基于改进VGG网络的火灾图像识别

针对不同场景下火灾图像的识别问题,提出一种利用残差网络改进VGG16的模型。首先,将VGG16原有的3层全连接层改为1层,并增加dropout层以防止过拟合。其次,在残差块中的卷积层之后添加BatchNorm2d函数,对数据进行归一化处理。结果表明,改进的VGG16网络准确率、召回率和AUC值等指标性能均优于VGG16和Resnet34网络,能够对火灾图像进行快速、准确的识别。     

基于改进VGG16网络的混合批量训练交通标志识别

针对现有交通标志识别方法存在的识别率低、识别时间长等缺点,文中在卷积神经网络的基础上提出了一种基于VGG16网络模型的改进卷积神经网络模型.对VGG16网络模型的卷积层数量、卷积核和池化层进行修改,增强网络模型的特征提取能力和精简性.通过随机旋转、伸缩、偏移和对比度调整等方法对实验数据集进行数据增强,并通过激活函数、混...     

基于改进VGG网络的单阶段船舶检测算法

单阶段多框架目标检测算法在目标检测领域取得 了成功的应用,但其针对公共数据集中船舶检测的平均精度明 显低于其它刚体类目标类别,同时现有公开数据集中的船舶数量较少且类别单一。为提高检 测精度,提出一种基于改 进VGG网络的单阶段船舶检测算法,在原有VGG底层网络的基础上加入异步卷积和最大池化的 交替连接结构,保证 实时处理的同时提高船舶检测的平均精度。为增加训练所需的船舶数量和类别,广泛收集互 联网中包含船舶的图片, 建立了包含22507个船舶目标的数据集,其中6902个目标标签细分为七类船舶。实验将公开数据集VOC2007和 VOC2012中的图片缩小至300训练后,SSS D在VOC2007test中的平均检测精度均值可达79.3%,平均检测速度 超过40 fps。通过迁移参数的方法,在自建数据集中训练后,对大类 船舶检测的平均精度超 过84%,对七类船舶检测的平均精度均值超过89%,领先现有同类船舶检测 算法。     

基于VGG16和迁移学习的高分辨率掌纹图像识别

由于高分辨率掌纹图像尺寸大、掌纹图像数量少等特点,目前主流的方法采用细节特征点匹配,其算法设计复杂,识别精度不高.针对以上问题,本文提出基于迁移学习的高分辨率掌纹图像识别方法,该方法以VGG16为基础网络,将在ima-genet数据集上训练好的权重参数,用于初始化所有的卷积层;使用图像增强技术将高分辨率掌纹图像分别4、...     

基于自适应调整VGG16网络的高色差视频图像预测

为了提升高色差视频图像自动分类的精确度,文章采用开源的深度学习框架Pytorch,提出了一种基于深度学习的高色差图像分类方法。文章针对高色差图像分类提出一种调整后的VGG16网络模型（Ad＿VGG16）,该网络利用正负例样本均衡化和学习率自适应调整来优化过拟合和局部最小值问题,其次因高色差图像分类效果与输入图像大小有很大关系,则修改VGG16网络第一个全连接层以适应任意大小的输入图像,再采用交叉验证来提高网络的泛化能力。最终的实验数据表明,与VGG16和ResNet18网络相比,Ad＿VGG16网络具有更好的分类准确度,其最终的分类准确度达到92%。     

基于VGG网络的古籍版面图像差异性比较方法

针对传统特征提取方法在对古籍文字图像进行匹配时准确率较低,从而影响古籍版面图像差异性比较准确性的问题,提出基于VGG(Visual Geometry Group)网络的古籍版面图像差异性比较方法。该方法首先由VGG网络模型利用构建的差异性文字图像库进行训练得到卷积神经网络分类器;其次,对版面图像进行文字切分得到单字图像,将其输入到分类器中获取有效的字符级比对结果;最后,利用该结果,并对滑动窗口比较算法加以改进,利用键值对形式的数据结构来存储比较位置和比对结果,通过对比较位置进行映射的方式,避免比较过程中重复位置文字的二次比对问题,最终得到待比对的2幅古籍版面图像的文字差异位置并予以标记,以便于文献版本学研究。在对不同阁本《四库全书》版面图像的实验中,其标记准确率为89.7%,表明该方法有效提高了版面图像差异性比较的准确性。     

一种基于改进Faster RCNN的通信网光交箱防尘帽智能检测方法

光交箱防尘帽的检测对于通信网络的正常运行具有重要作用。提出了一种基于改进Faster RCNN(Region Convolutional Neural Network)的通信网光交箱防尘帽智能检测方法。首先,对输入图片进行去噪等预处理,通过残差网络(Residual Netwok, ResNet)进行特征提取,并通过区域生成网络(Region Proposal Network, RPN)初步识别出候选区域,然后经过RolAlign进行池化处理,最后经过特征金字塔网络(Feature Pyramid Network, FPN)对光交箱防尘帽进行二次识别。将该方法应用到光交箱防尘帽缺失的智能检测中,取得了很好的效果。     

基于改进的SSD监理目标检测研究

针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。     

局部对比度增强的热电池缺陷检测算法

针对射线源管电压限制引起的X射线透射图像局部纹理特征不明显的问题,提出了局部对比度增强的改进灰度峰值坐标比对算法.以某型号热电池为例,通过试验确定了管电压变化对电池堆负极、集流片灰度变化规律的影响,分析了管电压与图像标准差、平均梯度、信息熵之间的关系,确定了缺陷检测的理想管电压值.对于大尺寸热电池,通过自适应对比度增强...     

