基于精调的膨胀编组-交叉CNN的PolSAR地物分类

在极化合成孔径雷达(PolSAR)地物分类研究中,基于实数CNN的分类算法无法充分利用PolSAR图像丰富的通道相位信息,并且在逐像素预测中存在大量冗余计算,导致分类效率较低。针对以上问题,该文采用一种复数域下的像素映射深度模型,实现低采样率下精确且高效的PolSAR地物分类。为充分使用PolSAR数据的通道相位信息,该文基于一种编组-交叉卷积网络(GC-CNN)将分类模型推广到复数域,并利用网络提取的复数特征及其对应的相位和幅度来实现更精确的分类;为加快分类速度,该文还采用了一种精调的膨胀编组-交叉卷积网络(FDGC-CNN)来实现像素到像素的直接映射,并进一步提升了分类精度。在基于AIRSAR平台的16类地物数据和E-SAR平台的4类地物数据的实验中,该文采用的FDGC-CNN模型相较于SVM分类器和实数CNN模型,能够更准确和更高效地实现多类别地物分类,全局分类精度分别为96.94%和90.07%、总耗时4.22 s和4.02 s。      

基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题,该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换,构建频域幅值序列数据集,并选取某种或某些负载数据集作为源域,其他负载数据集作为目标域;其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口,并在增强层引入Maxout激活函数构建改进的BLS网络,同时引入遗传算法优化网络节点结构,建立基于源域数据的预训练模型;最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,并利用少量目标域样本微调网络建立状态分类模型。实验结果表明,所提方法平均训练时间为32.6 s,平均测试准确率为98.9%。对比其他方法,所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

基于深度信念网络的烟叶部位近红外光谱分类方法研究

近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络（DBN）的理论改进并引入光谱特征学习中,解决高维特征间非线性关系的学习问题,采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值;并结合支持向量机（SVM）建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明:DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系,由该算法构建的模型具有良好的特征学习能力和分类识别能力,而且在稳健性、各类别的灵敏度和特效度也更优。     

基于DeeplabV3+网络的高分遥感影像分类

针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception＿65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception＿65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。     

基于改进CNN的电力设备红外图像分类模型构建研究

针对红外图像背景复杂,分辨率低、对比度差等问题,本文基于RGB、HSV颜色空间转换和SeamCarving缩放处理,提出一种改进卷积神经网络(ConvolutionalNeuralNetwork,CNN)的电力设备红外图像智能分类模型。首先,着眼于CNN的结构特点,以AlexNet网络模型为原型,建立CNN-Alex模型;然后,提出一种基于RGB和HSV颜色空间转换和基于Seam Carving算法的设备红外图像处理方法,分离目标设备红外背景及调整图像至合适大小,对CNN-Alex模型加以改进,提高算法训练速度和准确率;最后将改进CNN模型与传统BP模型和CNN-Alex模型对比,其训练集、验证集准确率分别为99.5%、97.7%,远优于对比模型,验证了本文改进CNN红外图像分类模型的良好适用性。     

基于BP网络的地物影像光谱识别及效果检验

提出了一种基于改进后的BP人工神经网络的地物影像的多波段光谱识别新方法。该方法遵循网络的隐节点数与训练样本数相匹配的网络结构设计的最简原则构建BP网络;采用了随机增加每类样本数,添加样本集中的噪声干扰。从而使噪声起到平滑作用。既防止过度训练,提高了网络的泛化能力。又加快了收敛速度。对11类地物多波段光谱影像实例。通过相继二次构建BP网络模型进行训练,用两次训练好的网络对全部11类地物区分效果明显,达到能完全区分不同地物分类识别的目的。     

面向心理健康与改进CNN-BiLSTM的文本情感分类研究

传统文本情感极性判断时易忽视外部信息的有效性，进而导致最终分类准确性不高。基于心理健康，构建CNN-BiLSTM-Att文本情感分类模型。首先，构建基于主题模型的BiLSTM和CNN情感分类模型；其次，将BiLSTM和CNN采用并行融合，构建CNN-BiLSTM文本情感分类模型，为提高情感极性词语分类的准确性，引入Attention机制对CNN-BiLSTM模型进行改进；最后，以Stop Words数据集对设计的模型进行实验验证。结果表明，相较于对比模型，研究构建模型性能更优越，可提升情感分类的准确率。     

