一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

基于多尺度特征融合的中分辨率遥感场景分类算法

在对中分辨率遥感图像进行场景分类时,传统的特征提取方法无法提取全面的特征,若使用卷积神经网络进行场景分类,同一大小的卷积核无法提取尺寸大小各异的地物特征,导致分类精度降低.为了提取不同尺寸的地物特征,提高分类精度,本文提出一种基于多尺度特征融合的中分辨率遥感场景分类算法.对传统的卷积神经网络进行改进以适应中分辨率遥感数据集,并在其基础上添加多尺度池化,将连接多层次的特征图谱输入到全连接层进行分类.实验表明,多层特征融合方法提取的特征信息比单层多尺度池化方法提取的特征信息更全面,分类效果更优.与其他的传统分类方法相比,本文方法获得更好的分类结果.     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

基于多通道自注意力网络的遥感图像场景分类

高分辨率遥感图像场景分类广泛应用于土地监测、环境保护及城市规划等诸多领域.现有场景分类方法不能很好地结合局部纹理信息和全局语义信息,同时各通道特征之间的关系没有得到有效挖掘.因此,本文提出了一种基于多通道自注意力网络的遥感图像场景分类模型.通过卷积网络提取遥感图像的多尺度特征;随后采用特征融合单元建立多尺度特征间的局部-全局关系,基于多头自注意力机制的Inter-Channel Transformer在通道维度对融合后的特征建模,并推导特征在通道间的关系,进一步扩大全局感受野,以捕捉其语义结构信息,有效提高了网络的分类精度.在数据集AISC和SIRI-WHU上,本文所提算法的整体分类准确率(OA)分别为95.70%和94.00%,超过了当前最新的研究算法,证明了所提模型在高分辨率遥感图像场景分类任务中的有效性.     

基于深度学习的X射线焊缝缺陷识别

为了提高缺陷识别效率,提出利用基于深度学习网络进行焊缝缺陷识别。在分析X射线焊缝缺陷图像特征的基础上,构建一种基于模拟视觉感知原理的深度学习网络结构,并对卷积神经网络的卷积模板大小及层数进行了分析,对卷积神经网络隐藏层中2种不同的激活函数进行了实验验证,针对性地提出优化方法。该深度学习神经网络可以避免对焊缝缺陷图像特征的提取,直接判断疑似缺陷图像是否为缺陷。对580张图像进行了实验,结果表明,本文所提方法对SDR图像的识别准确率超过98%,优于传统方法。且所设计系统具有自动学习X射线焊缝缺陷图像中复杂的深度特征的特点,实用性较强。     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.     

融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征,最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明,该方法的分类准确率达到82.3%,较FV-SIFT算法在分类准确率上提高了15.4%。     

果蔬机器人采摘中基于改进SDD模型的目标自动化识别研究

为了提高果蔬机器人采摘的识别准确率,利用SDD网络进行实时检测。对基础网络的构造和检测层默认框进行改进,增加卷积层数量,减少计算参数,使其利于对不同尺度的果蔬进行识别,得到基于改进SDD模型的目标自动化识别框架。分析激活函数,发现Relu函数具有更快的收敛速度,利用Relu函数进行激活操作,并对训练结果进行分析,结果表明,改进后的SDD模型具有更快的收敛速度;当置信度为0.45时,改进后的SDD模型具有较理想的准确率、召回率、FI值和IOU值,可以满足果蔬机器人采摘的识别要求。     

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度SE block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在AID和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。     

融合卷积神经网络和流形学习的肺结节检测

U-net是常用的医学图像分割网络,但仍存在卷积神经网络中泛化能力差、容易过拟合的缺点.针对其缺点,研究全卷积肺结节分割网络,引入随机失活层,采用新的激活函、损失函数、优化器等改进网络结构,改进后的网络具有更高的查全率.然后融合改进重构权值的局部线性嵌入算法对特征进行提取,最后采用XGBoost分类器进行最后的筛选分类.通过实验验证表明,得到实融合以上两种算法的肺结节检测具有更高的准确率更高的准确率和更好的泛化性,可以应用于肺结节检测.     

基于改进 LeNet-5 网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

基于深度学习的高分辨率遥感影像分类研究

针对经典的卷积神经网络方法,因其特征表达的空间信息缺陷未能很好地区分城市区域内的场景的问题,提出基于深度学习的高分辨率遥感影像分类方法,将两个深度神经网络GoogLeNet(InceptionV3)和胶囊网络(CapsNet)分别运用到城市区域的场景分类中。实验结果表明:通过迁移学习的手段,利用优化后的GoogLeNet在这次分类效果上比新训练的CapsNet分类效果明显,分类准确率高达95.9%;同时CapsNet也达到了92.6%的分类准确率,说明GoogLeNet及CapsNet能够较好地区分城市区域内的场景,并验证了CapsNet在遥感影像场景分类中的发展潜力。     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

基于深度学习的人脸美丽预测模型及其应用

为了进一步提高人脸美丽预测精度,本文构建了一个多尺度图像输入的人脸美丽预测深度卷积神经网络模型(Deep Convolution Neural Network,DCNN),以增强对人脸图像空间结构特征的提取能力.采用深度可分离卷积层代替普通卷积层、Max-Feature-Max(MFM)激活函数代替修正线性单元(Rectified Linear Unit,Re LU)激活函数,可减少网络训练参数并提取具有竞争性的网络特征.基于大规模亚洲女性人脸美丽数据库(Large Scale Asian Female Beauty Database,LSAFBD)的实验结果表明,本文所构建的人脸美丽预测模型取得了59.75%的正确分类率,优于现有DCNN模型的分类结果.     

基于多尺度特征融合的单目图像深度估计

为解决从单目图像中很难恢复出准确、有效深度信息的问题,提出一种多尺度特征融合的单目图像深度估计算法.算法采用端对端训练的卷积神经网络(CNN)结构,引入从图像编码器到解码器的跳层连接来实现在不同尺度上特征的提取和表达,设计了一种多尺度的损失函数来提升卷积神经网络的训练效果.通过在NYU Depth V2室内场景深度数据集和KITTI室外场景深度数据集上的训练、验证和测试,实验结果表明:提出的多尺度特征融合方法得到的深度图边缘清晰、层次分明,且在室内场景和室外场景中均能适用,具有较强的泛化性,可以适应多种实际场景的需求.     

基于改进的卷积神经网络多类商品精细分类

随着物联网的兴起、电子商务的蓬勃发展,依据图像特征对商品进行有效检索和分类具有重要应用价值.针对传统图像分类方法提取特征复杂,浅层卷积神经网络分类效果不佳的问题.本文对经典的AlexNet进行改进,优化了卷积核的尺寸,改变了各层连接,提出了一种分类效果更好的卷积神经网络结构.通过对8种商品进行测试训练,本文网络的分类准确率达到了91.2%,分类结果明显高于AlexNet的85.9%.     

基于轻量级卷积神经网络的肝部病理组织切片分类

肝部病理组织切片传统的分类方法都是通过提取图像特征来进行识别和预测,由于图像特征不明显,且需要人工提取,受外在因素影响大,识别率较低,因此提出利用深度学习的卷积神经网络来进行识别分类。对轻量级模型进行改进,将样本图像直接作为输入数据,通过卷积神经网络训练验证即可得到实验结果,省去繁琐的特征提取环节。结果表明,改进后的轻量级神经网络验证准确率高达99.57%,明显高于当前的传统方法,且训练时间减少了十余个小时,方便快捷。