基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割

针对宫颈癌细胞学筛查中由于宫颈细胞核形状复杂多样等因素而导致分割不够精确的问题,提出了一种结合了全卷积网络（FCN）和全连接条件随机场（CRF）的细胞核分割方法。首先,根据Herlev数据集的特点搭建微型全卷积网络（T-FCN）,利用细胞核区域像素级别的类别先验信息,自主学习多层次特征来获取细胞核的粗分割结果;然后,通过最小化包含有整幅细胞图像中所有像素类别、像素色彩值与位置等信息的全连接CRF的能量函数来剔除粗分割结果中微小的误分割,并细化分割边缘。在Herlev数据集上的实验结果显示,提出的方法在查准率（Precision）、查全率（Recall）与Zijdenbos相似性指数（ZSI）上均有高于0.9的表现,表明得到的细胞核分割结果与其真实轮廓高度匹配,分割精确。相较于传统方法中对异常细胞核的分割精度较正常细胞核低的情况,提出的方法在异常细胞核的分割指标上普遍优于正常细胞核。     

基于全卷积神经网络的林木图像分割

针对传统方法进行图像分割易受噪声影响问题,提出了一种基于全卷积神经网络的林木图像分割方法。该方法不需要对图像进行预处理,利用上池化和反卷积层恢复图像分辨率,采用跳跃连接降低网络复杂度,同时避免了梯度消失问题,使用Dropout正则化随机激活网络隐藏单元以防止过拟合,后端结合全连接的条件随机场以恢复对象边缘的细节信息,进一步优化分割结果。该模型能够在林木图像上实现良好的分割。     

融合全卷积网络与条件随机场的高光谱语义分割

针对高光谱遥感影像分割精度不足与单一网络信息流尺度存在局限性的问题，提出了基于双流框架的高光谱分割算法。算法融合深度学习模式中的全卷积神经网络(full convolutional networks, FCN)和高效判别式概率模型条件随机场(conditional random field, CRF),形成了高光谱影像语义分割算法FCN-CRF。在预处理阶段增加PCA(principal component analysis)降维，上采样阶段使用了混合上采样MUS(mix up-sampling)模块，形成了双流框架FCN-CRF分割算法。经过高光谱数据集Pavia University和Indian Pines测试，结果显示，相较于其他一些分割算法，FCN-CRF精度最高，总体精度分别达到了99.01%和98.60%,其参数量较少，运行效率较高。在不同地物类型中，该算法针对人工建筑物分割效果较植被好，边界保持较好。     

结合深度学习与条件随机场的遥感图像分类

目的 为进一步提高遥感影像的分类精度,将卷积神经网络（CNN）与条件随机场（CRF）两个模型结合,提出一种新的分类方法。方法 首先采用CNN对遥感图像进行预分类,并将其类成员概率定义为CRF模型的一阶势函数;然后利用高斯核函数的线性组合定义CRF模型的二阶势函数,用全连接的邻域结构代替常见的4邻域或8邻域;接着加入区域约束,使用Mean-shift分割方法得到超像素,通过计算超像素的后验概率均值修正各像素的分类结果,鼓励连通区域结果的一致性;最后采用平均场近似算法实现整个模型的推断。结果 选用3组高分辨率遥感图像进行地物分类实验。本文方法不仅能抑制更多的分类噪声,同时还可以改善过平滑现象,保护各类地物的边缘信息。实验采用类精度、总体分类精度OA、平均分类精度AA,以及Kappa系数4个指标进行定量分析,与支持向量机（SVM）、CNN和全连接CRF相比,最终获得的各项精度均得到显著提升,其中,AA提高3.28个百分点,OA提高3.22个百分点,Kappa提高5.07个百分点。结论 将CNN与CRF两种模型融合,不仅可以获得像元本质化的特征,而且同时还考虑了图像的空间上下文信息,使分类更加准确,后加入的约束条件还能进一步保留地物目标的局部信息。本文方法适用于遥感图像分类领域,是一种精确有效的分类方法。     

改进马尔科夫随机场的SAR图像建筑物分割

作为城区主要目标之一,建筑物的检测和提取至关重要,而利用图像分割将建筑物从背景中分离出来是后续处理的基础。传统马尔科夫随机场（Markov Random Field, MRF）模型对合成孔径雷达（Synthetic Aperture Radar, SAR）图像进行建筑物分割时只利用了灰度信息,因此对灰度不均匀目标分割完整性较差,且利用最小能量准则分割时未考虑两部分随机场能量的相互关系,从而导致分割结果不能同时兼顾区域一致性与边缘细节性。为此,研究提出一种改进MRF的SAR图像建筑物分割方法。首先,通过在观测场引入由巴氏距离加权的纹理特征,实现对灰度不均匀建筑物的完整提取;其次,在两部分随机场能量中引入随迭代次数变化的权重,实现在建筑物密集区域保持边缘平滑的同时更好地抑制噪声。为了验证算法的有效性和实用性,对不同场景的SAR图像进行处理,结果表明：所提算法在不同场景中均能得到更好的分类正确率和Dice系数。     