基于双支路特征融合的MRI颅脑肿瘤图像分割研究北大核心CSCD

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。     

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。     

改进的三层分解模型热红外影像空间降尺度研究

地表温度(Land surface temperature,LST)是地-气相互作用和能量交换的重要参数之一.为了获取高空间分辨率地表温度数据,研究改进了一种热红外遥感数据降尺度方法,并以上海市Landsat8 OLI/TIRS影像为数据源进行了实验验证,归一化植被指数(Normalized Difference Vegetation Index,NDVI)被分解为低频层、边缘层和细节层,其中边缘层和细节层按比例增加到热红外数据中.并与经典的热红外降尺度方法 Dis Trad算法和Ts HARP算法作为对比,将模拟的地表温度(270 m)作为降尺度数据源实现LST降尺度(90 m).实验结果表明,三种降尺度方法都保留原有的地表温度的空间特征,但Dis Trad算法和Ts HARP算法增加了真实数据中并不存在的温度差异;改进的三层分解模型地表温度的均方根误差为0. 913 K,与Dis Trad方法和Ts HARP算法相比精度分别提高了0. 937 K和0. 832K.     

基于SSD卷积网络的航拍图像目标检测方法

基于深度学习的目标检测算法是目前目标检测领域 最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航 拍图像,通常先采用滑窗法提取区域,再对提取的 区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物 体含有 大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算 法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据 集测试,对比评估了梯度聚类 SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD 方 法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame )为2.00,mAP(mean Average Precision) 为46.93,相比滑窗SSD方法,在损失11.72%的 检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。     

基于物理层子信道的单频网组网优化方法*

本文针对利用物理层子信道传输多种业务的地面数字电视单频网,提出了一种基于叠加编码调制的单频网优化方法,该方法在保证公共业务覆盖要求的同时提升本地业务的接收效果,对充分利用信道资源、减少单频网分析设计周期具有重要意义。     

基于改进UNet网络的船舶水尺读数识别方法研究

针对船舶水尺识别过程中出现的图像亮度不均、高 光、水尺标志倾斜和轻微模糊粘连以及船体表面划痕和水尺标志损坏等,本文提出一种基于 改进UNet网络的船舶水尺识别方法。首先,利用改进的UNet网络对图像进行吃水线检测,从 图像中分离船舶区域和水面区域;其次,在分离后的船舶区域图像内,通过在多通道色彩空 间图像上提取各图像的最大稳定极值区域MSER,将各图像最大稳定极值区域并集操作的结果 作为水尺标志候选区域,再把水尺标志候选区域分为非吃水线处候选连通区域和吃水线处候 选连通区域;然后,基于水尺标志连通区域的blob特征对非吃水线处水尺标志连通区域初次 筛选,再利用卷积神经网络对筛选后的连通区域所在的ROI图像进行分类识别;最后,根据 吃水线处水尺标志连通区域的几何特征计算水尺实际读数。实验结果表明,该算法对质量较 好的图像有较高的识别准确率,准确率可以达到96.8%,对于采集、 船体等原因导致质量较差的图像也能有80.7%的准确率。     

改进的BiShrink与DTCWT相结合的遥感图像去噪

基于双树复数小波变换(DTCWT)良好的平移不变性和多方向选择性,以及尺度内DTC-WT系数的领域相关性,提出了一种bivariate shrinkage(BiShrink)的改进算法,对遥感图像进行去噪处理。实验结果表明,经本文算法降噪后,图像的峰值信噪比(PSNR)得到显著提高,较好地保持图像的边缘和细节信息,并抑制混淆现象。     

基于改进卡尔曼滤波的激光补给无人机跟瞄方法研究

激光供能为无人机长时间工作提供了保障,但是激光供能对捕获、跟踪和对准(APT)系统具有较高的要求.本文针对无人机距离地面补给站远、激光跟踪延迟、无人机供给能量不足等问题,提出一种基于自适应卡尔曼滤波算法,采用当前统计模型构建,通过残差检测对无人机模型进行实时的修正,加快位置更新速度,实现激光对无人机的最优跟踪.经过仿真...     

基于视觉词袋模型的图像分类改进方法

文中主要基于视觉词袋（BOVW, Bag-Of-Visual-Words）模型对图像进行分类处理,并对传统视觉词袋模型存在的不足进行了改进,提出了一种基于视觉词典的权重直方图来表达图像,采用优化的k-means聚类算法（k-means+）用于视觉词典的构建,代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验,实验结果表明该改进方案较传统方法提高了分类的正确率。