基于单次双向特征金字塔网络的目标检测模型

目标检测是计算机视觉领域的重点研究方向，SSD模型虽然在检测精度与速度上均取得较好的效果，但其利用低语义信息的浅层特征训练小目标，容易出现小目标漏检和误检现象。对此，提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型（OBSSD）。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题；其次引入融合权重来更加有效地融合不同层级的特征，改善浅层特征语义信息低的问题；最后在分类和回归预测前加入基于残差模块的检测单元，解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明：所提模型的平均精确度（mAP）为80.8%，较SSD模型提高6.5个百分点，且检测速度满足实时检测的需求。     

基于卷积神经网络的网络入侵检测技术

随着互联网的发展,网络安全问题是互联网发展所面临的一个严峻挑战,网络入侵检测技术成为其中需要重点关注的问题。特别是随着攻击手段的进一步多样化和数据维度的不断增加,传统的机器学习算法已不能满足目前网络入侵检测系统的要求。卷积神经网络（CNN）具有强大的特征提取能力和数据分析能力,可以提高网络入侵检测的准确性和时效性。因此将CNN应用到网络入侵检测技术中,并通过交叉熵损失函数达到提升检测准确率的目的。首先,对公开数据集进行预处理;然后,构建CNN模型获取分类预测结果;最后,计算模型评价指标,并不断调整CNN模型,直到模型评价指标达到期望值。     

基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法

针对物体框标注样本包含大量异质成分的问题，该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选，并同时训练出可直接用于分类的CV-CNN。然后利用所训练的CV-CNN完成极化SAR图像的分类。基于3幅实测极化SAR图像的实验结果表明，该文方法能够有效剔除异质样本，与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果，并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优。      

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.     

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法

近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。      

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究

为了更好地治疗宫颈癌,准确确定患者的宫颈类型是至关重要的。因此,用于检测和划分宫颈类型的自动化方法在该领域中具有重要的医学应用。虽然深度卷积神经网络和传统的机器学习方法在宫颈病变图像分类方面已经取得了良好的效果,但它们无法充分利用图像和图像标签的某些关键特征之间的长期依赖关系。为了解决这个问题,文章引入了胶囊网络(CapsNet),将CNN和CapsNet结合起来,以提出CNN-CapsNet框架,该框架可以加深对图像内容的理解,学习图像的结构化特征,并开展医学图像分析中大数据的端到端训练。特别是,文章应用迁移学习方法将在ImageNet数据集上预先训练的权重参数传输到CNN部分,并采用自定义损失函数,以便网络能够更快地训练和收敛,并具有更准确的权重参数。实验结果表明,与ResNet和InceptionV3等其他CNN模型相比,文章提出的网络模型在宫颈病变图像分类方面更加准确、有效。     

基于轻量级光谱-空间注意力交互网络的高光谱地物分类研究

通过引入基于卷积神经网络(convolutional neural network, CNN)的分类算法,高光谱图像(hyperspectral image, HSI)分类任务的精度取得显著的提升,但目前主流CNN算法往往较为复杂且参数量大,从而导致网络难以训练以及容易产生过拟合问题。为在保证网络分类性能的前提下实现轻量化,本文提出一个轻量级架构的基于光谱-空间注意力交互机制的CNN网络用于HSI分类。为实现HSI的光谱-空间特征提取,构建了一个轻量化的双路径骨干网络用于两种特征的提取和融合。其次,为提高特征的表征能力,设计了两个注意力模块分别用于光谱和空间特征的权重再调整。同时,为加强双路径特征之间的关联以实现特征的更好融合,注意力交互机制被引入到网络中以进一步提升网络性能。在3个真实HSI数据集上的分类结果表明,本文所提网络可达到99.5%的分类准确度,并相比于其他网络至少减少50%的参数量。     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。     

基于3D卷积神经网络的PolSAR图像精细分类

PolSAR （Polarimetric Synthetic Aperture Radar）图像分类的传统方法在前期需要对数据进行特征提取,涉及较多的人为参与,且分类精度有待进一步提高。此外,在采用监督分类方法时,某些地物存在小样本问题,针对这些问题并结合PolSAR图像精细分类的需求,提出基于3D卷积神经网络的PolSAR图像地物精细分类方法,将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中,利用PolSAR数据多通道特性,充分挖掘数据中的信息,提高分类性能,并采用虚拟样本扩充的方法改善某些地物的小样本情况,获得更好的分类结果。实验结果表明:3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能,且虚拟样本扩充方法能够有效改善小样本分类问题。