灰度逻辑蕴含运算CNN模板的鲁棒性设计

为了解决灰度图像逻辑蕴含运算的问题,该文对一类灰度图像逻辑蕴含运算细胞神经网络(Gray-scale logic converse implication operation cellular neural network,GLCIO CNN)进行了研究。通过制定两幅灰度图像之间的逻辑蕴含运算,设计了一类GLCIO CNN。根据GLCIO CNN的局部规则,对其模板进行鲁棒性设计,提出相应的鲁棒性设计定理,并给出了科学合理的数学证明。只要细胞神经网络的模板参数满足定理中提出的参数不等式,细胞神经网络(CNN)就能够对两幅灰度图像执行逻辑蕴含运算。实验结果验证了GLCIO CNN的有效性及鲁棒性设计定理的可行性。     

灰度逻辑蕴含运算CNN模板的鲁棒性设计

为了解决灰度图像逻辑蕴含运算的问题,该文对一类灰度图像逻辑蕴含运算细胞神经网络(Gray-scale logic converse implication operation cellular neural network,GLCIO CNN)进行了研究。通过制定两幅灰度图像之间的逻辑蕴含运算,设计了一类GLCIO CNN。根据GLCIO CNN的局部规则,对其模板进行鲁棒性设计,提出相应的鲁棒性设计定理,并给出了科学合理的数学证明。只要细胞神经网络的模板参数满足定理中提出的参数不等式,细胞神经网络(CNN)就能够对两幅灰度图像执行逻辑蕴含运算。实验结果验证了GLCIO CNN的有效性及鲁棒性设计定理的可行性。     

一类用神经网络实现图像去噪的新方法

提出了一类基于二维细胞自动机(CA)和细胞神经网络(CNN)的图像滤波新方法。通过对两种新的二维CA规则的深入研究，得出了两类CA演化规则能够用于设计新的细胞神经网络，可以实现灰度图像的噪声消除。核心思想是用两个对偶CA规则设计两个CNN网络，联合实现图像滤波处理，能够获得比传统算法好得多的处理速度和效果。仿真结果证明本文的想法是合理的，期望能够在二维CA研究与应用设计方面有所启发和突破。     

基于5阶细胞神经网络图像浮雕算法研究

针对如何使图像中的浮雕效果更具有立体感的问题,设计了关于图像的5阶细胞神经网络(CNN)的浮雕算法研究的方案,研究了该算法对于图像的立体化处理的过程,对于同一图像分别采用5阶CNN、3阶CNN算法和拉普拉斯算法进行对图像的立体化处理,并比较了几类算法的优劣.实验表明,基于5阶CNN浮雕算法更接近现实,直观效果更好,在实现图像的实时处理中,能够有效地生成具有艺术效果的浮雕图像.同时,将其应用在遥感图像的处理工作中,取得了很好的效果.     

基于五阶CNN的图像边检测算法研究

边缘是图像的最基本的特征之一,边缘提取是图像分析中非常重要的步骤,而细胞神经网络是边缘检测中很有效的一种方法.作者基于细胞神经网络(cellular neural network,简称CNN),研究了5阶CNN模板对图像边缘检测的过程,阐述了算法实现过程中的关键步骤,并且证明了算法的稳定性.对图像分别采用基于5阶、3阶CNN算法和经典算子(Prewit、Canny、Sobel等)进行边缘提取,定性分析比较了几类算法在性能上的优劣,定量比较了检测结果的准确性.实验结果表明,基于5阶CNN模板算法的边缘检测结果更加显著,且在硬件实现上能够高速并行计算,实现图像实时处理.     

二值图像逻辑与运算CNN模板的稳定性设计

结合细胞神经网络(Cellular Neural Networks)理论,提出了一类能快速实现二值图像逻辑与运算的模板。对模板稳定性的数学分析表明,只要模板参数符合文中定理的要求,CNN就能够对两幅二值图像进行与运算。实验仿真证明了LOGAND CNN在实际应用中的有效性及稳定性设计定理的正确性。     

基于T-S模糊模型的CNN混沌同步控制研究

研究了四元细胞神经网络(CNN)混沌系统的T-S模糊模型建立问题,用李雅谱诺夫法构建CNN混沌系统的同步控制器,并用遗传算法对控制参数进行优化,达到比较理想的同步效果.     

基于GMSD的新混合损失函数

近年来,卷积神经网络(convolutional neural network, CNN)成为了图像超分辨(super resolution, SR)领域研究的主要方法,然而其研究方向大都集中在神经网络的结构改进上,对神经网络的损失函数层,仅有少部分研究者进行了研究。文章聚焦神经网络的损失函数,对多个损失函数进行了比较,并基于梯度幅值相似偏差(gradient magnitude similarity deviation, GMSD)评价函数,提出新的损失函数,给出新损失函数的反向传播公式。通过实验,验证了在模型不变的情况下,使用新的损失函数进行模型训练能够提高模型性能。     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.     

