融合张量合成注意力的改进ResNet图像分类模型

针对卷积神经网络处理图像分类任务时提取特征不充分以及提取到的特征不区分贡献度的问题，提出了一种融合张量合成注意力的改进ResNet-101 (RTSA Net-101)网络模型。首先，利用ResNet-101骨干网络提取图像特征，并在残差网络卷积结构后嵌入张量合成注意力模块，对获取的特征进行三张量积计算，得到注意力特征矩阵；然后，使用Softmax函数对注意力特征矩阵进行归一化，从而为特征分配权重，以区分特征的贡献度；最后，将得到的权重和对应的键值加权求和，获取最终图像完整特征，以提升模型的图像分类精度。在自然图像数据集CIFAR-10、CIFAR-100和街牌号数据集SVHN上进行了对比实验，模型分类准确率分别为96.12%、81.60%、96.67%，图像平均测试运行时间分别为0.0258 s、0.0260 s、0.0262 s。实验结果表明：相比于其他7种先进图像分类模型，RTSA Net-101模型可以获得更高的分类准确率和更短的测试运行时间，且能够有效地增强网络的特征学习能力，具有一定的创新性、高效性。     

基于多任务学习的番茄叶片图像病害程度分类

针对现有的分类深度神经网络大多为扁平型的网 络架构,很少关注数据类别的层次 性结构,导致分类器训练难度较大的问题,本文提出一种基于数据层次关系的多任务学习分 类网络模型。依托番茄叶片病害的层次结构信息设计了一个带有共享网络的由粗粒度到细粒 度的层次结构进行病害程度分类,网络模型以ResNet-50作为网络主干,包括两个子网络: 粗粒度网络模块负责区分番茄病害共5类,细粒度网络模块在残差网络模块的基础上添加 SE模块负责病害程度的分类共9类。通过对网络架构各个分支的验证,以及同VGG-16、 ResNet-34、ResNet-50 3种扁平型网络在病害程度分类任务上做比较,证明本文网络结构 的 可行性和有效性,最终测试集分类精度达到93.97%。证明本文结合数 据与网络的层次结构 采用多任务分类方法,是一种有效的病害程度分类算法。     

基于多尺度残差网络的CT图像超分辨率重建

为了将超分辨率重建算法应用于医学影像领域,提升各类医学影像的分辨率,针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题,提出了一种应用于CT图像的多尺度残差网络模型。首先,通过级联多层残差块构建模型框架,残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征。然后,将特征图融合在一个维度进行特征映射和数据降维,并将多尺度特征信息导入下一残差块。最后,将网络学习到的残差图与低分辨率图像融合,重建高分辨率图像。采用经过多种放大倍数处理的CT图像对网络进行混合训练,实现了一个模型可以同时支持多种倍数的分辨率提升。实验结果表明:在2,3,4倍放大因子下,该模型重建的CT图像PSNR平均较VDSR算法高0.87,0.83,1.16dB。因此,本文模型有效提升了CT图像的超分辨率重建效果,更锐利地恢复了其细节特征,同时大大提升了算法实用性。     

基于空谱注意力机制及预激活残差网络的高光谱图像分类算法

面向高光谱图像分类的许多深度学习算法中,由于提取的空谱特征表示鉴别性不足,其模型的分类性能有待提高。针对该问题,本文提出了一种基于空谱注意力机制及预激活残差网络的高光谱图像分类算法。首先,设计了基于空谱注意力机制的空谱特征提取模块,对空谱特征进行重校准,为空谱特征在后续联合学习时能专注于更具辨别力的通道和空间位置提供保证;其次,设计了基于预激活残差网络的空谱特征联合学习模块,其中预激活残差网络改进了原始残差构建块的网络结构,从而能在利用注意力机制重校准的空谱特征的联合学习时捕获更具鉴别性的深层空谱特征,以提高分类器的分类性能。实验结果表明,和已有的一些高光谱图像分类算法相比,所提出的算法的分类准确率更高,表明该算法能有效地获得判别能力更强的空谱特征表示。      

