多尺度特征融合注意力新冠肺炎病灶分割网络

新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络——多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。     

图神经网络综述

近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题,对节点之间的依赖关系进行建模,从而能够很好地处理图结构...     

基于金字塔池化网络的道路场景深度估计方法

针对从单目视觉图像中估计深度信息时存在的预测精度不够准确的问题,该文提出一种基于金字塔池化网络的道路场景深度估计方法。该方法利用4个残差网络块的组合提取道路场景图像特征,然后通过上采样将特征图逐渐恢复到原始图像尺寸,多个残差网络块的加入增加网络模型的深度;考虑到上采样过程中不同尺度信息的多样性,将提取特征过程中各种尺寸的特征图与上采样过程中相同尺寸的特征图进行融合,从而提高深度估计的精确度。此外,对4个残差网络块提取的高级特征采用金字塔池化网络块进行场景解析,最后将金字塔池化网络块输出的特征图恢复到原始图像尺寸并与上采样模块的输出一同输入预测层。通过在KITTI数据集上进行实验,结果表明该文所提的基于金字塔池化网络的道路场景深度估计方法优于现有的估计方法。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于混合池化YOLO的目标检测方法

针对目标检测方法中存在的正负样本分布不均衡、检测精度低等问题,提出了一种基于混合池化YOLO的目标检测方法(object detection method based on mixed-pooling YOLO,ODMMP-YOLO).ODMMP-YOLO首先将混合池化融入Darknet-53网络构造出一种新颖的DMP...     

基于像素注意力特征融合的城市街景语义分割算法研究

针对城市街景数据集中存在小目标和大量长条形状物体，分割难度大，虽然目前编码解码结构的网络能细化分割结果，但大多数都没有充分利用空间和上下文信息，因此本文提出一种基于像素注意力特征融合的语义分割算法。首先以ResNet50作为骨干网络，利用空洞空间卷积池化金字塔和条状池化进行初步特征融合，获得多尺度特征的同时规避无用信息；然后利用像素融合注意力模块，聚合上下文信息并恢复空间信息，最后利用注意力特征细化模块消除冗余信息。该算法在CamVid数据集上进行实验，结果表明该算法在验证集上能达到 7522%的mIoU，在测试集上也能达到67.21%。相比于DeepLabv3+网络分别提升了2.51%和2.86%。     

误差反向传播卷积神经网络的权值更新

误差反向传播卷积神经网络在误差反向传播中的权值更新对网络结构的优化、显卡的设计制造以及底层源代码编写都具有很重要的指导意义。针对目前关于权值更新的基础算法分析不足的问题,以简单的误差反向传播卷积神经网络为例,将卷积神经网络的结构中共用的卷积层、池化层、激活函数以及损失函数的权值更新方法进行了推导,并给出了严密的数学证明。最后,利用经典的分类模型进行试验验证,清晰地诠释了监督学习卷积神经网络误差反向传播过程中权值更新的计算过程。     

基于PReLUs-Softplus非线性激励函数的卷积神经网络

针对卷积神经网络表达能力和识别效果受卷积层激励函数影响的问题,提出了一种新型非线性激励函数PRe LUs-Softplus,并将其应用于神经网络卷积层.对新型神经网络和采用传统激励函数的神经网络在MNIST和CIFAR-10标准数据库上进行了图像识别对比实验,结果表明,相比于采用传统激励函数的神经网络,使用PRe LUs-Softplus激励函数的卷积神经网络在不同的池化方式下图像识别计算收敛速度更快,显著降低了识别的错误率.     

基于CNN多层特征和ELM的交通标志识别

针对传统神经网络仅利用端层特征进行分类导致特征不全面,以及交通标志识别中计算量大、时间长等问题,提出基于多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;采用多尺度池化操作,将提取出的各层特征向量联合形成一个具有多尺度多属性特征的交通标志特征向量;使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,该方法能有效地提高交通标志识别的准确率,且具有较好的泛化能力和实时性。     

用于手写汉字识别的文本分割方法

本文提出了一种手写汉字文本的分割方法,填补了汉字识别领域在文本行分割方面的空白.本方法首先对预处理后的文本图片进行池化处理,然后运用并查集算法得到每行为一个连通区域,最后调整每行上下的孤立区域的归属,最终把多行文本图片分割为单行,为后期的汉字列分割做准备.此方法虽然用行分割,但也为汉字的列分割提供了新的思路.