检索结果-维普期刊中文期刊服务平台

多尺度自适应上采样的图像超分辨率重建算法被引量：6: 1; 作者吕佳许鹏程《计算机科学与探索》 CSCD 北大核心 2023年第4期879-891,共13页; 针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多... 展开更多; 关键词图像处理超分辨率重建卷积神经网络多尺度特征提取分而治之; 在线阅读下载PDF 职称材料

结合改进密度峰值聚类和共享子空间的协同训练算法被引量：2: 2; 作者吕佳鲜焱《计算机应用》 CSCD 北大核心 2021年第3期686-693,共8页; 针对协同训练算法在迭代过程中加入的无标记样本的有用信息不足和多分类器对样本标记不一致导致的分类错误累积问题,提出结合改进密度峰值聚类和共享子空间的协同训练算法。该算法先采取属性集合互补的方式得到两个基分类器,然后基于虹... 展开更多; 关键词协同训练密度峰值聚类虹吸平衡法则共享子空间相互邻近度; 在线阅读下载PDF 职称材料

条带池化注意力的实时语义分割算法被引量：2: 3; 作者吕佳孙亚南许鹏程《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2023年第9期1395-1404,共10页; 针对目前面向注意力机制语义分割算法不能兼顾分割精度与实时性,以及难以满足在现实场景中应用的问题,提出一种基于条带池化注意力的实时语义分割算法.首先采用轻量级骨干网络提取特征信息,结合不同网络层语义差异构建特征融合模块获得... 展开更多; 关键词现实场景实时语义分割注意力机制条带池化; 在线阅读下载PDF 职称材料

结合主动学习和密度峰值聚类的协同训练算法被引量：11: 4; 作者龚彦鹭吕佳《计算机应用》 CSCD 北大核心 2019年第8期2297-2301,共5页; 针对协同训练算法对模糊度高的样本容易标记错误导致分类器精度降低和协同训练在迭代时选择加入的无标记样本隐含有用信息不够的问题,提出了一种结合主动学习和密度峰值聚类的协同训练算法。在每次迭代之前,先选择模糊度高的无标记样本... 展开更多; 关键词协同训练主动学习密度峰值朴素贝叶斯视图; 在线阅读下载PDF 职称材料

采用pix2pixHD的高分辨率皮肤镜图像合成方法被引量：4: 5; 作者丁赛赛吕佳《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2020年第11期1795-1803,共9页; 皮肤镜图像中的皮肤病变自动识别是提高诊断性能和减少皮肤癌死亡的重要方法.针对训练数据不足的问题,提出一种基于pix2pixHD的高分辨率皮肤镜图像合成方法.首先,通过皮肤病灶的真实边界,结合病变类别对皮肤病变知识进行建模,获取包含... 展开更多; 关键词皮肤镜图像病变识别生成对抗网络特征匹配损失; 在线阅读下载PDF 职称材料

基于可变损失和流形正则化的生成对抗网络: 6; 作者丁赛赛吕佳《计算机应用研究》 CSCD 北大核心 2020年第12期3607-3611,共5页; 针对生成对抗网络中鉴别器在少量标记样本上的分类精度较差以及对流形局部扰动的鲁棒性不足的问题,提出一种基于可变损失和流形正则化的生成对抗网络算法。当标记样本较少时,该算法在鉴别器中利用可变损失代替原有对抗损失以解决训练前... 展开更多; 关键词生成对抗网络局部扰动可变损失流形正则化半监督; 在线阅读下载PDF 职称材料

