基于特征稀疏化的粉尘图像深度预测

【目的】针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.     

基于稀疏编码的语音增强方法

利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性,用最大似然估计方法对转换后得到的稀疏分量进行非线性压缩去噪,然后再经过反变换和重构恢复出原始语音信号的估计。特征基函数矩阵反映了语音数据本身的统计特性。仿真结果表明,与小波消噪法相比利用稀疏编码方法能极大程度地抑制背景噪声。     

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.     

低剂量CT图像去噪的改进型残差编解码网络

针对低剂量CT图像中存在复杂噪声与伪影的问题,提出了一种用于低剂量CT图像去噪的改进型残差编解码网络.原始的残差编解码网络由一系列卷积层与反卷积层组成,且通过短连接结构学习残差.改进措施主要包括3个方面:首先,引入了批量归一化提高网络的去噪效果;其次,使用空洞卷积替换普通卷积,从而有效减少了网络中参数的数量;最后,对网络隐层中的特征图数量进行了调整,进一步优化了网络性能与复杂度.实验结果表明:改进后的网络复杂度降低,去噪效果得到提升.     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

基于稀疏编码和ICA的带噪混叠语音盲分离

主要介绍了采用稀疏编码去噪技术对带噪观测混叠语音分别进行预消噪处理,然后再利用ICA盲分离算法对稀疏编码去噪后的混叠语音进行分离,从而得到各个语音源信号的估计．计算机仿真结果表明这种方案具有很好的分离效果．     

一种基于卷积网络的地震探测数据随机噪声去除方法

为有效提高地震数据信噪比,通过卷积神经网络(convolutional neural network,CNN)的方法研究了地震勘探数据去除随机噪声问题.该方法包含17个卷积层,使用线性整流(rectified linear unit,ReLU)激活函数避免梯度消失,使用批量标准化(batch normalization,BN)提高网络的泛化能力.所构建的网络应用残差学习策略,即输入为含噪地震正演叠前数据,输出为CNN网络学习获得的随机噪声.然后从地震记录中减去网络预测的噪声数据,从而达到去除随机噪声的目的.同时,根据地震勘探数据振幅随探测时间衰减的规律,在网络训练过程中进行深度加权,使得CNN对于深部噪声的学习效果更好.网络在PyTorch框架下训练,应用图形处理器并行计算可以有效提高网络训练速度.利用训练好的网络进行去噪实验,结果表明与传统的时空域预测滤波法相比,该网络能更好地压制随机噪声.可见针对地震勘探数据,CNN能够有效提取含噪数据中的噪声信息,证明了该方法在去除随机噪声方面的合理性与有效性.     

基于核拉普拉斯稀疏编码的图像分类

使用稀疏编码解决计算机视觉问题可以取得良好的效果.然而,以往的稀疏编码都是在原始特征空间进行.受核方法可以获得特征的高维非线性映射的启发,扩展了拉普拉斯稀疏编码(LSc),提出了核拉普拉斯稀疏编码(KLSc),它可以降低特征量化误差,增强稀疏编码的性能.在3个标准数据集上的实验结果表明,所提出的基于KLSc的图像分类算法具有良好的分类效果,分类正确率优于LSc.     

基于深度残差网络的车标识别

针对车标识别准确率的问题,提出一种基于ResNet-18模型改进残差网络的车标识别算法.首先,利用残差网络并对其进行改进,使用改进的线性修正单元Leaky ReLU激活函数代替原激活函数;其次,调整传统的残差网络结构,将批量标准化和激活函数放在卷积层前,并减少网络参数以加速网络训练.实验结果表明,改进后的残差网络模型识...     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

基于多字典和稀疏噪声编码的图像超分辨率重建

稀疏表示模型是通过将字典中的原子进行组合得到期望的结果.为了解决传统字典学习中所有图像块重建均使用同一个字典,从而忽略了最佳稀疏域的问题,提出来一种基于多字典和稀疏噪声编码的图像超分辨率重建算法.在字典训练时,利用图像的特征将它们合理地划分成若干个簇,每个聚类训练生成子字典对,利用最佳字典对进行重建.在求解稀疏系数阶段,引入稀疏编码噪声去除噪声的影响,利用图像非局部自相似性来获得原始图像稀疏编码系数的良好估计,然后将观测图像的稀疏编码系数集中到这些估计当中.实验表明,与ASDS算法和SSIM算法相比较,该算法有更好的重建结果,获得了更丰富的图像细节和更清晰的边缘.     

基于可融合残差卷积块的深度神经网络模型层剪枝方法

针对当前主流的剪枝方法所获得的压缩模型推理时间较长和效果较差的问题, 提出一种易用且性能优异的层剪枝方法。该方法将原始卷积层转化为可融合残差卷积块, 然后通过稀疏化训练的方法实现层剪枝, 得到一种具有工程易用性的层剪枝方法, 兼具推理时间短和剪枝效果好的优点。实验结果表明, 在图像分类任务和目标检测任务中, 该方法可使模型在精度损失较小的情况下获得极高的压缩率, 优于先进的卷积核剪枝方法。     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

基于注意力机制的卷积循环网络语音降噪

不同噪声在频谱上具有不同的特性,为了解决卷积神经网络对含有不同噪声的语音降噪的局限性,通过引入通道注意力机制作为卷积循环网络的中间层,将卷积层中不同功能的卷积核赋予不同的权重,使模型在训练时能够对输入数据更有针对性地去除噪声部分,从而达到更好的降噪效果。针对含有15种噪声的含噪语音分别应用循环神经网络、编解码卷积网络和卷积循环神经网络等三种模型进行降噪处理,结果表明引入注意力机制的模型相比于其他两种模型,在感知语音质量评价(perceptual evaluation of speech quality, PESQ)和短时客观可懂度(short time objective intelligibility, STOI)评分上都有所提高,且引入注意力机制的模型能够更好地保留语音的谐波信息。     

基于半监督宽度学习系统的气温空间插值

近年来,基于人工神经网络的气象空间插值研究因其较强的非线性映射能力受到越来越多的关注。然而,由于网络参数众多,这些方法的训练过程都非常耗时。考虑到以上原因,基于宽度学习系统提出了一个高效的气温空间插值模型,首先使用稀疏编码对输入数据进行特征提取,然后将映射后的向量引入宽度学习系统中得到一个半监督宽度学习模型。相关实验建立在山西省的气象数据集上,实验结果表明,该方法比基于深度学习的方法和传统空间插值方法具有更好的预测性能和时间损耗。     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。