基于特征融合的深度学习点云补全算法

由于激光雷达等三维扫描设备分辨率限制、目标间的相互遮挡以及目标表面材质透明等问题,采集到的三维点云数据往往是不完整的.近年来,以数据驱动为主的深度学习方法逐渐被用于解决点云补全问题,然而,现有的点云补全算法致力于补全出原始目标点云的整体拓扑结构而忽略了对于目标点云局部细节位置的恢复.针对这一问题,提出了一种基于特征融合...     

基于深度学习的图像人脸识别方法研究

使用计算机进行面部表情识别是当前人脸面部表情识别的热点,在深度学习技术的基础上,应用级联分类器对面部进行整体检测和分区定位后,提出并使用了一种基于自注意力机制的深度卷积神经网络,模型采用Mini-Xception为基本网络融合了注意力机制,再通过训练卷积神经网络构建表情分类模型,最后实现较为快速准确的表情识别。文中采用几种方法进行实验对比,并对最终的实验结果加以分析。结果表明,在相同的参数设置下提出的方法能明显提高分类性能、识别的精准度以及面部表情变化检测的实时速度。     

基于深度学习的场景遥感图像分类方法研究

为了解决场景遥感图像通常分类性能较差、分类精度不高的问题,提出一种基于改进VGG16的场景遥感图像分类方法.针对传统VGG16模型参数量庞大的问题,对通道数以及参数量进行缩减.在算法运行过程中对数据进行正则化处理,并在分类方法中加入注意力机制.通过将注意力机制与CNN模型进行结合,并对两者进行端到端的训练,提高了模型的...     

利用深度玻尔兹曼机与典型相关分析的自动图像标注算法

提出一种基于深度玻尔兹曼机与典型相关分析的自动图像标注算法(DBM-CCA)。该算法利用深度玻尔兹曼机实现图像与文本的低层次特征向稀疏高层次抽象概念的转变,并通过典型相关分析建立子空间映射关系以实现标注词汇的生成。首先在深度玻尔兹曼机提取图像与文本高层特征过程中,选用伯努利分布和高斯分布分别拟合标注词汇和图像特征,然后在图像与标注词汇高层特征形成的典型变量空间内计算待标注图像与训练集图像的马氏距离并据此加权计算得到高层标注词汇特征,最后由平均场估计生成图像标注词汇。实验结果表明,所提算法对图像的标注准确率改善较好,与经典的基于监督的多类标签方法和多重伯努利相关模型相比,在Corel5K实验中平均查准率和查全查准均率分别提高了10%和5%。     

基于深度学习的岩石铸体薄片图像孔隙自动提取

岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割,精度较低,需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法,该算法基于U-net搭建网络基本框架。首先,网络在编码阶段加入残差块来提升网络的深度。其次,针对残差块进行优化并引入空洞卷积,提取更全局、语义层次更深的特征。最后,在解码阶段加入网络模块间的短连接,提出新的融合特征方法,更好地将浅层特征与深层语义特征相结合,得到更加精细的孔隙区域。实验结果表明,该方法优于传统的孔隙提取方法,具有更高的分割精度且无需人工操作,与主流卷积神经网络相比也具有更高的精度和平均交并比。     

基于深度学习的SPECT图像关节炎病灶分割

SPECT骨显像是辅助医生诊断疾病的重要手段.医生依靠手工勾画提取病灶区域的方法效率低且具有一定的主观性.针对这一问题,提出R_U-Net网络模型分割关节炎病灶,不仅能节省医生的诊断时间,还能为患者争取最佳治疗时间.为了检测模型分割效果,使用测试集中含有关节炎病灶的图像分割测试,与Mask R-CNN网络和原U-Net...     

