基于改进的V-Net模型肺结节分割算法的研究

由于CT图像是三维图像,在原始的V-Net模型分割中,易出现结节漏检和边界分割不清晰,以及损失函数Dice训练时不稳定等问题。根据这些问题,提出3D多尺度SE V-Net,简称MSEV-Net网络,同时通过联合损失函数来提高训练的稳定性。该网络模型在V-Net网络的基础上,使用多尺度卷积模块来替换原有的5×5×5卷积,同时在残差连接后加入SE通道注意力模块,通过不同尺度的特征融合和学习不同通道之间的关系,解决肺结节小不易分割的问题。同时在V-Net网络残差连接基础上加一条短跳跃连接,使得整个网络更好利用全局特征。联合损失函数选择Dice和交叉熵损失函数进行融合,可以很好地解决训练不稳定问题。提出的MSEV-Net网络模型和联合损失函数在平均分割准确率PA达到0.998,DSC达到0.837。实验结果表明,该方法在提高肺结节分割精度方面具有一定的效果。     

基于卷积神经网络的街景环境评价

为了实现机器对街景图像环境评价功能,论文提出了基于卷积神经网络的街景评价方法.在网络浅层使用Stem Block结构,优化了低层次特征提取效果;对于稠密层,采用双通道denselayer结构.在交叉熵的基础上提出了基于类间距离度量的的交叉熵损失函数,更加准确地衡量街景评分与标签分差带来的损失.论文还引用了课程学习的方法有效地解决了训练样本标签不可靠带来的模型训练偏离最优化方向问题.     

联合损失优化孪生网络的行人重识别

针对行人重识别应用中行人图像易受到光照、相似着装、拍摄角度影响而出现难分样本对,导致错误匹配的问题,提出一种联合损失结合孪生网络的行人重识别优化算法。首先利用残差卷积神经网络提取图像特征,并以焦点损失（Focal Loss）和交叉熵损失的联合损失对提取的特征进行监督训练,增加模型对难分样本对的关注度;然后采用余弦距离计算图像间的相似度实现行人的重识别;最后加入重排序算法降低误匹配率。采用Market-1501和DukeMTMC-reID数据集进行实验,结果表明,该算法的匹配率分别为91.2%和84.4%,平均精度均值（mAP）分别为85.8%和78.6%。     

基于孪生深度特征融合残差网络的PCB缺陷分类模型

在电子工业领域中,印刷电路板(printed circuit board, PCB)缺陷检测已经变得越来越重要. PCB的部分微小损伤或者不规则损伤与其密集复杂的排线等视觉纹理信息高度相关.传统卷积神经网络提取特征向量,容易丢失纹理特征等中级视觉特征信息,导致对于细微损伤和不规则损伤的检测效果不明显.针对这一问题,提出了基于孪生深度特征融合残差网络(Siamese deep feature fusion residual network)的PCB损伤分类模型.模型的骨干网络采用ResNet50.特征提取阶段将纹理信息等中级视觉特征和神经网络最终输出的高级语义特征融合为一个32维的特征向量.两个特征的向量的相似性用L2距离表示,用于判断PCB是否有缺陷.在训练阶段应用了三元损失和交叉熵损失,多个损失函数的组合提高了网络的准确性.通过实验验证了模型的有效性,在测试数据集上的准确率达到了(95.42±0.31)%的准确率,实现了模型在PCB缺陷分类检测的可行性.     

基于卷积神经网络的夜间车辆检测算法

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means+〖KG-*3〗+算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知：本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。     

基于加权损失函数的多尺度对抗网络图像语义分割算法

针对现有的语义分割算法存在分割结果空间不一致的问题,提出一种基于加权损失函数的多尺度对抗网络语义分割算法。在DeepLab v3基本框架的基础上,引入Pix2pix网络作为生成对抗网络模型,实现多尺度对抗网络语义分割。同时,为增加模型的泛化能力与训练精度,提出将传统的多分类交叉熵损失函数与生成器输出的内容损失函数和鉴别器输出的对抗损失函数相结合,构建加权损失函数。大量定性定量实验结果表明,该算法能够识别并分割细小的物体,其语义分割性能超过现有的深度网络,在保证语义分割空间一致性的同时提高了分割效率。     

