-
题名自适应融合残差网在图像分类中应用研究
被引量：4
- 1
-
-
作者
杨晶东
杨鑫
赵诚
-
机构
上海理工大学光电信息与计算机工程学院人机共融自主机器人实验室
上海中医药大学附属上海市中西医结合医院上海市中西医结合脉管病研究所
-
出处
《小型微型计算机系统》
CSCD
北大核心
2020年第2期399-405,共7页
-
基金
国家自然科学基金项目(81973749)资助
上海市科委中医引导类项目(18401903600)资助
上海市卫计委科研面上项目(201740093)资助.
-
文摘
针对卷积神经网络存在随着网络深度增加导致优化困难,识别正确率降低、泛化性能差等问题,在Res Net(残差网络)基础上,提出了一种基于softmax全连接自适应门控网络融合模型.该方法在隐层网络深度达到一定层数后,设置多种卷积核尺寸作为独立网络输出,通过softmax全连接门控网络输出各模型选择概率,融合多种卷积尺寸残差网输出作为模型最终输出.实验表明,本文提出的融合残差网络模型更适合于多类别、精细化数据集,与单网络模型相比,在训练集上具有更好的收敛性,在测试集上具有更好的泛化性能.
-
关键词
残差网络
自适应融合模型
感受野范围
泛化性能
-
Keywords
residual network
adaptive fusion model
receptive field
generalization performance
-
分类号
TP389
[自动化与计算机技术—计算机系统结构]
-
-
题名一种有效的全卷积神经网络生物医学图像分割方法
被引量：5
- 2
-
-
作者
杨晶东
王海灵
-
机构
上海理工大学光电信息与计算机工程学院人机共融自主机器人实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2021年第6期1281-1287,共7页
-
基金
国家自然基金项目(81973749)资助
上海市科委中医引导类项目(18401903600)资助
上海市卫计委科研面上项目(201740093)资助.
-
文摘
器官或肿瘤的精确分割对于医生诊断和预测疾病至关重要.与传统的特征工程相比,经典的U-Net模型在生物医学图像分割中具有较好的性能.但在U-Net模型中,池化操作和卷积操作会使得一些特征空间信息丢失,导致图像分割精度降低.为此本文采用MultiResR2block模块代替U-Net模型中的两个3×3卷积模块用于提取特征,采用Path Net模块连接MultiResR2UNet模型中的编码网络和解码网络,减少空间信息丢失,同时本文也提出了一种新的图像增强策略,使分割模型更加关注图像较难分割的部分.针对细胞数据集和血管数据集进行分割研究,实验表明,与U-Net和RU-Net模型相比,本文方法仅采用近2/3训练参数,获得了更好的分割评估性能,其中,Dice系数增长了0.56%和1.46%,Jaccard系数增长了0.91%和1.92%.因此,与U-Net和RU-Net模型相比,本文方法具有更高的分割性能和更好的泛化性能.
-
关键词
深度卷积神经网络
医学图像分割
U-Net
泛化性能
-
Keywords
deep convolutional neural network
medical image segmentation
U-Net
generalization performance
-
分类号
TP24
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于动态衰减EMA的图像分类算法研究
被引量：2
- 3
-
-
作者
杨晶东
朱锦图
孙新博
杨文皓
-
机构
上海理工大学光电信息与计算机工程学院人机共融自主机器人实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2020年第7期1524-1529,共6页
-
基金
国家自然基金项目(81973749)资助
上海市科委中医引导类项目(18401903600)资助
+1 种基金
上海市卫计委科研面上项目(201740093)资助
上海理工大学科研课程项目(10-19-113-005)资助。
-
文摘
内容针对传统指数滑动平均(EMA)算法在AlexNet卷积神经网络的训练后期无法持续优化网络参数,而导致网络过拟合问题.提出一种基于Tanh动态衰减指数滑动平均算法(T-ADEMA),采用变系数Tanh函数作为衰减率函数,根据训练次数动态调整优化参数,减小数据集中噪声对网络学习影响,提高模型泛化性能.实验结果表明,基于T-ADEMA算法的AlexNet网络在MNIST,CIFAR10,CIFAR100三个数据集上与传统EMA算法相比具有更好的泛化性能和分类正确率.
-
关键词
指数滑动平均
卷积神经网络
动态衰减率
泛化性能
-
Keywords
exponential moving average
deep convolutional neural networks
decay
generalization performance
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
