基于卷积门循环单元和气象雷达图像的临近降水预报

现有的深度神经网络预测模型主要是通过学习单一高度下的雷达回波图像序列的特征预测未来时间段回波序列.然而,这种模型并不能直接预测目标站点未来一段时间内的降水量.鉴于此,提出了一种基于卷积门循环单元(Con-volutional Gated Recurrent Unit,ConvGRU)神经网络的临近降水预报模型.对目标站点不同高度的雷达回波图像做卷积,同一高度的卷积图像通过GRU(Gated Recurrent Unit)学习云团运动过程中的时序特征,将不同高度时序图像的学习特征聚合到全连接层中进行训练,输出目标站点未来1h～2h的降水量.实验分析表明,该模型在未来1h～2h的降水预报中取得了较好的预报精度.     

应用卷积神经网络的陶瓷产品图像检索

卷积神经网络自诞生以来,其研究与应用备受关注。陶瓷产品器型各异且千变万化,基于内容的传统图像检索因"语义鸿沟"不能切实满足应用需要。鉴于卷积神经网络优良的自我学习能力,本文尝试使用卷积神经网络AlexNet模型来提取陶瓷产品图像特征,以丰富图像的语义信息来提高识图准度;使用主成分分析算法对陶瓷产品图像进行降维以提高陶瓷产品的图像检索效率;并通过现有平台的陶瓷产品图像进行图像检索测试验证了其可行性。     

一种基于IHS和NSST的多光谱图像融合方法

文中针对丛林环境背景下的迷彩人员检测效果差的问题,提出一种基于多光谱图像融合的迷彩人员检测方法.以可见光图像和特征波段图像为数据源,首先将可见光图像变换到相关性最小的IHS颜色空间,提取出亮度分量I;然后对于特征波段图像和亮度分量I进行多级NSST分解变换图像融合,其中特征波段之间采用局部能量取大值融合规则低频分量融合,与亮度分量之间采用自适应模糊逻辑原则进行低频分量融合.高频分量均使用模值取大的融合规则.最后进行NSST逆变换和IHS逆变换得到融合结果.经实验表明,与其他经典和主流多尺度变换图像融合算法相比,该方法具备较好的图像质量评价指标,并且在迷彩人员检测实验中,与可见光图像结果相比,具有较好的检测结果.     

胶质瘤医学影像分类方法研究

脑胶质瘤是一种常见的原发性颅脑肿瘤。恶性胶质瘤约占原发性恶性脑肿瘤的70%。传统的脑肿瘤诊断方法主要是医生根据磁共振影像和临床症状,以个人经验做出定性的诊断,带有一定的主观性。近年来,计算机辅助诊断技术蓬勃发展。该技术能够更高效、准确地辅助医生进行临床决策。本文采取一种新型的级联各向异性卷积神经网络模型CACNN(Cascaded Anisotropic Convolutional Neural Networks),将胶质瘤的多模态MR图像分割为整个肿瘤、肿瘤核心和增强肿瘤核心这三个等级区域,并在单一特征和多特征结合下对脑胶质瘤图像进行基于VGG模型的良恶性二分类,取得了良好的分类效果。     

融入类贡献抑制因子的灰度级模糊C均值图像分割

基于灰度级模糊C均值图像分割算法具有分割速度快的优势。由于无损检测图像中背景类和目标类差异较大,该算法不能有效地将目标分割出来,故提出改进的基于灰度级的模糊C均值算法。构建了一种与类大小反向相关的类贡献抑制因子表达式,将之融入目标函数后能够降低较大类对目标函数的贡献,这可避免较小类的聚类中心受较大类的影响而靠近较大类的聚类中心。最小化新的目标函数可得新形式的隶属度和聚类中心表征形式。采用类大小差异较大的无损检测图像进行试验,结果显示本文算法得到的分割图像视觉效果良好,而且指标G_mean也更高,进一步提升了基于灰度级模糊C均值算法适应能力。     

深度神经网络图像语义分割方法综述

图像语义分割是计算机视觉领域近年来的热点研究课题,随着深度学习技术的兴起,图像语义分割与深度学习技术进行融合发展,取得了显著的进步,在无人驾驶、智能安防、智能机器人、人机交互等真实场景中应用广泛。首先对应用于图像语义分割的几种深度神经网络模型进行简单介绍,接着详细阐述了现有主流的基于深度神经网络的图像语义分割方法,依据实现技术的区别对图像语义分割方法进行分类,并对每类方法中代表性算法的技术特点、优势和不足进行分析与总结。之后归纳了图像语义分割常用的大规模公共数据集和性能评价指标,并在此基础上对经典的语义分割方法的实验结果进行了对比,最后对语义分割领域未来可行的研究方向进行展望。     

多粒度融合的模糊规则系统图像特征学习

当前最流行的图像特征学习方法是深度神经网络,该类方法无需人工参与即可自动地通过特征学习提取高效的特征,用于分类识别等任务。然而,深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述挑战,以基于模糊规则推理的TSK模糊系统(TSK-FS)为基础,提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征,因而特征学习过程是可以利用规则进行解释的。其次,多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验,实验结果表明该方法在图像数据集上具有较好的有效性。     

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

生成式对抗网络及其在图像生成中的研究进展

生成式对抗网络(GAN)现已成为深度学习领域热门的研究方向,其独特的对抗性思想来源于博弈论中的二人零和博弈,如何解决GAN训练不稳定、生成样本质量差、评价体系不够健全、可解释性差等问题是目前GAN研究的重点和难点.调研了生成式对抗网络的研究背景和发展趋势.首先阐述了生成式对抗网络的基本思想和算法实现,分析了GAN的优势与不足,然后对已有改进方法进行了较为系统的分类,从基于结构改变和基于损失函数变体的两种类型分别梳理了一些典型的GAN的优化方法和衍生模型;比较了GAN与其他生成模型的异同,介绍了各自的优势与不足;对比了GAN及其衍生模型的性能,总结了它们的运作机制、优点、局限性以及适用场景,介绍了生成式对抗网络在图像生成领域中的应用;最后列举了生成式对抗网络的主流评价指标,分析了GAN研究中仍面临的主要问题并给出对应的解决思路,并将列举出的主流解决手段在解决效果及可应用性方面进行了对比分析,展望了未来的研究方向.