,一种可靠的计算机辅助筛查圆锥角膜诊断方法需求迫切。基于此,首次把引入注意力机制(convolutional block attention module,CBAM)的残差网络(residual neural network,ResNet)模型（CBAM＿ResNet50）应用在圆锥角膜辅助诊断中,通过对角膜地形图的原始数据集进行预处理,用其训练CBAM＿ResNet50网络,并和未引入注意力机制的ResNet50网络模型进行对比。使用CBAM＿ResNet50网络模型准确率达到了98%,比未引入注意力机制ResNet50网络模型准确率提升了3%。CBAM＿ResNet50可以较为准确地对圆锥角膜进行分类,能有效辅助医生诊断圆锥角膜。     

无参考自适应光学图像质量评价

自适应光学(AO)成像系统受残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响,成像结果参差不齐,不利于后期图像筛选和事后处理,故需要对图像质量进行评价。传统图像质量评价方法对自适应光学图像质量的评价不可靠,甚至会出现评价结果与实际背离的情况。针对上述问题,根据自适应光学系统的成像过程,生成具有图像质量标签的自适应光学退化图像数据集,在此基础上采用以ResNet作为主干的深度神经网络,训练得到了用于评价自适应光学图像质量的神经网络模型,在测试集上的Spearman相关系数(SROCC)最佳为0.994。实验结果表明,该方法综合考虑了自适应光学图像成像过程中的多种退化因素,通过训练深度神经网络得到无参考自适应光学图像质量评价模型,评价精度优于其他传统图像质量评价算法。     

基于自适应调整VGG16网络的高色差视频图像预测

为了提升高色差视频图像自动分类的精确度,文章采用开源的深度学习框架Pytorch,提出了一种基于深度学习的高色差图像分类方法。文章针对高色差图像分类提出一种调整后的VGG16网络模型（Ad＿VGG16）,该网络利用正负例样本均衡化和学习率自适应调整来优化过拟合和局部最小值问题,其次因高色差图像分类效果与输入图像大小有很大关系,则修改VGG16网络第一个全连接层以适应任意大小的输入图像,再采用交叉验证来提高网络的泛化能力。最终的实验数据表明,与VGG16和ResNet18网络相比,Ad＿VGG16网络具有更好的分类准确度,其最终的分类准确度达到92%。     

基于高光谱SMPI法的草原地表微斑块识别与分类

草原地表微斑块特指在高光谱图像上荒漠化草原 鼠洞、裸土和植被所表现出的斑块。这些是评价草 原退化的重要指标。地表微斑块的识别与分类是基于遥感草原退化监测与评价研究的基础性 的工作,对草 原区域性规划、系统恢复与重建理起到至关重要的作用。由于高光谱采集及分析诸多方面的 原因,目前地 表微斑块高光谱的识别研究较少。本研究首次以荒漠化草原实地地表微斑块为研究对象采集 高光谱数据, 提出了SMPI法(Surface Mini-Patch Index,地表微斑块指数法),实现了草原地表微斑 块的高精度识别与 分类。研究结果表明,SMPI法可将荒漠化草原地表微斑块进行高精度识别与分类,通过Kapp a系数验证, 整体验证精度高于96%。此研究为无人机或低空遥感进行草原退化监测与定量反演提供了基 础。     

Framework for COVID-19 Segmentation and Classification Based on Deep Learning of Computed Tomography Lung Images

Corona Virus Disease 2019 (COVID-19) has affected millions of people worldwide and caused more than 6.3 million deaths (World Health Organization, June 2022). Increased attempts have been made to develop deep learning methods to diagnose COVID-19 based on computed tomography (CT) lung images. It is a challenge to reproduce and obtain the CT lung data, because it is not publicly available. This paper introduces a new generalized framework to segment and classify CT images and determine whether a patient is tested positive or negative for COVID-19 based on lung CT images. In this work, many different strategies are explored for the classification task. ResNet50 and VGG16 models are applied to classify CT lung images into COVID-19 positive or negative. Also, VGG16 and ReNet50 combined with U-Net, which is one of the most used architectures in deep learning for image segmentation, are employed to segment CT lung images before the classifying process to increase system performance. Moreover, the image size dependent normalization technique (ISDNT) and Wiener filter are utilized as the preprocessing techniques to enhance images and noise suppression. Additionally, transfer learning and data augmentation techniques are performed to solve the problem of COVID-19 CT lung images deficiency, therefore the over-fitting of deep models can be avoided. The proposed frameworks, which comprised of end-to-end, VGG16, ResNet50, and U-Net with VGG16 or ResNet50, are applied on the dataset that is sourced from COVID-19 lung CT images in Kaggle. The classification results show that using the preprocessed CT lung images as the input for U-Net hybrid with ResNet50 achieves the best performance. The proposed classification model achieves the 98.98% accuracy (ACC), 98.87% area under the ROC curve (AUC), 98.89% sensitivity (Se), 97.99 % precision (Pr), 97.88% F₁-score, and 1.8974-seconds computational time.     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于半监督联合神经网络的调制识别算法

针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM (long short term memory)和ResNet (residual network)联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%-20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0dB时对11种调制信号平均识别正确率达到92%,具有明显优势。      

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network,FPN）常被用作合成孔径雷达（Synthetic Aperture Radar,SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。     

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

Ensemble convolutional neural networks for automatic fusion recognition of multi‐platform radar emitters

Presently, the extraction of hand‐crafted features is still the dominant method in radar emitter recognition. To solve the complicated problems of selection and updation of empirical features, we present a novel automatic feature extraction structure based on deep learning. In particular, a convolutional neural network (CNN) is adopted to extract high‐level abstract representations from the time‐frequency images of emitter signals. Thus, the redundant process of designing discriminative features can be avoided. Furthermore, to address the performance degradation of a single platform, we propose the construction of an ensemble learning‐based architecture for multi‐platform fusion recognition. Experimental results indicate that the proposed algorithms are feasible and effective, and they outperform other typical feature extraction and fusion recognition methods in terms of accuracy. Moreover, the proposed structure could be extended to other prevalent ensemble learning alternatives.     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。