一类CNN细胞神经网络的稳定性

考虑CNN细胞神经网络方程的相应映射方程,利用矩阵谱半径性质及范数方法,得到了关于一类CNN细胞神经网络平衡点的全局渐近稳定的条件和结论。同时,给出了几个应用例子。     

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.     

一种基于联合深度学习模型的情感分类方法

针对情感分析问题中长句和短句进行情感分类时不同的建模特点,提出了一种基于联合深度学习模型的情感分类方法。该方法融合长短期记忆模型(LSTM)与卷积神经网络(CNN)对影视评论数据进行情感极性判别,该方法采用LSTM模型对上下文进行建模,通过逐词迭代得到上下文的特征向量,采用CNN模型从词向量序列中自动发现特征,并从局部抽取特征后将局部特征整合成全局特征来提高分类效果。所提出的方法在COAE2016评测的任务2的情感极性分类任务中,其系统准确率获得最好结果。     

CNN-PDE非线性图像滤波器

偏微分(PDE)非线性图像滤波方法具有优良特性,但由于其计算量大而无法满足实时控制需求.细胞神经网(CNN)可以描述图像PDE模型,利用模拟CNN芯片并行求解,有助于提高其实时性.本文用CNN实现了PDE偏差非线性图像滤波器,提出了一种局部运算的噪声估计方法以选择适当的平滑系数.计算结果表明,这种噪声估计方法可以对不同噪声水平作出较精确的估计.仿真实验结果表明,CNN-PDE非线性滤波器取得了满意的滤波效果,用CNN实现PDE非线性滤波器的方法是有效可行的.     

GVF场的多层细胞神经网络实现及其在图像分割中的应用

提出了利用多层细胞神经网络实现梯度矢量流GVF场的方法,并与扩展、细化的细胞神经网络(CNN)相结合来实现动态轮廓的图像分割．细胞神经网络具有并行运算的能力,可解决传统串行算法复杂性大,不能实时处理的问题,并克服了梯度场作为CNN的外力驱动方法的局部最小问题。在图像处理过程中,外部图像由GVF信息引导,最后收敛到所期望的目标位置。结果表明,该方法在不同的输入图像条件下均获得了比Vilarino提出的方法更好的分割结果,并具有实时处理速度。     

数学形态滤波的细胞神经网络实现方法

给出了细胞神经网络（ＣＮＮ）在数学形态学中的应用．通过对ＣＮＮ状态方程的修改，可使ＣＮＮ并行、实时地实现数学形态滤波，其实现速度与结构元的大小无关．给出了有关改进ＣＮＮ的稳定性及动态特性分析以及在腐蚀、膨胀及结构开、闭运算中的实现结果     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

一种GAF-CNN行星齿轮箱故障诊断方法

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场-卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.      

基于双流混合变换CNN特征的图像分类与识别

具有表达能力及可辨别性更强的特征是图像分类与识别技术的关键。深度CNN特征经过多次中间非线性变换,特征鲁棒性更强,在图像分类与识别领域已取得重大进展。但传统的CNN模型只增加变换层次,下层变换依赖于上层输出结果,因此其中间特征冗余度较低,最终得到的特征向量信息丰富程度不够。本文提出一种基于双流混合变换的CNN模型——DTM-CNN。该模型首先使用不同大小的感受野卷积核提取图像不同的中间特征,然后在多次深度变换时,对中间特征进行混合流动,经过多次混合变换,最终得到1024维的特征向量,并使用Softmax回归函数对其分类。实验结果表明,该模型经过多次卷积、池化及激活变换,提取的特征更加抽象、语义及结构信息更加丰富,对图像具有更强的表达能力及辨别性,因此图像分类及识别性能优越。     

CNN intelligent early warning for apple skin lesion image acquired by infrared video sensors

Video sensors and agricultural IoT ( internet of things) have been widely used in the informa-tionalized orchards.In order to realize intelligent-unattended early warning for disease-pest, this pa-per presents convolutional neural network ( CNN) early warning for apple skin lesion image, which is real-time acquired by infrared video sensor.More specifically, as to skin lesion image, a suite of processing methods is devised to simulate the disturbance of variable orientation and light condition which occurs in orchards.It designs a method to recognize apple pathologic images based on CNN, and formulates a self-adaptive momentum rule to update CNN parameters.For example, a series of experiments are carried out on the recognition of fruit lesion image of apple trees for early warning. The results demonstrate that compared with the shallow learning algorithms and other involved, well-known deep learning methods, the recognition accuracy of the proposal is up to 96.08%, with a fairly quick convergence, and it also presents satisfying smoothness and stableness after conver-gence.In addition, statistics on different benchmark datasets prove that it is fairly effective to other image patterns concerned.