基于改进DCGAN轮胎缺陷图像生成方法

针对深度卷积生成对抗网络的数据扩充方法存在生成图像质量差、模型框架不稳定、模型收敛速度慢等问题，提出一种改进DCGAN轮胎缺陷图像生成模型。将残差网络和注意力机制嵌入到DCGAN模型中，提升模型特征的提取能力；同时摒弃DCGAN损失函数JS散度，使用带有梯度惩罚项的Wasserstein距离，提高模型训练的稳定性。实验结果表明，使用给定模型生成的轮胎缺陷图像质量优于使用DCGAN，WGAN，CGAN与SAGAN所生成图像，其平均FID值可以达到116.28，最小FID值可以达到84.94。所提出的模型可以稳定生成质量更好的轮胎缺陷图像，为轮胎缺陷样本数据集的扩充提供了一种有效途径，有助于有效解决深度学习在缺陷检测领域发展所面临的小样本问题。     

稳定增强生成对抗网络在壁画的超分辨率重建

针对古代壁画分辨率低、纹理细节模糊不清导致壁画观赏性不足和研究价值不高的问题，提出了一种稳定增强生成对抗网络的超分辨率重建算法（stable enhanced super-resolution generative adversarial networks, SESRGAN）。以生成对抗网络为基础框架，生成网络采用密集残差块提取壁画特征，使用VGG（visual geometry group）网络作为判别网络的基本框架判断输入壁画的真假，引入感知损失、内容损失和惩罚损失三个损失共同优化模型。实验结果表明，与其他相关的超分辨率算法进行比较，峰值信噪比平均提高了0.4~2.62 dB，结构相似性提高了0.013~0.027，主观感知评估也有提高。     

近20年来黄土高原蒸散发变化规律及其驱动因素

由于气候变化与人类活动的影响，黄土高原蒸散发(evapotranspiration)及其组分发生了显著变化，进而影响了流域水文过程及其水资源可持续利用。该文基于多元数据融合，采用变化趋势分析和多元回归残差分析等方法，分析了2001—2020年黄土高原蒸散发及其组分的变化特征，以及其对气候变化和人类活动的响应机理。结果表明，2001—2020年黄土高原蒸散发年均增长2.869 4 mm(R²=0.384 6),影响其变化的因子主要有非植被下垫面、饱和水汽压差和降雨，贡献率分别为23.47%、21.31%和12.22%;植被蒸腾呈增长趋势，且占比增加，年均增长3.716 5 mm(R²=0.527 1),影响其变化的因子主要有非植被下垫面、饱和水汽压差和植被，贡献率分别为22.13%、19.43%和15.86%;截留蒸发也呈增长趋势，年均增长0.354 mm(R²=0.694 6),且占比增加，影响其变化的因子主要有非植被下垫面、植被和饱和水汽压差，贡献率分别为22.24%、13.85%和12.47%;土壤蒸发呈下降趋势，年...     

深度学习在X线诊断新生儿肺炎中的应用

目的:构建基于胸片的深度学习模型检测新生儿肺炎，旨在提高新生儿肺炎的影像诊断水平及效率。方法:回顾性收集2018年1月至2021年9月暨南大学附属第一医院336幅新生儿胸片，其中新生儿肺炎176例，正常160例。随机将图像按8∶1∶1的比例分为训练集、测试集及验证集。利用ResNet50神经网络进行分类训练模型，然后进行验证。结果:验证组中深度学习模型诊断新生儿肺炎的曲线下面积AUC为0.993 1。结论:深度学习模型能够准确诊断新生儿肺炎，但尚需大样本多中心进一步验证研究。     

基于稠密残差块与通道像素注意力的图像去雾网络

为解决复杂的室外图像进行去雾，依然会有雾气残留，甚至出现颜色失真和纹理丢失问题，提出一种基于稠密残差块与通道像素注意力的图像去雾网络，利用稠密残差块对有雾图像进行特征提取和融合，用带通道像素注意力机制的修复模块对特征图进行颜色和纹理上的修复。实验结果表明：该方法在客观评价指标和主观视觉质量上都有明显提升，有效避免了去雾过程中的颜色失真、纹理丢失和雾气残留问题。     

基于CBAM-ResNet50的民国纸币图像检索系统

利用残差网络（ResNet）50，结合卷积块注意力模块（CBAM）机制，提出了一种基于CBAM-ResNet50的民国纸币图像检索技术，提升了对相似纸币的检索能力.设计并实现了基于Windows和Ubuntu系统环境下的民国纸币图像检索系统，并搭建了基于Flask的Web应用服务.所提取的民国纸币图像特征具有更强的辨识度，大幅提高了检索速度，在图形处理器（GPU）上可达毫秒级.使用缩略图搜索民国纸币图片，对相似度排名第1的图像的检索准确率可以达76.3%，相似度排名前6的图像检索准确率可以达92.5%.     

改进的SSD-ResNet算法

单次多边界框检测器(single shot multibox detector, SSD)算法因其性能优良已被应用于许多场景中，但该算法对小目标物体的检测精度偏低，主要原因是高层的语义信息没有被充分利用。为解决该问题，文章将其基础网络替换为残差网络(residual network, ResNet),同时融合深浅层的特征信息来增强浅层特征图的语义信息，此外还引入注意力模块，保留更多的目标特征信息，抑制无关信息，进一步提升对小目标物体的检测效果。在PASCAL VOC2007数据集上进行实验测试，平均精度均值为80.2%,优于其他SSD改进算法。由于增加了特征融合和注意力模块，所提算法检测速度有所下降，但相比于SSD改进算法，检测速度仍有明显的优势。