高阶条件随机场引导的多分支极化SAR图像分类

目的 针对极化合成孔径雷达（polarimetric synthetic aperture radar,PolSAR）小样本分类问题,基于充分挖掘有限样本的极化、空间特征考虑,提出一种由高阶条件随机场（conditional random field,CRF）引导的多分支分类网络模型。方法 利用Yamaguchi非相干目标分解方法,构建每个像素的极化特征向量。设计了由高阶CRF能量函数引导的多卷积分支特征提取网络,将像素点极化特征向量作为输入,分别提取像素点的像素特征、邻域特征和位置特征信息。将以上特征进行加和融合,并输入到softmax分类器中得到预分类结果。利用超像素方法对预分类结果图进行进一步修正和调优,平滑相邻像素之间的特异性和相似性。结果 采用1%的采样率对两组真实的极化SAR数据进行测试。同时,为了更好地模拟实际应用中训练样本位置分布不均匀的情况,考虑了空间不相交采样方法作为对比实验。综合两种采样策略的实验结果表明,相较于只利用像素级特征或简单利用空间特征的方法,本文方法总分类精度平均提升7%～10%,不同地物类别的分类精准度均在90%以上,运行速度相比于支持向量机（support vector machine,SVM）提高了2.5倍以上。结论 通过构建高阶CRF引导的卷积神经网络,将像素特征信息、同质区域特征和地理位置信息进行融合,有效建立了像素级和对象级数据之间的尺度关联,进一步扩充了像素点之间的空间依赖性,提取到了更强大更准确的表征特征,显著提高了标记样本数量较少情况下的卷积网络模型的分类性能,进一步保证了地物目标散射机制表征的全面性和可靠性。     

结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类

针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.     

混合神经网络和条件随机场相结合的文本情感分析

针对当前文本情感分析中神经网络模型训练时间长,上下文信息学习不足的问题,该文提出了一种结合混合神经网络和条件随机场(conditional random fields,CRF)的模型.该模型将神经网络作为语言模型,结合了卷积神经网络(convolutional neural networks,CNN)与双向门控循环单元...     

基于多孔卷积神经网络的图像深度估计模型

针对在传统机器学习方法下单幅图像深度估计效果差、深度值获取不准确的问题，提出了一种基于多孔卷积神经网络（ACNN）的深度估计模型。首先，利用卷积神经网络（CNN）逐层提取原始图像的特征图；其次，利用多孔卷积结构，将原始图像中的空间信息与提取到的底层图像特征相互融合，得到初始深度图；最后，将初始深度图送入条件随机场（CRF），联合图像的像素空间位置、灰度及其梯度信息对所得深度图进行优化处理，得到最终深度图。在客观数据集上完成了模型可用性验证及误差估计，实验结果表明，该算法获得了更低的误差值和更高的准确率，均方根误差（RMSE）比基于机器学习的算法平均降低了30.86%，而准确率比基于深度学习的算法提高了14.5%，所提算法在误差数据和视觉效果方面都有较大提升，表明该模型能够在图像深度估计中获得更好的效果。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

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。     

结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优。实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比,基于像素点间误差评价指标,其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB;所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比,结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。     

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。     

基于超像素的条件随机场图像分类

针对图模型在推导和参数估计中时间复杂度较高的问题,在条件随机场(CRF)中引入了超像素的概念,提出了一种基于超像素的CRF图像分类方法。该方法首先通过均值漂移算法将图像过分割成小的均匀区域（称为超像素）,然后以超像素为节点、空间相邻的节点以边连接建立图模型,给出了相应的CRF的定义,实现了模型的参数估计和推导。实验结果表明,基于超像素的CRF模型在得到较好分类结果的同时,极大地缩短了运行时间,提高了效率。     

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。     

基于深度卷积神经网络的快速图像分类算法

为了应对大量图像的分类问题,提出一种基于深度卷积神经网络和CUDA-cuDNN并行运算的快速图像分类方法。该方法利用深度卷积神经网络自动学习特征的优势来解决手工设计特征普适性差等问题,同时结合基于CUDA架构的cuDNN并行运算策略来提高训练速度和加快分类速度,并且针对深度卷积神经网络易受参数扰动等缺点,引入批量正则化（Batch Normalization）以提高算法的鲁棒性。实验结果表明,该方法不仅大幅缩短了训练时间同时加快了图像的分类速度,而且进一步降低了图像分类的错误率。     

基于卷积神经网络的弱光照图像增强算法

针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题，提出一种基于卷积神经网络（CNN）的弱光照图像增强算法。首先，利用四种图像增强手段处理弱光照图像得到四张派生图，分别为：限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图；然后，将弱光照图像及其四张派生图输入到CNN中；最后经过CNN的激活，输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射，不需要按照Retinex模型先估计光照图像或反射率图像，也无需调整任何参数。所提算法与NPEA（Naturalness Preserved Enhancement Algorithm for non-uniform illumination images）、LIME（Low-light image enhancement via Illumination Map Estimation）、LNET（LightenNet）等算法进行了对比。在合成弱光照图像的实验中，所提算法的均方误差（MSE）、峰值信噪比（PSNR）、结构相似度（SSIM）指标均优于对比算法。在真实弱光照图像实验中，所提算法的平均自然图像质量评价度量（NIQE）、熵指标为所有对比方法中最优，平均对比度增益指标在所有方法中排名第二。实验结果表明：相对于对比算法，所提算法的鲁棒性较好；经所提算法增强后，图像的细节更丰富，对比度更高，拥有更好的视觉效果和图像质量。