基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

国内外汽车可控悬架的研究动态

悬架是现代汽车最重要的总成之一。悬架结构的选用,不但在很大程度上决定了汽车平顺性的优劣,而且随着汽车速度的提高,对于与行驶速度密切相关的操纵稳定性的影响也越来越大。本文主要介绍了国内外汽车可控悬架的发展动态,并对各种可控悬架设计中存在的问题给予了详细的论述。     

基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.     

基于Transformer和CNN的低剂量CT图像去噪网络

低剂量计算机断层扫描（Low-dose Computed Tomography, LDCT）在临床中有着广泛的 应用,可以有效减轻对病人的辐射剂量。但是成像后的低剂量CT图像中含有明显的噪声和条形 伪影,影响医师的诊断。提出了一种基于Transformer和CNN的去噪网络,该网络是一种改进的编 解码网络架构,其编码端的每一层由卷积模块与Transformer模块融合而成,用来提取每一层的局 部特征和全局特征,同时引入融合模块用来有效地融合提取的局部特征和全局特征。并把融合后 的特征通过跳跃连接融入解码端对应的层,解码端的每一层通过卷积模块提取有效特征进而重建 去噪后的图像。在真实数据集Mayo上的实验结果说明所提出的网络不仅可以有效去除噪声,还能 够保持图像的边缘。     

基于快速残差插值和卷积神经网络的去马赛克算法

针对传统插值法存在的图像细节不能很好恢复的不足,利用卷积神经网络作为残差插值法的后处理操作,提出了一种基于残差插值和卷积神经网络的去马赛克算法。方法分为初始去马赛克和细节恢复后处理两部分。先用改进的基于梯度的快速残差插值法实现初步去马赛克插值,并针对恢复图像中包含了彩色伪影,细节丢失等问题,再使用深度残差网络学习恢复图像与理想全彩色图像之间的映射,实现后处理。在Kodak数据集和IMAX数据集上的实验结果表明,该方法结果在主观视觉特性和客观评价指标两方面相较于传统方法都有明显改进。     

基于注意力机制U-Net的低剂量CT图像去噪方法

计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题.降低剂量将影响CT图像的质量以及医生的诊断结果.传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取.为此,提出了一种具有注意力机制的U-Net残差网络.在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道...     

基于深度残差循环神经网络的序列推荐模型

为解决基于RNN(Recurrent Neural Network)的序列推荐模型在处理长序列时易出现梯度消失或爆炸从而导致推荐模型训练过程不稳定问题,在传统门控循环单元(GRU:Gated Recurrent Unit)基础上,引入了残差连接、层归一化以及前馈神经网络等模块,提出了基于深度残差循环神经网络的序列推荐模型DeepGRU。并在3个公开数据集上进行了验证,实验结果表明,该DeepGRU相较于目前最先进的序列推荐方法具有明显的优势(推荐精度平均提升8.68%)。消融实验验证了引入的残差连接等模块在DeepGRU框架下的有效性。并且,该DeepGRU有效缓解了在处理长序列时训练过程不稳定的问题。     

基于残差神经网络的视频内容快速检索系统研究

为解决公共安全视频图像信息轨迹追踪的问题,设计一个基于图像识别的视频内容快速检索系统,使用方向梯度直方图特征提取( HOG: Oriented Histogram Feature Extraction) 算法进行人脸定位,通过迁移学习对ＲesNet 模型进行再训练建立专用的神经网络的分类器。进行视频内容检索的过程是提取视频关键帧,对其中人物进行定位,提取其特征值,使用训练好的分类模型进行分类。将分类信息标注在图片上,将有关信息存入数据库,使用时查询数据库,得到详细信息。实验结果表明,该系统可有效地对视频内信息进行快速定位,对截取图片可以进行精准识别,在公共安全领域具有应用前景。     

基于卷积神经网络的岩石图像分类

在显微镜下分析岩石薄片并对其进行分类时,人工鉴定效率较低且易受主观因素影响,为此提出了一种基于卷积神经网络深度学习的岩石粒度自动分类方法。该方法通过卷积网络模型实现图像特征自动提取,并同时建立模式分类器,实现基于薄片图像的粒度自动识别。采用鄂尔多斯盆地的4 800样品对卷积网络模型进行训练,通过1 200个样品对模型测试,测试集分类结果的准确度达到98.5%。理论分析与数据验证说明,通过深度学习所建立的卷积网络模型能够基于岩石薄片图像获得高效、准确、可靠的自动分类结果。     

