基于双重注意力机制的间质性肺病高分辨率CT 图像分类方法

为了更精确地分类间质性疾病,提出了一种基于深度学习的分类网络,首先将多头自注意力机制模DenseNet-121结 合,使得模型能够同时关注多个重点区域。然后采用卷积注意力模块实现更高效的特征提取,提升网络的空间感知能力,从 而增强分类性能。最后,添加改进的空间金字塔池化层将不同尺度的特征图拼接起来以捕获更丰富的空间信息。此外针对 高分辨率C 图像数据集类别不均衡问题,引入Focal Loss损失函数,使得模型在训练时更专注于难分类的样本,从而进一步 增强模型的分类能力。所提方法在未经训练的数据集上进行测试,达到了88.28%的准确率。相较于原始DenseNet-121在准 确率、召回率、精确率、F1 分数和Kappa 系数提高了4.65%、5.08%、5.82%、5.45%和6.38%。实验结果表明,该方法具有特 征提取能力强和分类准确率高的特点。     

采用样本自动选择的建筑物遥感场景分类方法

目前遥感图像建筑物场景分类方法多采用人工标注样本，标注过程需要大量时间。针对该问题，提出了一种采用样本自动选择的高分遥感建筑物场景分类方法。首先，建立光谱特征、几何特征和深度特征的多维高分遥感图像影像对象特征空间；其次，采用决策树初步提取建筑物，构建建筑物场景密度直方图；然后，采用自然间断法对建筑物密度分级，并采用比例法分别在每类场景中提取部分场景图像作为训练样本；最后，采用ResNet50网络对建筑物场景分类。以辽宁省沈阳市浑南区为研究区域和Google Earth遥感图像为实验数据，实验结果表明本文方法能够实现非监督场景分类，总体分类精度和Kappa系数分别为089和082，较原有样本选择方法分类精度提高了3%和8%。     

基于阶段聚焦损失和并行增广策略的 遥感图像场景分类

随着深度学习的不断普及,卷积神经网络已成为遥感图像场景分类的主要手段,然而当前的研究主要集中于多网络主干的信息融合以及注意力机制等领域,在提高分类精度的同时也带来更高的计算复杂度。针对上述问题,分别从改进卷积神经网络损失函数和设计新的样本训练策略两个角度出发,在不增加计算复杂度的前提下,提升卷积神经网络的分类性能。首先,在对传统交叉熵和Focal loss损失函数进行分析的基础上,提出一种阶段聚焦损失函数,该损失函数可以在训练阶段对卷积网络进行有侧重的性能挖掘。其次,设计了一种并行样本训练策略,将采用Gridmask算法增广后的样本图像和原始样本图像,分为两路输入卷积网络进行并行训练,进一步提升卷积网络的分类性能。实验结果表明,所提出的算法分别在AID和NWPU-RESISC45两个大规模数据库上取得了96.72%和93.95%的检测精度,可以显著提升遥感图像场景分类的性能。     

基于改进ResNet34网络的变电站设备巡检图像分类识别的方法

针对变电站设备巡检图像识别领域中存在的图像规模有限和识别准确率低等问题,提出了一种基于改进ResNet34网络的图像分类识别方法。采用Seam Carving算法对图像中的低能量区域进行压缩以保留关键特征;同时使用弹性变换、高斯噪声等6种图像增强技术来增强图像的多样性。将基础ResNet34网络与卷积注意力模块结合,增强模型对设备巡检图像关键特征的提取能力。使用在ImageNet数据集上的预训练模型作为迁移学习的特征提取器来解决样本数量不足的问题。在Adam优化器中引入余弦退火策略来动态调整学习率使改进的ResNet34网络更快收敛至最优解。试验结果表明所提方法比基础ResNet34网络的准确率提升了0.073 3,损失率降低了0.201 9,为变电站设备巡检图像识别领域提供了一种可靠的解决方案。     