题名多尺度自适应上采样的图像超分辨率重建算法被引量：6: 1; 作者吕佳许鹏程; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机科学与探索》 CSCD 北大核心 2023年第4期879-891,共13页; 基金国家自然科学基金重大项目(11991024) 重庆市高校创新研究群体资助项目(CXQT20015) +1 种基金重庆市科技局技术预见与制度创新项目(CSTB2022TFII-OFX0044)。; 文摘针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多尺度通道注意力特征提取模块对低分辨率图像进行多尺度特征提取以生成不同尺度下的特征图,再将其输入瓶颈层实现全局特征融合,使用基于分而治之的自适应上采样模块获得超分辨率图像,从而解决了不同放大系数的适配问题和非整数放大系数的上采样问题。在对比实验中,该算法在不使用任何初始化方法时仍然具有良好的收敛性。在整数放大系数下,该算法的图像重建性能超过当前主流的超分辨率网络,PSNR和SSIM性能相比MRFN分别提升了0.34 dB和0.039 1。在非整数放大系数下,其PSNR性能相比双三次插值方法平均提升1.24 dB,且不需要对每一个放大系数都进行训练。; 关键词图像处理超分辨率重建卷积神经网络多尺度特征提取分而治之; Keywords image processing super-resolution reconstruction convolutional neural network multi-scale feature extraction divide-and-conquer; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名结合改进密度峰值聚类和共享子空间的协同训练算法被引量：2: 2; 作者吕佳鲜焱; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机应用》 CSCD 北大核心 2021年第3期686-693,共8页; 基金国家自然科学基金重大项目(11991024) 重庆市高校创新研究群体项目(CXQT20015) 重庆市研究生科研创新项目(CYS20241)。; 文摘针对协同训练算法在迭代过程中加入的无标记样本的有用信息不足和多分类器对样本标记不一致导致的分类错误累积问题,提出结合改进密度峰值聚类和共享子空间的协同训练算法。该算法先采取属性集合互补的方式得到两个基分类器,然后基于虹吸平衡法则进行改进密度峰值聚类,并从簇中心出发来推进式选择相互邻近度高的无标记样本交由两个基分类器进行分类,最后利用多视图非负矩阵分解算法得到的共享子空间来确定标记不一致样本的最终类别。该算法利用改进密度峰值聚类和相互邻近度选择出更具空间结构代表性的无标记样本,并采用共享子空间来修订标记不一致的样本,解决了因样本误分类造成的分类精度低的问题。在9个UCI数据集上的多组对比实验证明了该算法的有效性,实验结果表明所提算法相较于对比算法在7个数据集上取得最高的分类正确率,在另2个数据集取得次高的分类正确率。; 关键词协同训练密度峰值聚类虹吸平衡法则共享子空间相互邻近度; Keywords co-training density peak clustering siphon balance rule shared subspace mutual neighbor degree; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名条带池化注意力的实时语义分割算法被引量：2: 3; 作者吕佳孙亚南许鹏程; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2023年第9期1395-1404,共10页; 基金国家自然科学基金重大项目(11991024) 重庆市高校创新研究群体资助项目(CXQT20015) +1 种基金重庆师范大学研究生科研创新项目(YKC21043).; 文摘针对目前面向注意力机制语义分割算法不能兼顾分割精度与实时性,以及难以满足在现实场景中应用的问题,提出一种基于条带池化注意力的实时语义分割算法.首先采用轻量级骨干网络提取特征信息,结合不同网络层语义差异构建特征融合模块获得不同尺度的上下文信息以提升分割精度;然后利用基于注意力的条带注意力模块(SAM)提高远距离信息被弱化的注意力,并在SAM中加入水平方向的条带池化以降低编码全局上下文的运算量.实验结果表明,所提算法能够得到较高分割精度且满足实时性要求;在Cityscapes测试集上平均交并比为70.6%,分割速度达到了92帧/s;在CamVid测试集上平均交并比为66.4%,分割速度达到了196帧/s.; 关键词现实场景实时语义分割注意力机制条带池化; Keywords real scene real-time semantic segmentation attention mechanism strip pooling; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名结合主动学习和密度峰值聚类的协同训练算法被引量：11: 4; 作者龚彦鹭吕佳; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机应用》 CSCD 北大核心 2019年第8期2297-2301,共5页; 基金重庆市自然科学基金资助项目(cstc2014jcyjA40011) 重庆市教委科技项目(KJ1400513) 重庆师范大学科研项目(YKC17001,YKC19018)~~; 文摘针对协同训练算法对模糊度高的样本容易标记错误导致分类器精度降低和协同训练在迭代时选择加入的无标记样本隐含有用信息不够的问题,提出了一种结合主动学习和密度峰值聚类的协同训练算法。