3D卷积自编码器高光谱图像分类模型

目的 高光谱图像分类是遥感领域的基础问题，高光谱图像同时包含丰富的光谱信息和空间信息，传统模型难以充分利用两种信息之间的关联性，而以卷积神经网络为主的有监督深度学习模型需要大量标注数据，但标注数据难度大且成本高。针对现有模型的不足，本文提出了一种无监督范式下的高光谱图像空谱融合方法，建立了3D卷积自编码器（3D convolutional auto-encoder，3D-CAE）高光谱图像分类模型。方法 3D卷积自编码器由编码器、解码器和分类器构成。将高光谱数据预处理后，输入到编码器中进行无监督特征提取，得到一组特征图。编码器的网络结构为3个卷积块构成的3D卷积神经网络，卷积块中加入批归一化技术防止过拟合。解码器为逆向的编码器，将提取到的特征图重构为原始数据，用均方误差函数作为损失函数判断重构误差并使用Adam算法进行参数优化。分类器由3层全连接层组成，用于判别编码器提取到的特征。以3D-CNN （three dimensional convolutional neural network）为自编码器的主干网络可以充分利用高光谱图像的空间信息和光谱信息，做到空谱融合。以端到端的方式对模型进行训练可以省去复杂的特征工程和数据预处理，模型的鲁棒性和稳定性更强。结果 在Indian Pines、Salinas、Pavia University和Botswana等4个数据集上与7种传统单特征方法及深度学习方法进行了比较，本文方法均取得最优结果，总体分类精度分别为0.948 7、0.986 6、0.986 2和0.964 9。对比实验结果表明了空谱融合和无监督学习对于高光谱遥感图像分类的有效性。结论 本文模型充分利用了高光谱图像的光谱特征和空间特征，可以做到无监督特征提取，无需大量标注数据的同时分类精度高，是一种有效的高光谱图像分类方法。     

基于深度卷积网络和卷积去噪自编码器的水声信号识别方法

针对复杂水声信号的分类识别问题,提出了一种新的网络模型结构,将卷积神经网络和卷积去噪自编码器结合到一起应用于水声信号Lofar谱的分类识别中。实验结果表明,该模型能够利用更少的参数学习更丰富的鲁棒性特征,目标识别的总体准确率达到81.2%,与传统卷积神经网络识别方法相比具有更高的识别准确率。     

基于自编码器的网络游戏流量分类

加密和动态端口技术使传统的流量分类技术不能满足网络游戏识别的性能需求, 本文提出了一种基于自编码器降维的端到端流量分类模型, 实现网络游戏流量的准确识别. 首先将原始流量预处理成784 B的一维会话流向量, 利用编码器进行无监督降维, 去除无效特征; 接着探索构建卷积神经网络与LSTM网络并联算法, 对降维后的样本进行空间和时序特征的提取和融合, 最后利用融合特征进行分类. 在自建的游戏流量数据集和公开数据集上测试, 本文模型在网络游戏流量识别方面达到了97.68%的准确率; 与传统端到端的网络流量分类模型相比, 本文所设计的模型更加轻量化, 具有实用性, 并且能够在资源有限的设备中方便部署.     

基于卷积神经网络的图像分类算法

针对传统图像分类方法分类精度不高的问题,文章采用了两层卷积和池化的卷积神经网络(Convolutional Neural Network, CNN)算法来对图像进行分类。从不同方面将CNN与支持向量机(Support Vector Machines, SVM)、反向传播算法(Back Propagation, BP)进行图像分类的准确率对比,实验结果表明,CNN算法图像分类的准确率高于其它两种算法。     

基于卷积神经网络的植物图像分类方法研究

近年来,卷积神经网络已经成为图像分类领域的应用研究热点,其对图像特征进行自提取、自学习,解决了以往图像分类方法的图像低层特征到高层概念之间存在的语义鸿沟。为了解决植物图像的自动分类问题,该文提出一种基于卷积神经网络(CNN)的植物图像分类方法,以植物图像为研究对象,将经典卷积神经网络VGG16与全卷积网络(FCN)相结合,把VGG16中两个通道数为4096的全连接层改为卷积层,构造一个新的VGG16模型为植物图像分类模型。文中制作了一个由43类每类500张总共21500张植物图像组成的图像数据集,作为植物图像分类模型的训练数据集。实验结果表明,所提方法在植物的图像分类上的准确率达到97.23%。应用文中提出的卷积神经网络对植物图像进行分类可以取得目前最好的植物图像分类效果。     

基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器（denoising autoencoder,DAE）与改进卷积神经网络（improved convolutional neural network,ICNN）的采煤机健康状态识别方法。首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比。结果表明：该方法识别准确率达98.38%,明显高于其他方法,可为后期的预知维护提供理论支持。     

基于联合卷积自编码网络的多聚焦图像融合方法

受相机景深的限制,单次成像无法对不同景深的内容全部清晰成像.多聚焦图像融合技术可以将不同聚焦层次的图像融合为一幅全聚焦的图像,其中如何得到准确的聚焦映射是多聚焦图像融合中的关键问题.对此,利用卷积神经网络强大的特征提取能力,设计具有公共分支和私有分支的联合卷积自编码网络以学习多源图像的特征,公共分支学习多幅图像之间的公共特征,每幅图像的私有分支学习该图像区别于其他图像的私有特征.基于私有特征计算图像的活动测度,得到图像聚焦区域映射,据此设计融合规则以融合两幅多聚焦图像,最终得到全聚焦的融合图像.在公开数据集上的对比实验结果显示:主观评测上,所提出的方法能够较好地融合聚焦区域,视觉效果自然清晰;客观指标上,该方法在多个评价指标上优于对比方法.     