单机可控排序问题的神经网络模型

本文建立了1｜rj｜cmax的可控排序问题的数学规划模型,利用投影算子与变分不等式的关系,构造了求解数学规划模型的神经网络动力系统,运用Lyapunov方法,证明了该系统全局稳定,且系统的平衡点就是所求问题的最优解。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于深度卷积神经网络的模糊字迹图像识别方法

在传统的模糊字迹图像识别过程中,忽略了字迹变化尺度对图像的影响,导致识别准确度低识别能力差的问题,提出基于深度卷积神经网络的模糊字迹图像识别方法.通过图像的退化模型,对模糊字迹图像稀疏性特征进行分解,构建模糊字迹图像的多源特征参数检测模型,结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析;采用多维参数模拟和模糊度增强处理,结合匹配滤波检测器对图像的多级尺度分解和细节特征进行提取,对提取的模糊字迹图像细节特征进行融合和优化检测,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的识别.仿真结果表明,采用该方法进行模糊字迹图像识别的准确性较高,检测能力较强,提高了模糊字迹图像修复和辨识能力.     

动态示意图及其可控性的研究

简要讨论了动态示意图的概念、分类、各类之间的异同、可控性 ,提出了动态示意图不仅对课堂教学有利 ,而且有助于学生自学、观察和思维能力的提高 .     

基于改进卷积神经网络的中药饮片图像识别

为解决AlexNet网络模型在中药饮片图像识别中存在的识别准确率和鲁棒性不够理想的问题,以常见的50种中药饮片为研究对象,对AlexNet网络模型进行改进优化。首先通过拍摄以及搜索引擎获取中药饮片图像,并对图像进行数据扩充以及细节增强预处理。其次对AlexNet网络模型进行优化改进,通过缩减原网络的卷积核个数和卷积核大小、使用全局平均池化(global average pooling, GAP)替代全连接层以减少网络参数;去除局部响应归一化(local response normalization, LRN)层、引入批量归一化(batch normalization, BN)层和使用Lion优化算法替代随机梯度下降(stochastic gradient descent, SGD)优化算法以提高网络训练速度;使用Mish激活函数替代ReLU激活函数和引入通道注意力机制SENet网络以提高模型的识别精度。实验结果表明,改进后的网络模型相比于AlexNet网络模型,平均识别率提高了6.1%,平均损失率下降了14.4%,网络参数由原来的60 M缩减至1 M,该结果表明在中药饮片数据集上,改进...     

基于卷积神经网络与特征选择的 医疗图像误差预测算法

针对传统医疗图像误差预测算法无法很好的选择图像特征,存在图像误差预测值与实际值拟合度低、预测耗时长等问题,提出基于卷积神经网络与特征选择的医疗图像误差预测算法.首先,选取5种集成规则构建自适应多分类器,对医疗图像区域进行分类;其次,训练卷积神经网络,利用训练完成的神经网络提取不同类别医疗图像区域特征,以此为基础计算区域距离,寻找出相似度最小的区域,完成图像可疑区域定位;再次,融合多评价标准生成特征子集,从中搜索得到最优特征子集,完成可疑区域图像特征选择;最后,以选择得到的特征区域像素点作为训练样本,建立预测样本与训练样本之间的多元线性回归矩阵,实现误差预测.实验结果表明,所提算法的集成规则适应度较高,分类性能好,区域距离计算准确率高达95％左右,特征选择的AUC值(Area Under Curve)高,且预测结果拟合度和预测耗时均优于传统算法.     

一种改进的深度卷积神经网络图像去噪算法

为了更好地去除图像中的噪声,提出了一种改进的深度卷积神经网络(Dncnn)图像去噪算法。针对现有的Dncnn网络参数量大,对Dncnn网络的第2～16层进行了改进,使网络参数量降低1/3后,仍能保持和Dncnn一样的训练效果。在此基础上,对网络底层的低级语义信息和高层的高级语义信息进行了特征融合,使得网络训练更平稳,并能达到更好的训练效果。实验结果表明无论与图像去噪领域公认最好的去噪算法BM3D相比,还是与深度学习领域先进的图像去噪算法Dncnn相比,改进的Dncnn都有更好的表现。