基于创新能力培养的兽医影像学实践教学探索

分析了兽医影像学实践教学的重要性和必要性。基于现代医学影像学教学理念和培养目标,完善临床兽医实践教学课程体系,改革兽医影像学的实践教学模式和手段,创新实践教学的内容和方法。在影像诊断技术的运用中,培养学生的自主学习能力和实践能力。通过对兽医影像学断层影像进行深入的探索研究,更好地优化实验教学资源和手段,进一步提高临床兽医的学科优势和实践教学质量,培养具有科学思维观的创新型动物医学专门人才。     

基于多重注意力机制的高分辨率遥感影像语义分割

针对当前深度神经网络在处理遥感影像语义分割过程中存在的模型庞大、处理耗时长、实时性低、小目标分割准确率不高的问题,提出了一种嵌入多重注意力机制的Multi-AttnDeepLabv3+(Multiple Attentionbased on DeepLabv3+)语义分割模型.该模型在编码部分使用轻量神经网络作为主干特征提取网络,加入混合注意力机制增强重要特征通道和空间像素的权值比重;在解码部分,在特征融合过程中加入通道压缩激活注意力模块,通过压缩激活操作再次增强重要特征通道的权重,提升模型分割准确率.该模型在多个数据集上取得较好的实验结果 .在相同条件下,此模型训练速度较传统网络模型有明显提升.与同类型轻量级语义分割模型相比,该模型在提升分割效果上具备优势.     

基于独立分量分析的遥感影像分类方法

多光谱遥感影像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析利用了信号的高阶统计信息,对于多光谱遥感影像而言,其去除了波段影像之间的相关性,获得的波段影像是相互独立的。最后通过TM遥感影像数据的分类试验,验证了基于独立分量分析的线性光谱混合分析模型应用于多光谱遥感影像非监督分类的有效性。     

基于同名点RMS的城市建筑物高度反演研究

城市建筑物的高度信息在城市灾害评估、资源监测、规划、城市经济活动中具有重要的参考和使用价值。以Quick-Bird影像为基准校准谷歌影像的空间坐标,通过控制点RMS值与建筑物高度的关系建立模型来反演建筑物的高度。结合影像测高数据和实测建筑物高度数据对估测结果进行分析。结果表明建立的模型使用参数少、精度较高、普适性强、量测简单,在高度测算方面有较大的实用潜力。     

灰度矢量多波段遥感影像纹理特征及其描述

提出了多波段影像灰度矢量纹理的概念和实施方法。以中心像元的邻近像元作为灰度矢量纹理基元,纹理基元的灰度矢量统计规律反映出影像纹理的特征,并以马尔柯夫随机场的特征参数作为其分类依据。实验分析表明,所提出的理论和算法是可行的。     

使用遗传算法对图像进行恢复

图像在产生、传送和记录过程中都会产生失真 ,在恢复时影响图像质量。文中介绍了一种利用图像象素之间的相关特性 ,将遗传算法和贝叶斯估计相结合的图像恢复的方法 ,并在算法中引入线过程。使用此算法恢复的图像与一般遗传算法恢复的图像进行对比分析 ,图像的清晰度明显优于后者 ,表明本算法比单纯使用遗传算法对图像恢复效果好。     

四电极装置产生片状氩气等离子体羽的特性

利用四电极结构的介质阻挡放电(DBD)装置,在大气压环境中,产生了一个弥散的氩气等离子体羽.结果 表明:随着交流电压峰值和氩气流量的增大,等离子体羽的长度变长,且在此过程中氩原子谱线强度也增大.电压电流波形表明放电既可以出现在电压的上升沿也可以出现在其下降沿.利用高速摄像不断缩短曝光时间,发现正负放电存在明显差别.正放...     

基于改进Faster-RCNN的露天煤矿开采区遥感识别方法

利用卫星遥感技术融合深度学习算法,可以快速、动态、高效识别露天煤矿开采区,以我国和其他煤炭资源大国的典型露天煤矿开采区为研究对象,基于高分二号多光谱遥感影像,制作数据集及标签,构建基于卷积神经网络(convolutional neural networks, CNN)的深度学习目标检测算法.通过加入特征金字塔网络,充分挖掘开采区及背景区的低分辨率语义信息和高分辨率纹理信息,实现快速卷积神经网络的深度学习目标检测算法模型的改进及参数优化.结果表明改进后的模型平均检测精度提高到98.48%,总体识别精度达到96.7%,有效提高了复杂背景下的多尺度、多类型露天开采目标的识别精度,为全球煤炭资源大国能源合作、生态环境保护及我国矿产资源的合理利用和修复提供了科学、精准手段.     

基于并联式卷积神经网络的遥感影像超分辨率重建

遥感影像超分辨率重建有助于丰富地物细节,从而更全面地反映地物目标信息。为了解决目前基于深度学习的超分辨率重建方法难以同时兼顾影像高、低频信息的问题,本文提出了一种并联式遥感影像超分辨率重建方法。该方法并联了密集深层反投影网络和浅层多尺度网络,利用密集深层反投影网络精确预测遥感影像的高频内容;同时利用浅层多尺度网络来增加目标可分辨能力,并保留影像的低频部分来提升影像的质量。这个方法在在GF-1和GF-2数据集上进行了实验,并在Landsat 8和ASTER异源遥感影像数据集上进行了泛化验证,研究结果表明,相较于增强深度残差网络（enhanced deep residual networks for single image super-resolution,EDSR）、深层和浅层端到端卷积网络（end-to-end image super resolution via deep and shallow convolutional network,EEDS）和密集深层反投影网络（deep back-projection networks for super-resolution,DBPN）,峰值信噪比（peak signal to noise ratio,PSNR）指标分别提升了2.30 dB、2.23 dB、0.25 dB,结构相似度（structural similarity,SSIM）性能指标分别提升了 0.1 316、0.1 085、0.0 096。本文方法有助于从数据端改善遥感影像目标识别、地物分类等应用的精度,进一步提高遥感数据在资源调查、环境监测、灾害预报等领域的应用效能。     

基于双注意力引导特征级联的显微影像深度估计方法

深度估计在医学显微影像中具有重要应用价值,可以弥补外科医生在手术过程中由于观察目镜感官受限而难以获得精确深度信息的不足。针对手术场景动态多变、软组织和手术器械尺度微小等原因导致深度估计精度不高的问题,提出了一种改进稠密回归中跨层级特征级联的深度估计方法。通过利用多层次特征聚合模块,将编码器中的上下文信息传递到解码器中,同时基于通道选择和分支优化的双重注意力特征融合机制来优化解码的精度。为了获得密集的深度真值,提出了一种迭代式配准策略,结合自动化的机械臂扫描实现由粗到精优化多视角点云配准,并从模拟场景中重建高精度深度数据。实验结果表明,本文提出的深度估计方法实现了0.00151的均方误差值（root mean squared error, RMSE）和0.03039的尺度不变对数误差值（scale-invariant log, SILog）,超越了以往最先进的方法,并对细小手术器械的尖端产生了更精准的深度估计。