基于变分自编码器的商品文本分类算法设计

智能商品分类作为电商平台的重要组成部分越来越受到关注。以商品标题文本数据为研究对象,首先对现有模型中存在的问题进行了概述,其次对变分自编码器相关算法进行了介绍,最后为弥补商品标题文本数据中存在的不均衡问题,提出了一种基于变分自编码器的商品文本分类算法。在公开的商品标题分类数据集上进行的实验结果证明了提出算法的有效性。     

晶圆表面缺陷模式识别的二维主成分分析卷积自编码器

由于半导体制造过程的高度复杂性和动态性,各种过程故障通常导致晶圆表面出现各种缺陷模式.为了有效地识别晶圆表面缺陷模式从而及时地诊断和控制故障源,提出一种深度神经网络模型--二维主成分分析卷积自编码器(two-dimensional principal component analysis-based convolutional autoencoder, PCACAE).首先,提出一种基于改进的二维主成分分析算法(conditional2DPCA,C2DPCA)的图像卷积核,形成PCACAE的第1个卷积层;其次,对卷积输出进行池化操作并卷积编码重构,构建一个卷积编码器,并提取其编码部分作为PCACAE的第2层卷积层的初始化权值,从而形成一个深度网络模型,实现晶圆图像的特征学习;最后, PCACAE网络进行训练微调得到最终网络模型.将PCACAE应用于WM-811K晶圆图像数据库并与其他算法进行对比测试,实验结果表明, PCACAE在晶圆表面缺陷识别上的性能优于其他经典的卷积神经网络模型(如GoogLeNet,DensNet等),从而验证了该方法的有效性与工业可应用性.     

基于卷积神经网络的图像分类算法综述

卷积神经网络（CNN）是目前基于深度学习的计算机视觉领域中重要的研究方向之一。它在图像分类和分割、目标检测等的应用中表现出色,其强大的特征学习与特征表达能力越来越受到研究者的推崇。然而,CNN仍存在特征提取不完整、样本训练过拟合等问题。针对这些问题,介绍了CNN的发展、CNN经典的网络模型及其组件,并提供了解决上述问题的方法。通过对CNN模型在图像分类中研究现状的综述,为CNN的进一步发展及研究方向提供了建议。     

基于卷积神经网络的超声图像左心室分割方法

超声图像左心室的分割在临床上对医生的作用巨大。由于超声图像含有大量噪声，轮廓特征不明显，目前的卷积神经网络（CNN）方法对左心室分割容易得到不必要的区域，并且分割目标不完整。为了解决上述问题，在全卷积神经网络（FCN）基础上加入了关键点定位和求取图像凸包方法对分割结果进行优化。首先采用FCN获取初步的分割结果；然后为了去除分割结果中的错误区域，提出一种CNN定位左心室三个关键点的位置，通过关键点筛选掉分割结果中不必要的区域；最后为保证剩余区域能够组合成一个完整的心室，利用求取图像凸包算法将所有有效区域进行合并。实验结果表明，在超声图像左心室分割效果上，所提方法能够在普通FCN的基础上获得很大的提升，在交并比评价标准下，该方法获取的左心室结果能够比传统CNN方法提升近15%。     

基于卷积神经网络的偏色光下植物图像分割方法

为了解决传统图像分割算法在植物工厂中偏色光植物图像上分割精确度不高、泛化性能差的问题,提出了一种基于卷积神经网络,并结合深度学习技术,对人工偏色光下植物图像进行精确分割的方法。采用该方法,最终在偏色光植物图像原始测试集上达到了91.89%的分割精确度,远超全卷积网络、聚类、阈值、区域生长等分割算法。此外,在不同色光之下的植物图片上进行测试,该方法也较上述其他分割算法有着更好的分割效果和泛化性能。实验结果表明,所提方法能够显著提高偏色光下植物图像分割的精确度,可以应用于实际的植物工厂工程项目当中。     