基于深度学习的图像标注

随着个人计算机和互联网上数字图像数量的快速增长,用户越来越多借助于"语义概念"来检索感兴趣图像。然而由于图像底层特征刻画和高层语义概念描述间存在很大的差异,使得现有图像标注算法性能不甚理想。因此,文中提出基于多模态深度学习的图像标注框架,旨在应用卷积神经网络技术优化深层神经网络的参数,提高标注精度。具体地,文中提出的多模态深度学习标注框架利用两阶段学习,优化神经网络参数:(1)利用深度神经网络,优化各单模态参数;(2)利用相关性,实现多模态的最优组合。公共数据集的实验表明,该方案可以有效地提高图像标注的性能。     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础,广泛应用于影视后期制作和日常生活.基于深度学习的图像抠图网络,通过输入的原图和三元图来估计每个像素的α值.在原下、上采样的图像抠图技术基础上,针对抠图数据集图像差异较大容易造成网络收敛较慢的问题,在每个卷积层后加入了批量标准化(batch normalization,BN)层,对输入数据进行归一化操作,加快模型收敛速度,同时参数更新方向更符合数据集整体特性;针对抠图任务需要更关注物体边缘部分的特点,使用可变形卷积(deformable convolution)层替换普通卷积层.可变形卷积层会根据不同输入数据自适应学习卷积核形状,有效扩大感受野范围,在细节部分有更好的预测效果.     

基于深度学习的图像语义分割研究进展

图像语义分割是对图像中的每个像素点进行分类,将图像中的前景和背景区分并且识别出每个前景的类别。随着深度学习技术的发展,传统图像语义分割方法在分割精度和分割速度上已经彻底被超越。针对深度学习图像语义分割方法研究现状进行综述,对近年来国内外基于深度学习图像语义分割方法主要思想、优缺点进行了分析和总结。提出了该领域目前存在的问题,对将来的发展进行总结和展望。     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础, 广泛应用于影视后期制作和日常生活. 基于深度学习的图像抠图网络, 通过输入的原图和三元图来估计每个像素的 $\alpha$ 值. 在原下、上采样的图像抠图技术基础上, 针对抠图数据集图像差异较大容易造成网络收敛较慢的问题, 在每个卷积层后加入了批量标准化(batch normalization, BN)层, 对输入数据进行归一化操作, 加快模型收敛速度, 同时参数更新方向更符合数据集整体特性; 针对抠图任务需要更关注物体边缘部分的特点, 使用可变形卷积(deformable convolution)层替换普通卷积层. 可变形卷积层会根据不同输入数据自适应学习卷积核形状, 有效扩大感受野范围, 在细节部分有更好的预测效果.     

一种基于深度学习的卫星遥感图像分割方法

近年来,基于深度学习的语义分割方法得到了广泛应用.本文针对实际遥感图像中的语义分割问题,为了减少网络参数和计算量,以及提高网络性能,提出了一个使用通道注意力机制的卷积神经网络(channel attention network,CA-Net).首先,对高分二号(GF-2)遥感图像进行预处理和数据标注,得到一个7分类数据...     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

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.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

自动驾驶中基于深度学习的3D目标检测方法综述

随着激光雷达传感器和深度学习技术的快速发展,针对自动驾驶3D目标检测算法的研究呈现爆发式增长。为了探究3D目标检测技术的发展和演变,对该领域中基于深度学习的3D检测算法进行了综述。根据车载传感器的不同,将当前基于深度学习的自动驾驶3D目标检测算法分为基于相机RGB图像、基于激光雷达点云、基于RGB图像–激光雷达点云融合的3D目标检测3种类型。在此基础上,分析了各类算法的技术原理及其发展历程,并根据平均检测精度（mAP）指标,对比了它们的性能差异与模型优缺点。最后,总结和展望了当前自动驾驶3D目标检测中仍然面临的技术挑战及未来发展趋势。     

基于深度学习的无人机遥感图像目标识别方法研究

为解决当前无人机遥感图像目标识别存在训练时间过长,识别错误率较高,无法发挥无人机遥感图像最大利用价值的问题,引入深度学习,开展无人机遥感图像目标识别方法研究。在明确相关研究背景及意义的基础上,通过无人机遥感图像获取与预处理、基于深度学习的遥感图像目标识别表征建立、无人机遥感图像目标配准与识别等,提出一种全新的识别方法。通过对比分析证明,新的识别方法在实际应用中训练时间更短,并且识别错误率得到明显降低,能够充分发挥无人机遥感图像中数据信息的利用价值。