基于共性与特性信息融合的遥感场景图像分类

由于遥感场景图像类内差距大即同一类别图像的特性信息相差较大,仅仅依靠特性信息分类的准确率不高,而现有遥感场景图像分类方法忽视了同一类别所具有的相同的共性信息也可以辅助图像识别,对此本文提出一种基于共性与特性信息融合的遥感场景图像分类方法。首先,图像通过卷积网络较浅层与深层得到的简单特征图与复杂特征图相叠加,可认为是此图像注意力集中的特征图,提取此特征图的手工特征LBP作为共性信息。之后与卷积网络提取的特性信息融合并进行分类。本文使用经贝叶斯优化优化超参数的SVM分类器,使其性能达到最佳来消除分类器对实验的影响。在两个数据集UC Merced和AID上的实验,验证其分类精度分别达到了98.80%和96.06%,表明该方法能有效地提升遥感场景图像准确率。在国防,城市规划,地质勘查等领域有重要意义。     

基于融合度量策略的小样本金属缺陷识别研究

针对目前金属表面缺陷分类，数据稀缺且标注步骤繁琐昂贵的问题，将小样本度量学习引入金属表面缺陷分类中，提出了一种小样本分布度量网络模型FDM-FSL:用信息更加丰富的细节描述子来表征图像特征，并通过空间注意力机制筛选获得更具判别力的描述子信息，最后引入融合KL散度和EMD距离的图像到类的度量方式以考虑查询集和支持集类别的分布一致性。实验结果表明，提出的网络模型在小样本数据集MiniImageNet上拥有更加优良的度量能力，5类5样本下平均识别精度相较经典的RelationNet、CovaMNet、DN4算法识别准确率提高了6.34%、5.78%、1.25%。在金属缺陷数据集NEU-DET上5类5样本平均识别准确率分别提高了2.87%、3.34%、2.5%。     

基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类

螺栓是输电线路中广泛存在的紧固件,其缺陷图像具有类内差异性小、类间差异性大的特性。针对复杂度高且性能优秀的大模型在分析螺栓缺陷图像消耗大量计算资源的问题,将知识蒸馏技术引入到输电线路螺栓缺陷图像分类中,提出了一种基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类方法:在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型螺栓特征的表达能力;将网络输出层的自适应加权方法与网络隐藏层的注意力转移机制相结合,以充分提高小模型的螺栓缺陷分类能力。最后通过自建螺栓缺陷图像分类数据集验证了大模型利用所提蒸馏方法指导小模型训练的有效性,实验结果表明:小模型的分类准确率提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。研究实现了螺栓缺陷的高效分类,达到了精度与资源消耗的平衡。     

深度信念网络的等效模型及权值扩展算法研究

针对深度信念网络(DBN)中小样本情况下,训练模型泛化性较差,分类识别率不够理想,系统性能有待提高等问题,研究了DBN的等效模型,分析了小样本情况下识别率差的问题;并提出一种区间化权值扩展方法,扩大了样本和权值的匹配空间,使判决更有利于正确分类,提高了小样本情况下的图像分类准确性;用检测与估值理论给出了算法能提高系统检测性能的依据,并在不同的数据库上进行了实验测试,进一步证明了小样本情况下图像分类准确率的提高。最后,将该方法应用到了小样本绝缘子故障识别中。     

基于阴影增强和注意力机制的高光谱图像分类

基于深度学习网络的高光谱图像分类能够有效地提取图像中的特征信息，促进遥感图像中丰富信息的挖掘与利用。然而，现有方法性能仍然受限于阴影信息不能充分提取、特征不能有效利用。针对阴影区域信息提取，动态随机共振能够利用噪声增强信号，提高信息的表达能力；针对特征利用，在卷积神经网络中嵌入注意力机制，能够在其提取的高层特征的基础上，从空间维度和通道维度进一步提取融合，筛选出对当前任务目标更为关键的特征，提升网络分类性能。实验结果表明：通过在含有阴影区域的真实高光谱图像数据集Hydice上仿真，动态随机共振能够有效增强信号进而将分类精度从96.48%提升到97.14%,卷积注意块的加入使分类精度提升了0.408 4%。进一步与其他分类方法在Hydice、Indian Pines、Pavia University进行实验对比验证，本文方法分类精度分别达到了97.436 1%、99.219 5%和99.929 9%,对不同数据集的分类都具有良好的表现，相较于其他方法具有明显优势，证明了该方法的有效性和良好的分类性能，在高光谱图像分类领域具有广阔的应用前景。     

