利用卷积神经网络分类乳腺癌病理图像

为了解决乳腺病理图像分类准确率低,耗时费力的问题,本文提出了利用卷积神经网络(CNN)对乳腺病理图像进行分类的方法.利用该方法将病理图像快速、自动划分为良性和恶性2类.采用基于Inceptionv3架构的卷积神经网络模型和迁移学习算法进行病理图像特征提取;利用全连接层神经网络和SoftMax函数进行图像分类.同时针对高...     

基于多尺度通道重校准的乳腺癌病理图像分类

针对乳腺癌病理图像的自动分类问题,提出基于深度学习的分类算法. 通道重校准模型是作用于特征通道的注意力模型,可以利用学习到的通道权重对无用特征进行抑制来实现对特征通道的重校准,以达到更高的分类准确率. 为了使通道重校准的结果更加准确,提出多尺度通道重校准模型,设计卷积神经网络 msSE-ResNet. 多尺度特征通过网络中的最大池化层获得并作为后续通道重校准模型的输入,将不同尺度下学到的通道权重进行融合,可以改善通道重校准的结果. 该实验在公开数据集BreaKHis上开展. 实验结果表明,该网络对良性/恶性乳腺病理图像分类任务达到88.87%的分类精度,可以对不同放大倍数下获取的病理图像具有较好的鲁棒性.     

基于多通道残差网络与注意力机制协作的调制分类

为了更加充分地提取调制信号特征,构建一种多通道残差网络与注意力机制协作的调制分类方法。首先设计一个各通道均不相同的多通道结构,确保提取的信号特征更加多样;其次,将每个通道提取的特征利用concatenate层进行融合,增强描述信号特征;之后,结合残差网络的优势,显著增加网络深度,捕获更具代表性的特征,同时缓解深层网络带来的梯度消失问题;最后,为了使提取的特征更加易于分类,引入注意力层,对提取特征重新校准,以捕获更加关键的特征,增加信号分类准确率。在公共数据集RadioML 2016.10 b上进行实验。仿真结果表明,该网络的分类性能优于许多文献中的分类器,当信噪比14 dB时,分类精度达到93.23%,证明了此网络的可行性与有效性。     

基于注意力数据增广的细粒度图像分类方法

细粒度图像分类是一个具有挑战性的问题,现有的细粒度图像分类模型一般都具有复杂精细的结构,但多数模型实现起来较困难,且分类精度不高.为了提高分类精度,同时降低分类模型的复杂度,提出了一种基于注意力数据增广的细粒度图像分类方法.该方法通过注意力机制实现弱监督方式的判别性区域定位,并基于判别性区域实现数据增广.其中数据增广包...     

基于深度卷积网络的图像分类算法研究

卷积神经网络在有大量训练数据的基础上,其分类精度已经可以超过支持向量机(SVM)分类精度。将图像分类算法应用于标准数据集CIFAR-10是测试算法性能和精度的一种方法,在此数据集中分别以3k批次和100k批次的数据训练深度卷积网络,可以分别达到70%和80%以上的分类精度。     

基于改进MobileNet v2的垃圾图像分类算法

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度. 实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.     

基于移动窗口注意力机制和编码解码器的肺结节分类方法

针对肺结节分类方法仍存在缺乏推理过程的可解释性和判别性特征表示等问题,提出了一个基于移动窗口注意力机制和编码解码器肺结节分类方法(SWAC)来对图像进行特征提取。该模型结合了卷积神经网络(CNN)和移动窗口注意力机制的优势,通过关注结节分类所必需的区域进行结节分类,有效地提取了结节的浅层特征和深层特征。该卷积神经网络引入了Focal损失函数,对网络主干进行特征约束来关注难分类样本,以此提升网络的判别表征能力。在LIDC-IDRI数据集上通过消融实验分析了该方法中各部分的贡献和影响,结果表明,SWAC分类方法具有优异的性能。     

基于迁移学习的乳腺肿瘤组织病理图像分类研究

乳腺癌是一种严重危害人体健康的恶性肿瘤,准确的诊断对于预防和治疗乳腺癌至关重要。相比人工检测的方法,计算机辅助检测系统更为高效省时。研究基于迁移学习方法,在微调Alexnet模型的基础上采用基于核的支持向量机（SVM）作为分类器构建了Alexnet-SVM模型,使用该模型对BreakHis数据库中的乳腺肿瘤组织病理图像分类。为了进一步提高模型的分类准确率,使用GA、GWO、Grid三种算法对SVM的核参数进行了优化。结果表明,经过GA算法优化过后的SVM对BreakHis数据库中不同放大倍数（40,100,200,400）下的乳腺肿瘤组织病理图像平均分类准确率分别达到97.51%、97.65%、97.68%和97.12%。相比目前已有的深度神经网络模型,所提出的模型分类准确率更高。研究结果对于乳腺癌的早期诊断具有重要的临床应用价值。     

基于改进CNN-BiGRU-att模型的文本分类研究

为解决单一的卷积神经网络(CNN)缺乏利用上下文本信息与单一循环神经网络(RNN)对局部信息把握不全面问题,提出一种基于注意力机制的多通道TextCNN-BiGRU分类模型.首先,通过word2vec对初始文本向量化,经实验选取窗口值组成三通道.然后利用CNN的强学习能力提取局部特征,利用双向门控循环单元(BiGRU)提取上下文全局信息,运用注意力层与池化层获取并优化重要的特征.最后采用softmax函数使误差loss极小化.仿真实验结果表明,提出的模型分类性能,准确度达94%,损失函数值稳定在0.22%左右,具有良好的泛化能力,能够有效解决单一模型挖掘信息不全问题,有效提高分类效果.     