基于聚焦损失与残差网络的远程监督关系抽取

基于卷积神经网络的远程监督关系抽取方法提取的特征单一,且标准交叉熵损失函数未能较好处理数据集中正负样本比例不均衡的情况。为此,提出一种基于深度残差神经网络的远程监督关系抽取模型,通过改进交叉熵聚焦损失函数,提取句子中的深层语义特征,同时降低损失函数中负样本的权重,避免在NYT-Freebase标准数据集中引入NA关系类别的噪音。实验结果表明,该模型能增强深度残差神经网络对含噪音数据的表示学习能力,有效提高远程监督关系抽取任务的分类准确率。     

融合残差模块的U-Net肺结节检测算法

为解决现有肺结节检测模型精度低、漏诊率和误诊率高等问题,提出融合残差模块的肺结节检测算法.候选结节检测阶段,提出残差U-Net (residual U-Net,RU Net)分割网络,将改进的残差网络(residual network,ResNet)模块与UNet结构融合,提升模型特征提取能力;加入改进的损失函数解决数据类别不均衡问题,提高检测敏感度.假阳性减少阶段,采用三维卷积神经网络(3D CNN)用于候选结节分类,充分获得结节空间信息,达到降低假阳性的目的.实验结果表明,该算法能够准确并高效地分割和检测肺结节.     

基于Inception深度残差网络的皮肤黑色素癌图像分类算法

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点, 采用深度残差网络可以有效解决训练过程中过拟合问题, 提高识别准确率. 但是深度残差网络模型的训练参数多, 时间复杂度高. 为了提高训练效率, 提高识别准确率, 首先从理论上分析了深度残差网络模型的结构, 通过修改网络结构, 利用Inception结构代替残差网络中的卷积层、池化层, 减少模型的训练参数数量, 降低时间复杂度. 在此基础上, 提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network, IDRN), 用Inception结构代替残差网络中的卷积池化层, 用SeLU激活函数代替传统的ReLU函数. 之后, 在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证. 理论和实验表明, 与传统的卷积神经网络ResNet50相比, 本文提出的新的分类算法降低了时间复杂度, 提高了识别准确率.     

基于物联网平台的动态权重损失函数入侵检测系统

随着物联网（IoT）接入设备越来越多,以及网络管理维护人员缺乏对IoT设备的安全意识,针对IoT环境和设备的攻击逐渐泛滥。为了加强IoT环境下的网络安全性,利用基于IoT平台制作的入侵检测数据集,采用卷积神经网络（CNN）+长短期记忆（LSTM）网络为模型架构,利用CNN提取数据的空间特征,LSTM提取数据的时序特征,并将交叉熵损失函数改进为动态权重交叉熵损失函数,制作出一个针对IoT环境的入侵检测系统（IDS）。经实验设计分析,并使用准确率、精确率、召回率和F1-measure作为评估参数。实验结果表明在CNN-LSTM网络架构下采用了动态权重损失函数的模型与采用传统的交叉熵损失函数的模型相比,前者比后者在使用数据集的地址解析协议（ARP）类样本中在F1-Measure上提升了47个百分点,前者比后者针对数据集中的其他少数类样本则提升了2个百分点~10个百分点。实验结果表明,动态权重损失函数能够增强模型对少数类样本的判别能力,且该方法可以提升IDS对少数类攻击样本的判断能力。     

基于深度残差网络的电力系统暂态稳定预测

电力系统稳定性预测存在映射维度不匹配的问题,导致预测精准性下降,提出基于深度残差网络发热暂态稳定预测方法.将残差单元融入深度残差网络,利用跨层短连接的恒等映射与残差函数,完成线性映射到非线性映射的转换,根据输入特征维度,架构用于暂态稳定预测的深度残差网络模型,通过划分神经网络处理后未知样本,采用交叉熵损失函数,优化深度残差网络模型,基于样本特征与标签数据集,结合样本标注规则,构建出由数据生成、离线训练以及模型应用模块构成的暂态稳定预测方法.仿真数据选取新英格兰10机39节点系统与三组底层量测数据,预测结果具有较为理想的稳定性、精准性以及鲁棒性,且时间复杂度较低.     