基于改进残差网络的花卉图像分类算法

传统的花卉图像分类都是基于人工手动选择单一特征或者多特征融合再分类,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷,针对目前深度学习在细粒度图像分类中的应用,提出一种基于残差网络、实现端到端的花卉图像分类方法。首先以ResNet18为基础模型,其次将全卷积结构的思想应用于网络模型中,将ResNet18的全连接层替换成卷积层以优化网络模型,最后在优化后的ResNet18中融入混合域注意力机制,由Softmax层进行分类。本文选取了Oxford17flowers和Oxford102flowers两个花卉图像数据集做对比试验,与前人的花卉图像分类方法对比,本文的方法取得了理想的效果,在Oxford17和Oxford102上分别取得了99.26％ 以及99.02％的正确率,提出了一种基于注意力的残差结构改进方法,相较于前人的花卉图像分类方法,该方法能够更有效地提取关键信息的特征,抑制干扰区域的信息,对花卉图像分类具有显著性效果,适用于细粒度图像分类。     

基于改进残差网络和动态ReLU肺癌病理图像分类

为实现肺癌病理图像的准确分类，提出一种基于双重注意力和动态ReLU的残差网络DrANeT,在网络模型中嵌入CBAM双重注意力机制，提高网络提取有用特种图的能力；使用动态ReLU替换网络中所使用的普通ReLU,可以根据不同特征图自动调整参数，提高模型性能。实验结果表明，该网络模型在肺良性图像、肺腺癌图像和肺鳞状细胞癌图像准确率分别达到100.00%、99.96%、99.96%,整个数据集准确率达到99.96%。因此，表明本实验所改进的网络模型可以有效地提高肺癌病理图像分类的准确率。     

基于改进残差网络的道口车辆分类方法

为了提高模型在道口环境下的车辆图像的特征提取和识别能力,提出了一种基于改进残差网络的车辆分类方法。首先以残差网络为基础模型,改进了残差块中激活函数的位置,并将残差块中的一般卷积用分组卷积代替,引入注意力机制,用焦点损失函数替换交叉熵损失函数。实验部分先用公开数据集StanfordCars进行预训练,再用自建的道口车辆数据集进行迁移学习。结果表明,改进模型在两个数据集中的准确率均优于几种经典的深度学习模型。     

基于双域迭代残差网络的双能CT图像材料分解研究

针对在图像域将深度学习与迭代重建算法结合的深度迭代残差网络分解得到的材料图像受到噪声和伪影的影响,提出将迭代残差网络扩展到双域,即基于双域迭代残差网络的双能CT图像材料分解方法。该方法集成了两个并行交互的子网络CNN,同时在图像域和投影域进行材料分解操作,通过CNN直接向该网络提供投影数据,在不同域之间进行信息传递和融合,使用CNN丰富双域模型的数据保真度。实验结果表明,双域迭代残差网络相比于只在图像域进行材料分解能够更好地抑制噪声和伪影,提高图像质量和分解精度,做到细节保护。     

基于少样本学习和知识迁移的继电保护压板状态识别

针对变电站中保护压板开关状态自动识别问题,本文提出了一种基于少样本学习和知识迁移的压板开关状态识别模型,使用残差网络提取图像特征,基于度量方法计算查询图像与支持图像之间的相似度,在此基础上使用KNN实现压板开关状态的分类识别。本文将残差网络在公用数据集上预训练的模型直接迁移到基于少样本学习的压板开关状态的识别任务,并研究了KNN算法中不同的最近邻个数对压板开关状态分类结果的影响。本文方法可在图像样本少的情况下实现压板开关状态的识别。实验结果表明,在支持图像的样本数为30时,图像识别精度达到99.49%。相比于其他大样本的分类方法,本文提出的利用少量样本的分类方法能够实现令人满意的分类效果,提高了图像分类的效率。     

残差网络改进下的水果分类

广西地处次亚热带地区,丰盛的水果是其支柱产业之一,但是种类繁多的背后对于构建智能物流分销链有着很大的困难,其中的水果智能识别分类就是一个非常重要的问题。针对现有分类模型对水果分类效果不好的情况,在基于ResNet-50网络上提出一种ResNet-50MFC网络,通过实验证明,进行300次迭代后,与原模型相比准确率提升了3.9%。不仅于此,在实际数据集上也取得很好的效果,证明了该模型的有效性和实用性。