题名 多尺度卷积神经网络的噪声模糊图像盲复原
被引量：15
1
作者
刘鹏飞 赵怀慈 曹飞道
机构
中国科学院沈阳自动化研究所 中国科学院机器人与智能制造创新研究院 中国科学院大学 中国科学院光电信息处理重点实验室
出处
《红外与激光工程》
EI
CSCD
北大核心
2019年第4期300-308,共9页
基金
装备预研领域基金(61400010102)
文摘
图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像,传统盲去卷积算法采用简化模型估计模糊核,导致预测模糊核与真实值误差较大,最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型,采用端到端模式,无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN (WGAN),增加了一层输入限制层,能够限定参数初始值,提高了网络收敛速度。设计了多重损失函数,融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法,并且运行速度比相近算法快了4倍。
关键词
多尺度卷积神经网络 多重损失 函数生成式对抗网络 噪声模糊图像
Keywords
multi-scale convolution neural network multiple loss function generative adversarial networks noisy and blurry image
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
题名 融合多尺度特征及注意力机制的医学图像检索
被引量：5
2
作者
周林鹏 姚剑敏 严群 林志贤
机构
福州大学物理与信息工程学院 晋江市博感电子科技有限公司
出处
《液晶与显示》
CAS
CSCD
北大核心
2021年第8期1174-1185,共12页
基金
国家重点研发计划课题(No.2016YFB0401503) 广东省科技重大专项(No.2016B090906001) +1 种基金 福建省科技重大专项(No.2014HZ0003-1) 广东省光信息材料与技术重点实验室开放基金(No.2017B030301007)。
文摘
针对目前医学图像普遍存在病理区域尺寸分布较分散、细节特征不明显以及同类组织影像间的视觉差异较大等问题,本文在CBMIR系统的基础上,提出了一种融合多尺度特征及注意力机制的医学图像检索方法。该方法通过融合多尺度特征并设置可学习权重系数来自适应平衡浅层图像纹理特征和深层图像语义特征的关系,提高网络对不同尺度上的病理特征提取能力。同时,引入注意力模块,对网络输出的特征图进行通道加权求和,提高关键特征通道的特征表达能力,使网络更能关注到图像中的具有辨识性的病理特征区域。最后,在损失函数设计时,使用多重损失进一步优化样本特征在特征空间的分布。最终在Mura数据集上的mAP@100、mAP@20两个指标上分别达到了0.95、0.98的检索精度,基本符合实际场景对模型的检索精度要求。
关键词
医学影像处理 CBMIR 多尺度特征融合 注意力机制 多重损失 函数
Keywords
medical image processing CBMIR multi-scale feature fusion attention mechanism multiple loss function
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TH691.9
[机械工程—机械制造及自动化]
题名 基于FlowS-Unet的遥感图像建筑物变化检测
被引量：37
3
作者
顾炼 许诗起 竺乐庆
机构
浙江工商大学计算机与信息工程学院
出处
《自动化学报》
EI
CSCD
北大核心
2020年第6期1291-1300,共10页
基金
浙江省自然科学基金(LY20F020002)资助。
文摘
针对目前人为探察土地资源利用情况的任务繁重、办事效率低下等问题,提出了一种基于深度卷积神经网络的建筑物变化检测方法,利用高分辨率遥感图像实时检测每个区域新建与扩建的建筑物,以方便对土地资源进行有效管理.本文受超列(Hypercolumn)和FlowNet中的细化(Refinement)结构启发,将细化和其他改进应用到U-Net,提出FlowS-Unet网络.首先对遥感图像裁剪、去噪、标注语义制作数据集,将该数据集划分为训练集和测试集,对训练集进行数据增强,并根据训练集图像的均值和方差对所有图像进行归一化;然后将训练集输入集成了多尺度交叉训练、多重损失计算、Adam优化的全卷积神经网络FlowS-Unet中进行训练;最后对网络模型的预测结果进行膨胀、腐蚀以及孔洞填充等后处理得到最终的分割结果.本文以人工分割结果为参考标准进行对比测试,用FlowS-Unet检测得到的F1分数高达0.943,明显优于FCN和U-Net的预测结果.实验结果表明,FlowS-Unet能够实时准确地将新建与扩建的建筑物变化检测出来,并且该模型也可扩展到其他类似的图像检测问题中.
关键词
FlowS-Unet 建筑物变化检测 全卷积神经网络 多尺度交叉训练 多重损失
Keywords
FlowS-Unet change detection for buildings fully convolutional networks(FCN) multi-scale cross training multiple losses
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
TU198
[建筑科学—建筑理论]
题名 基于改进三元组网络和K近邻算法的入侵检测
被引量：10
4
作者
王月 江逸茗 兰巨龙
机构
战略支援部队信息工程大学
出处
《计算机应用》
CSCD
北大核心
2021年第7期1996-2002,共7页
基金
国家重点研发计划项目(2018YFB0804002)。
文摘
入侵检测一直以来被视作是保证网络安全的重要手段。针对网络入侵检测中检测准确率和计算效率难以兼顾的问题,借鉴深度度量学习思想,提出了改进三元组网络(imTN)结合K近邻(KNN)的网络入侵检测模型imTNKNN。首先,设计了适用于解决入侵检测问题的三元组网络结构,以获取更有利于后续分类的距离特征;其次,为了应对移除传统模型中的批量归一化(BN)层造成过拟合进而影响检测精度的问题,引入了Dropout层和Sigmoid激活函数来替换BN层,从而提高模型性能;最后,用多重相似性损失函数替换传统三元组网络模型的损失函数。此外,将imTN的距离特征输出作为KNN算法的输入再次训练。在基准数据集IDS2018上的对比实验表明:与现有性能良好的基于深度神经网络的入侵检测系统(IDS-DNN)和基于卷积神经网络与长短期记忆(CNN-LSTM)的检测模型相比,在Sub_DS3子集上,imTN-KNN的检测准确率分别提高了2.76%和4.68%,计算效率分别提高了69.56%和74.31%。
关键词
网络安全 入侵检测 深度学习 三元组网络 K近邻 多重 相似性损失 函数
Keywords
network security intrusion detection deep learning triplet network K-Nearest Neighbor(KNN) MultiSimilarity loss function
分类号
TP309.1
[自动化与计算机技术—计算机系统结构]