在每次迭代之前,先选择模糊度高的无标记样本主动标记后加入有标记样本集,然后利用密度峰值聚类对无标记样本聚类得到每个无标记样本的密度和相对距离。迭代时选择具有较高密度和相对距离较远的无标记样本交由朴素贝叶斯(NB)分类,反复上述过程直到满足终止条件。利用主动学习标记模糊度高的样本能够改善分类器误标记识别问题,利用密度峰值聚类能够选择出较好表现数据空间结构的样本。在UCI的8个数据集和Kaggle的pima数据集上的实验表明,与SSLNBCA算法相比,所提算法的准确率最高提升6.7个百分点,平均提升1.46个百分点。; 关键词协同训练主动学习密度峰值朴素贝叶斯视图; Keywords co-training active learning density peak Naive Bayes (NB) view; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名采用pix2pixHD的高分辨率皮肤镜图像合成方法被引量：4: 5; 作者丁赛赛吕佳; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2020年第11期1795-1803,共9页; 基金国家自然科学基金(11971084) 重庆市自然科学基金(cstc2014jcyjA40011).; 文摘皮肤镜图像中的皮肤病变自动识别是提高诊断性能和减少皮肤癌死亡的重要方法.针对训练数据不足的问题,提出一种基于pix2pixHD的高分辨率皮肤镜图像合成方法.首先,通过皮肤病灶的真实边界,结合病变类别对皮肤病变知识进行建模,获取包含病理意义的标签映射;其次,以标签映射作为病变合成的约束条件,利用构建的生成对抗网络模型实现标签映射向皮肤镜图像的空间映射,同时将生成器的浅层和深层特征相结合以避免图像细节信息的丢失;然后,引入标准差特征匹配损失以稳定生成对抗网络的训练.在ISIC-2017数据集上的实验结果表明,相比不同合成方法生成图像的质量,该方法具有更好的视觉效果以及IS与FID定量化指标评价,并且可为监督学习网络提供额外的信息增益,以提高皮肤病变分类的准确度.; 关键词皮肤镜图像病变识别生成对抗网络特征匹配损失; Keywords dermoscopy image lesion recognition generative adversarial networks feature matching loss; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于可变损失和流形正则化的生成对抗网络: 6; 作者丁赛赛吕佳; 机构重庆师范大学计算机与信息科学学院重庆师范大学重庆市数字农业服务工程技术研究中心; 出处《计算机应用研究》 CSCD 北大核心 2020年第12期3607-3611,共5页; 基金重庆市自然科学基金资助项目(cstc2014jcyjA40011) 重庆师范大学科研项目(YKC19018)。; 文摘针对生成对抗网络中鉴别器在少量标记样本上的分类精度较差以及对流形局部扰动的鲁棒性不足的问题,提出一种基于可变损失和流形正则化的生成对抗网络算法。当标记样本较少时,该算法在鉴别器中利用可变损失代替原有对抗损失以解决训练前期分类性能较差的鉴别器对半监督分类任务的不利影响。此外,在鉴别器可变损失的基础上加入流形正则项,通过惩罚鉴别器在流形上分类决策的变化提高鉴别器对局部扰动的鲁棒性。以生成样本的质量和半监督的分类精度作为算法的评价标准,并在数据集SVHN和CIFAR-10上完成了数值实验。与其他半监督算法的对比结果表明,该算法在使用少量带标记数据的情况下能得到质量更高的生成样本和精度更高的分类结果。; 关键词生成对抗网络局部扰动可变损失流形正则化半监督; Keywords generative adversarial network(GAN) local disturbance variable loss manifold regularization semi-supervised; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	多尺度自适应上采样的图像超分辨率重建算法	吕佳许鹏程	《计算机科学与探索》 CSCD 北大核心	2023	6	在线阅读下载PDF 职称材料
2	结合改进密度峰值聚类和共享子空间的协同训练算法	吕佳鲜焱	《计算机应用》 CSCD 北大核心	2021	2	在线阅读下载PDF 职称材料
3	条带池化注意力的实时语义分割算法	吕佳孙亚南许鹏程	《计算机辅助设计与图形学学报》 EI CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
4	结合主动学习和密度峰值聚类的协同训练算法	龚彦鹭吕佳	《计算机应用》 CSCD 北大核心	2019	11	在线阅读下载PDF 职称材料
5	采用pix2pixHD的高分辨率皮肤镜图像合成方法	丁赛赛吕佳	《计算机辅助设计与图形学学报》 EI CSCD 北大核心	2020	4	在线阅读下载PDF 职称材料
6	基于可变损失和流形正则化的生成对抗网络	丁赛赛吕佳	《计算机应用研究》 CSCD 北大核心	2020	0	在线阅读下载PDF 职称材料