变工况条件下三相异步电机匝间短路故障诊断

针对三相异步电机匝间短路故障在不同工况下数据分布不一致带来的泛化识别准确率下降的问题。提出了一种基 于残差一自注意力网络的迁移学习方法,通过在残差网络中嵌入自注意力机制实现特征强化并利用源域数据进行模型训练, 然后利用迁移学习的微调策略使得模型能更好地适应目标域的特征分布,以此来增加模型在目标域数据中的适应性能力。 此外,通过设计对比实验探究了引入微调训练以及在模型中嵌入自注意力机制对于模型诊断性能的影响。实验结果表明,所 提方法在3种负载条件下迁移的平均准确率为87.5%,相较于一般的残差网络准确率提高了4.5%,同时召回率和 F₁ 分数 分别提高了约10%和6%。     

基于改进 SqueezeNet 的棒状物表面缺陷识别

高速流水线生产的棒状物极易产生各种表面缺陷,但基于传统图像处理的缺陷识别方法易受环境影响、可靠性低,而基于深度学习的缺陷识别方法存在模型过大、识别准确率受制于样本数量等问题。因此,本文提出了一种基于改进SqueezeNet的棒状物表面缺陷识别系统。设计了可获取圆周对称小体积棒状物全表面图像的采集装置,并在轻量级卷积神经网络SqueezeNet中引入注意力模块以改善模型的特征提取效果,利用数据平衡方法提升数据集内少数类样本的识别准确率,利用迁移学习的方法进行深度学习训练,减轻数据集样本不足对训练效果的影响。以生产线上的卷烟烟支为研究对象,采集其圆周表面图像进行实验,结果表明,改进方法在少样本条件下的分类准确率达到了94.49%,其中对于少数类样本的F1分数提高了31.19%,单张图像检测时间约1.66 ms,模型轻量化,可满足工业生产线中棒状物实时缺陷识别的需求。     

基于改进型U-Net的遥感云图分割方法

云检测是遥感图像预处理的重要步骤,云检测精度直接影响后续遥感图像应用的准确性,针对现有云与云阴影分割任务中,泛化能力差,误检漏检现象严重的问题,本文提出了一种改进型U-Net网络模型,该模型以U-Net为主干网络,加入高效通道注意力机制,修改激活函数。将遥感图像作为输入,放入基于高效通道注意力的U型云图分割模型中进行训练,在获得最优权重后,输出包含云区域、云阴影区域和背景区域的遥感图像分割结果。实验结果表明,相比于现有分割模型,本模型在云和云阴影的分割任务中参数量最低,准确率最高,泛化效果最好。     

基于数据增强和深度学习的水电站告警事件诊断

针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷，设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题，采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制；结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据，最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据，测试结果表明，所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。     

一种基于改进的WGAN模型的电缆终端局部放电识别准确率提升方法

目前,基于机器学习的电缆终端局部放电模式识别常因标注数据匮乏或不均衡而导致泛化能力不足,识别准确率较低。为解决该问题,该文提出了一种基于改进的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)模型的电缆终端局部放电识别准确率提升方法。该方法以单个脉冲对应的小波时频谱图为对象,首先训练具有条件生成能力且训练过程稳定的改进WGAN模型并生成新的样本;然后利用新样本对原始样本集进行扩充,以提高样本多样性;最后,利用扩充后数据集训练得到新的局放分类器。实验结果表明,所提方法相较于其他条件生成模型能够更稳定生成新的高质量样本;利用该方法分别对典型电缆终端缺陷数据进行扩充,训练出的新分类器具有更优的泛化能力,且对不同分类器具有适用性。该方法有效抑制了工程中局放类型识别时由于数据匮乏或不均衡所导致的过拟合风险,有效提升了在小数据量下的识别准确率。     