多尺度SE-Xception服装图像分类

应用当前较新颖且分类性能靠前的卷积神经网络Xception作为基础网络结构,尝试采用多尺度的深度可分离卷积来提升模型特征信息的丰富度,在模型中嵌入SE-Net模块增强有用特征通道,减弱无用特征通道. 实验结果表明：提出的多尺度SE-Xception模型在2种噪声程度不同的服装数据集中均取得不错表现;ACS数据集的平均分类准确率为78.34%,分别高于VGG-16、ResNet-50和Xception模型8.52%、4.81%、3.69%;验证了多尺度SE-Xception模型具有更好的特征提取能力,能够提取到更多的服装信息,从而提高服装图像分类效果,一定程度上解决了特征尺度单一、信息丰富度低的问题.     

基于SK注意力残差网络的水下图像增强

针对水下图像颜色失真、关键信息模糊和细节特征丢失的问题,提出一种基于SK注意力残差网络的水下图像增强方法.该方法通过改进生成对抗网络中的生成器结构,引入残差模块,减少编码器和解码器之间的特征丢失,增强了图像细节和颜色.为了使网络能适应不同尺度的特征图提取图像关键信息,该方法在残差模块后添加SK注意力机制,采用参数修正线性单元来提高网络的拟合能力.将本文方法分别在真实和合成的水下图像数据集中进行验证,采用传统方法和深度学习的方法进行主客观评价.在主观效果分析中发现,本文方法增强后的图像颜色、关键信息和细节特征都有很大提升.在客观评价指标中发现,本文方法指标值均高于现有的水下图像增强算法,验证了该算法的有效性.     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

基于竞争注意力融合的深度三维点云分类网络

为了提高三维点云深度网络分类模型对全局特征的提取与表达能力,增强模型对噪声干扰的鲁棒性,提出可迁移应用于不同分类网络的竞争性注意力融合模块,学习多层级特征的全局表征和中间特征内在相似度,对中间特征通道权值重分配. 在基准网络Pointnet++和PointASNL中嵌入所提模块并进行实验,结果显示：所提模块具有独立性和可迁移性,聚焦更利于三维点云形状分类的核心骨干特征. 与基准网络相比,所提模块在保持分类精度稳定不下降的情况下,模型对点云扰动噪声、离群点噪声和随机噪声的抗干扰能力增强,在随机噪声数分别为0、10、50、100、200的情况下,准确度分别达到93.2%、92.9%、85.7%、78.2%、63.5%. 与传统滤波方法相比,端到端的学习减少预处理步骤和人工干预过程,同时具有更优的抗噪性能.     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96％,达到3DCNN的同等水平(99.36％),较改进前(97.28％)提高2.68个百分点;处理速度(5 s／epoch)和1DCNN位于同一量级,快于3DCNN(96 s／epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.     

基于双池化注意力机制的高光谱图像分类算法

为了提高高光谱图像在有限训练样本下的分类性能,提出了一种基于双池化注意力机制的高光谱图像分类网络(DPAMN).首先,采用三维卷积提取高光谱图像的空间和光谱浅层信息.其次,为了增强网络的特征提取能力,在DPAMN中引入了一种双池化注意力机制.最后,在网络的深层引入三维卷积密集连接模块,该模块不仅能够充分提取高光谱图像的空间和光谱特征,同时还能提高特征的判别能力.实验结果表明,在Indian Pines、University of Pavia、Salinas以及Houston 2013数据集上分别取得95.45%、97.11%、95.30%以及93.71%的整体平均精度,与目前主流的已有先进方法相比,所提出的方法在4个数据集上均有较大提升,表明所提方法具有较强的泛化能力.     

基于空间注意力和卷积神经网络的视觉情感分析

为了解决现有基于深度学习方法的视觉情感分析忽略了图像各局部区域情感呈现的强度差异问题,提出一种结合空间注意力的卷积神经网络spatial attention with CNN, SA-CNN用于提升视觉情感分析效果。设计一个情感区域探测神经网络用于发现图像中诱发情感的局部区域;通过空间注意力机制对情感映射中各个位置赋予注意力权重,恰当抽取各区域的情感特征表示,从而有助于利用局部区域情感信息进行分类;整合局部区域特征和整体图像特征形成情感判别性视觉特征,并用于训练视觉情感的神经网络分类器。该方法在3个真实数据集TwitterⅠ、TwitterⅡ和Flickr上的情感分类准确率分别达到82.56%、80.23%、79.17%,证明利用好图像局部区域情感表达的差异性,能提升视觉情感分类效果。