基于双通道卷积门控循环网络的语音情感识别

为了构建高效的语音情感识别模型,充分利用不同情感特征所包含的信息,将语谱图特征和LLDs特征相结合,构建了一种基于自注意力机制的双通道卷积门控循环网络模型。同时,为了解决交叉熵损失函数无法增大语音情感特征类内紧凑性和类间分离性的问题,结合一致性相关系数提出新的损失函数——一致性相关损失（CCC-Loss）。将语谱图和LLDs特征分别输入CGRU模型提取深层特征并引入自注意力机制为关键时刻赋予更高的权重;使用CCC-Loss与交叉熵损失共同训练模型,CCC-Loss将不同类情感样本的一致性相关系数之和与同类情感样本的一致性相关系数之和的比值作为损失项,改善了样本特征的类内类间相关性,提高了模型的特征判别能力;将两个网络的分类结果进行决策层融合。所提出的方法在EMODB、RAVDESS以及CASIA数据库上分别取得了92.90%、88.54%以及90.58%的识别结果,相比于ACRNN、DSCNN等基线模型识别效果更好。     

ST-Rec3D：基于结构和目标感知的三维重建

基于视图的三维重建旨在从二维图像恢复出其对应的三维形状。现有方法主要通过编码器-解码器结构,结合二元交叉熵函数及其变形,完成三维重建,取得较好的重建结果。然而,编码器在编码过程中缺乏对输入视图的结构感知能力,造成重建的三维模型几何细节不准确;以二元交叉熵函数为主的损失函数在体素分布不均衡的情况下,目标感知能力较差,导致其重建结果存在断裂、缺失等不完整性问题。针对此类问题,提出了一种具有结构和目标感知能力的三维重建网络(ST-Rec3D),以单视图或多视图为输入,由粗到细地重建出三维模型;结合注意力机制提出了一种具有空间结构感知能力的编码器,即结构编码器,以充分捕捉输入视图中的空间结构信息,有效感知重建物体的几何细节;将IoU损失引入到三维体素模型重建中,在体素分布不均衡的情况下,精准感知目标物体,确保重建物体的完整性和准确性。在ShapeNet和Pix3D数据集上的对比结果表明,ST-Rec3D在单视图和多视图上重建的三维模型的完整性和准确性均优于当前方法。     

基于密集卷积网络的X线气胸检测与定位

现有X线气胸检测存在两个主要问题：一是由于气胸通常与肋骨、锁骨等组织重叠，在临床上存在较大的漏诊，而现有算法的检测性能仍有待提高；二是现有基于卷积神经网络的算法无法给出可疑的气胸区域，缺乏可解释性。针对上述问题，提出了一种结合密集卷积网络（DenseNet）与梯度加权类激活映射的方法用于X线气胸的检测与定位。首先，构建了一个较大规模的胸部X线数据集PX-ray用于模型的训练和测试。其次，修改DenseNet的输出节点并在全连接层后添加一个sigmoid函数对胸片进行二分类（气胸/非气胸）。在训练过程中通过设置交叉熵损失函数的权重来缓解数据不平衡问题，提高模型准确率。最后，提取网络最后一个卷积层的参数以及对应的梯度，通过梯度加权类激活映射算法获得气胸类别的粗略定位图。在PX-ray测试集上的实验结果表明，所提方法的检测准确率为95.45%，并且在曲线下面积（AUC）、敏感度、特异性等指标上均高于0.9，优于VGG19、GoogLeNet以及ResNet算法，同时实现了对气胸区域的可视化。     

一种低参数的孪生卷积网络实时目标跟踪算法

针对基于深度学习的目标跟踪算法模型参数多、难以部署于嵌入式设备上的问题,提出一种改进的孪生卷积网络实时目标跟踪算法.设计一个非对称卷积模块来构建整个网络框架,通过非对称卷积模块的压缩层减少模型参数量,利用非对称层进行特征融合,以在保证精度的同时压缩模型大小.使用三元组损失函数代替逻辑损失函数进行模型训练,在输入不变的情...     