基于卷积神经网络的多尺度葡萄图像识别方法

葡萄品种质量检测需要识别多类别的葡萄，而葡萄图片中存在多种景深变化、多串等多种场景，单一预处理方法存在局限导致葡萄识别的效果不佳。实验的研究对象是大棚中采集的15个类别的自然场景葡萄图像，并建立相应图像数据集Vitis-15。针对葡萄图像中同一类别的差异较大而不同类别的差异较小的问题，提出一种基于卷积神经网络（CNN）的多尺度葡萄图像识别方法。首先，对Vitis-15数据集中的数据通过三种方法进行预处理：旋转图像的数据扩增方法、中心裁剪的多尺度图像方法以及前两种方法的数据融合方法；然后，采用迁移学习方法和卷积神经网络方法来进行分类识别，迁移学习选取ImageNet上预训练的Inception V3网络模型，卷积神经网络采用AlexNet、ResNet、Inception V3这三类模型；最后，提出适合Vitis-15的多尺度图像数据融合的分类模型MS-EAlexNet。实验结果表明，在同样的学习率和同样的测试集上，数据融合方法在MS-EAlexNet上的测试准确率达到了99.92%，相较扩增和多尺度图像方法提升了近1个百分点，并且所提方法在分类小样本数据集上具有较高的效率。     

基于K-均值的“教”与“学”优化算法

在解决复杂多峰优化问题时,传统的"教"与"学"优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的"教"与"学"优化改进算法,算法采用K-均值来降低种群规模,又针对"教"和"学"两个阶段进行相应改进,提高全局收敛速度;还加入了"变异"操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统"教"与"学"优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始"教"与"学"优化算法.     

改进的卷积神经网络行人检测方法

为了在行人检测任务中使卷积神经网络（CNN）选择出更优模型并获得定位更准确的检测框,提出一种改进的基于卷积神经网络的行人检测方法。改进主要涉及两个方面：如何决定CNN样本迭代学习次数和如何进行重合窗口的合并。首先,关于CNN样本迭代次序问题,在顺序迭代训练多个CNN分类模型的基础上,提出一种基于校验集正确率及其在迭代系列分类器中展现出的稳定性进行更优模型选择的策略,以使最终选择的分类器推广能力更优。其次,提出了一种不同于非极大值抑制（NMS）的多个精确定位回归框合并机制。精确定位回归框的获取以CNN检测过程输出的粗定位框作为输入。然后,对每个粗定位框应用CNN精确定位过程并获得对应的精确定位回归框。最后,对多个精确定位回归框进行合并,合并过程考虑了每个精确定位回归框的正确概率。更精确地说,最终的合并窗口是基于多个相关的精确定位回归框的概率加权求和方式获得。针对提出的两个改进,在国际上广泛使用的行人检测公共测试数据集ETH上进行了一系列实验。实验结果表明,所提的两个改进方法均能有效地提高系统的检测性能,在相同的测试条件下,融合两个改进的方法相比Fast R-CNN算法检测性能提升了5.06个百分点。     

基于卷积神经网络的人脸图像质量评价

针对人脸识别过程中人脸图像质量较低造成的低识别率问题,提出了一种基于卷积神经网络的人脸图像质量评价模型。首先建立一个8层的卷积神经网络模型,提取人脸图像质量的深层语义信息;然后在无约束环境下收集人脸图像,并通过传统的图像处理方法以及人工筛选进行过滤,得到的数据集用以进行模型参数的训练;其次通过在图形处理器（GPU）上加速训练,得到用于拟合人脸图像到类别的映射关系;最后将输入在高质量图像类别的概率作为图像的质量得分,建立人脸图像的质量打分机制。实验结果表明,与VGG-16网络相比,所提模型准确率降低了0.21个百分点,但是参数规模减小了98%,极大地提高了模型运算效率;同时所提模型在人脸模糊、光照、姿态和遮挡方面都具有较强的判别能力。因此,可将该模型应用在实时人脸识别系统中,在不影响系统运行效率的前提下提高系统的准确性。     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。     

基于一维卷积混合神经网络的文本情感分类

针对情感分类中传统二维卷积模型对特征语义信息的损耗以及时序特征表达能力匮乏的问题，提出了一种基于一维卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。首先，使用一维卷积替换二维卷积以保留更丰富的局部语义特征；再由池化层降维后进入循环神经网络层，整合特征之间的时序关系；最后，经过softmax层实现情感分类。在多个标准英文数据集上的实验结果表明，所提模型在SST和MR数据集上的分类准确率与传统统计方法和端到端深度学习方法相比有1至3个百分点的提升，而对网络各组成部分的分析验证了一维卷积和循环神经网络的引入有助于提升分类准确率。     

基于自主学习行为的教与学优化算法

针对教与学优化（TLBO）算法收敛精度较低、易于早熟收敛等问题,提出一种基于自主学习行为的教与学优化算法（SLTLBO）。SLTLBO算法为学生构建了更加完善的学习框架,学生在完成常规"教"阶段与"学"阶段的学习行为之外,将进一步对比自己与教师、最差学生的差异,自主完成多样化的学习操作,以提高自己的知识水平,提高算法的收敛精度;同时学生通过高斯搜索的自主学习反思行为跳出局部区域,实现更好的全局搜索。利用10个基准测试函数对SLTLBO算法进行了性能测试,并将SLTLBO算法与粒子群优化（PSO）算法、智能蜂群（ABC）算法以及TLBO算法进行结果比对,实验结果验证了SLTLBO算法的有效性。