基于多模型级联的轻量级缺陷检测算法

基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力。针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,它采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果。首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练。实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28%,每张图像的平均检测时间仅需10.5ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位。因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域。     

基于 VGG-Net 的 X 射线全脊柱冠状面图像分割方法

在计算机辅助脊柱图像分析和疾病诊断应用中,从X 射线脊柱图像中自动分割脊柱和椎骨是一个关键且具有挑战性 的问题。为进一步提升脊柱图像分割精度,提出一种基于 VGG-Net 改进的模型。首先,将 VGG16 网络去掉了后面的全连接 层,用作 U-Net 的特征提取网络;其次,为了增强图像的细节信息,在特征提取网络引入小波分解模块;最后,在上采样网络中 设计了一种逐像素相减的自空间注意力模块(SUB-SSAM) 机制,进一步提高网络模型识别关键特征的能力。实验结果表明, 改进后的模型相较于原VGG-Net 模型在平均交并比(mloU) 上提高了2.39%、召回率(recall)提高了0.96%、准确率(accura- cy)提高了1.31%,训练的该网络模型可以定位到每一块椎骨,准确分割椎体区域。     

多光谱视网膜成像动静脉自动分割方法

为了解决手动标记动静脉耗时耗力的问题，开发了一种基于ResNet＿U-Net网络模型的计算机自动分割视网膜动静脉算法。首先，使用多光谱视网膜成像系统采集视网膜图像并制作数据集，其包含206张548 nm光谱的视网膜图像及其像素级标记的动静脉图像；然后，优化ResNet＿U-Net网络模型中的多尺度特征提取模块和损失函数模块，并增加了通道注意力机制和后期处理方法来提高动静脉自动分类的准确性；最后，在数据集中随机抽取165张作为训练集，41张作为测试集进行了测试。实验表明，本研究所建立的深度学习模型能自动准确分割视网膜图像中的动静脉，准确率可达98.50%。     

PCA和Elman网络在移动学习策略分类中的应用

针对传统的大学生英语移动学习策略分类方法准确率较低的情况,提出了一种主成分分析（PCA）和Elman神经网络相结合的分类模型。首先,用PCA对所获得的移动学习策略原始数据作数据降维处理,提取前5个主成分,建立新的特征样本矩阵,再对Elman神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN分类准确率为70.0%,单一的Elman网络分类准确率为80.0%,PCA Elman网络分类准确率为100.0%,PCA Elman网络模型简化了单一Elman网络的结构,提高了网络的训练速率、分类准确率和泛化能力,验证了所提出的模型的有效性。     

CT图像融合专家知识的肺结节良恶性诊断方法

针对当前卷积神经网络在医学CT图像肺部结节分类中存在图像特征提取不全面，导致分类准确度低且检测时间长的问题，提出了一种基于深度网络特征融合的分类检测网络(efficient selective convolutional network,ESC-Net),网络是以EfficientNet-V1为基础框架，在MBConv(mobile inverted residual bottleneck convolution)结构中引入轻量级注意力机制，同时，为降低网络的参数量和FLOPs,删去3层MBConv结构，进一步增强了特征提取和分类能力，适合于实际应用场景中快速、精准地诊断恶性结节。结果表明，在LIDC-IDRI数据集上，方法实现了对肺结节良恶性的精确分类，分类准确率和AUC值分别达到了94.6%与98.3%,优于大部分主流的分类方法。     

基于注意力机制的双度量小样本图像分类算法

小样本图像分类旨在利用少数几个标记样本训练出一个具有良好泛化性网络,其中基于度量学习的小样本图像分类方法具有模型简单且高效的优点。针对图像到类度量的深度最近邻网络(deep nearest neighbor neural network, DN4),提出了基于注意力机制的双重度量网络(attention based bi-metric network, ABM-Net)。在主干网络中加入注意力机制以获得更有效的特征表示,并提出将图像到图像度量与图像到类度量结合的双度量模块。实验结果表明,相较于DN4,ABM-Net的性能在数据集CUB-200-2011、Stanford-Dogs和Stanford-Cars的1-shot和5-shot分类任务中均有一定的提升。