一种基于SR3D网络的人体行为识别算法

针对三维卷积神经网络无法高效地提取时空特征,提出了一种基于SR3D网络的人体行为识别算法。首先,将三维残差模块的BN层和Relu激活函数放置在三维卷积层之前,更好地提取时空特征;然后,将改进的三维残差块和SE模块组合成SR3D模块,增加重要通道的利用率,提高了网络的识别率。在UCF-101和自制异常行为数据集上进行了大量实验结果表明,SR3D算法分别达到了47.7%和83.6%的识别率(top-1精度),与三维卷积网络(C3D)相比分别提高了4.6和17.3个百分点。     

增强特征金字塔结构的显著目标检测算法

显著目标检测是计算机视觉的研究热点。显著目标检测算法存在一些问题,如：算法常采用单一损失函数,缺乏对多维特征损失的考虑,可能带来局限性;最高层特征图来源单一;特征图融合常使用对应像素相加,不能有效突出图像中感兴趣区域。针对上述问题,结合结构性相似、交并比和交叉熵三种损失函数来捕捉图像细节,采用对应像素相乘操作融合特征图,令模型对显著区域更加敏感;通过残差特征图增强模块逆向构建更高层特征图强化其语义信息;采用特征金字塔结构融合不同尺度信息,完成编码解码模块。在5个数据集的对比实验表明该方法性能超过主流算法,能实现有效的显著目标检测。     

一种改进YOLOv4的交通标志识别算法

针对现存交通标志识别模型参数量过大、检测速度慢和检测精度较低的问题,本文提出一种改进YOLOv4-tiny的交通标志识别算法.该算法将深度可分离卷积应用到YOLOv4-tiny的特征提取网络中,显著降低了主干网络的参数量和计算量.在特征融合阶段,将特征提取网络得到的不同层次特征图输入双向特征金字塔网络结构(BiFPN)中进行多尺度特征融合.最后,在损失函数设计过程中,使用Focal损失函数代替二分交叉熵损失函数,使检测过程中的正负样本数量不均衡问题得以解决.在TT100K数据集上的测试结果表明,该算法的平均精度均值达到87.5%,相比于YOLOv4-tiny提升了3.9%,模型大小为14MB,仅为YOLOv4-tiny的58%.该算法一定程度上减少了计算量和模型大小,并带来了检测速度和精度的提升.     

基于稀疏特征改进的单视图表面重建

基于深度学习的单视图三维重建是当前的研究热点。为重建出更多的高频细节,SDF-SRN算法引入了位置编码,但在缺乏精确监督时,网络容易过拟合而导致凹凸不平的重建结果。针对这个问题,提出一种基于稀疏特征的网络模型,该模型凭借残差学习机制,令容易过拟合的网络预测高频残差。通过特征提取网络得到稀疏特征和全局特征,稀疏特征输入到一个超网络中生成预测浅头,该浅头负责预测符号距离函数的低频部分,而全局特征输入到另一个超网络生成另一个浅头来预测高频残差,这两部分通过权重因子构成最终的符号距离函数。频谱分析表明实验结果达到了相应的设计目的;与不同平滑表面重建方案对比,基于残差学习的平滑重建方案可以实现更平滑的表面重建,克服了SDF-SRN过拟合的问题,同时保留足够的细节;与其他先进的单视图重建方法的定性和定量对比结果证明了该方法的优越性。     

一种基于深度学习的银屑病智能诊断方法

提出一种基于深度残差网络的银屑病分类诊断模型。首先采用数据增强、银屑病图片大小调整和TFRecord编码等技术对网络的输入进行预处理,然后设计了一个34层的深度残差网络(ResNet-34)来对银屑病的特征进行提取。此外,采用交叉熵作为ResNet-34的损失函数来衡量模型的准确性,并利用Adam算法作为优化器来对ResNet-34进行训练,最终得到一个优化的ResNet-34模型用于银屑病诊断。基于K折交叉验证的实验结果表明,所提模型在召回率和ROC曲线方面的性能优于其他诊断方法,可以为银屑病数据分析、疾病预防提供技术支持。