基于改进DenseNet网络模型的农作物病虫害叶片识别系统的设计与实现
这是一篇关于农作物病虫害识别,多尺度特征融合,注意力机制,密集连接网络的论文, 主要内容为我国农业在经济体系中扮演着重要的角色,但是农户在病虫害防治方面仍然依赖人工排查,导致效率低下和病虫害频繁发生,严重影响了农业生产效率和质量,进而影响农户的收益。为了解决这些问题,本文提出了一种基于改进DenseNet网络模型的农作物叶片病虫害识别方法。本文的主要研究内容和创新点如下:(1)本文提出了一种新的网络模型MSFFS-stDenseNet,旨在解决DenseNet网络模型中Dense Block模块存在感受野单一的问题。该模型引入了Inception多分支结构模块来代替Dense Block模块,从多个尺度的卷积核中获得更完整的农作物病虫害特征,从而有效地拓展特征提取的范围,同时还降低模型的参数量和计算成本。此外,考虑到数据集图片上病虫害空间分布不均匀的特点,模型还引入了空间注意力机制。(2)为了解决原DenseNet网络模型在浅层网络特征提取中使用单一的7×7卷积,无法充分提取图片细节特征的问题,MSFFS-stDenseNet模型采用了一种基于CBAM的多尺度特征融合模块进行浅层特征提取。这种方法能够选择性地强调关键特征,进一步提高特征提取的效果。(3)为了解决DenseNet全连接方式导致时间成本过高的问题,本文采用了一种名为ShortNet的连接方式来搭建MSFFS-stDenseNet模型。最终,基于该模型开发了一款农作物病虫害识别APP,它可以在安卓手机上进行拍照并准确地识别农作物病虫害的种类。这款APP能够帮助用户及时了解农作物的状态,并采取措施进行治疗和防治,从而提高农业生产效率和质量。
基于稀疏特征学习的单幅粉尘图像深度预测研究
这是一篇关于深度预测,粉尘图像,稀疏深度特征,残差网络,密集连接网络的论文, 主要内容为近年来,图像的深度预测研究在智能设备的研究中以及日常生活中都是必不可少的一部分,也在计算机视觉领域发展中占据着重要的地位。本文对现有的单幅图像深度预测做了深入细致的研究,基于传统方法的单幅或多幅图像的深度预测方法都有一定的缺陷,而目前较为流行的基于深度学习的方法,尽管其深度预测结果有很好的精确度,但是在粉尘环境中颗粒物的影响下,采集到的图像会有一定的像素失真,因而会间接导致预测结果精度变低。所以这些方法也不能有效预测粉尘图像的深度。如果使用去粉尘算法处理粉尘图像后进行深度预测,不仅无法有效提高预测精度,而且实现过程复杂。为此,本文将稀疏深度采样的结果作为粉尘图像的稀疏特征,提出了一种使用稀疏特征学习的粉尘图像深度预测方法。本文整体的网络结构为编码器-解码器,以粉尘图像和稀疏深度样本作为输入,避免了单独使用RGB图像造成的准确率不高的情况。稀疏深度样本使用以大气散射模型为原理的网络进行提取,相较于使用激光雷达可以节省成本。并且根据输入图像特点的不同,采用了不同的网络分支对输入图像进行编码,获取高层次的特征信息,最后使用后期融合的方式送入解码器。其中,为了能够有效的提取特征信息,两个分支分别使用Res Net网络和稀疏卷积网络,因为Res Net的残差块结构能够有效避免梯度消失。在进行多次实验后,由于可视化效果还有提升空间,本文用含有密集连接块的Dense Net网络代替Res Net网络实现编码,并且在密集连接网络中加入注意力机制来提高通道上和空间上有用信息的权重,这样可以更好的传递特征信息。本文的主要工作如下:(1)提出新的稀疏深度采样方式。首先利用大气散射模型设计预估计深度网络,得到初步的深度估计结果,之后,使用颜色衰减先验和暗通道先验原理从预估计深度图中获取较为准确的稀疏深度样本作为稀疏特征。(2)提出以编码器-解码器为基础的深度预测网络的模型框架。在网络中,编码部分的粉尘图像用Res Net网络提取特征。稀疏特征使用稀疏卷积网络提取特征,并且在改进的实验中使用含有基于注意力机制的密集连接块代替Res Net网络,稀疏特征在经过稀疏卷积网络后使用通道注意力机制,使得有效的特征图权重更大,无效或效果小的特征图权重更小。最后将两个分支的输出通道融合作为解码器的输入。解码器的网络应用多尺度上采样方法和双立方上采样操作进行。(3)提出融合损失函数。实验中使用了最小绝对值损失和交并比损失函数,交并比损失目前应用于目标检测和图像分割中,它能够很好地反映边界重合度。本文所设计的网络结构相比现有方法更合理有效,其中稀疏特征提取方式相较于现有的先进方法对粉尘图像更具有针对性,提出的融合损失函数有效降低了训练误差。实验结果表明,本方法对粉尘图像的深度预测视觉效果更好,结果更准确。
基于稀疏特征学习的单幅粉尘图像深度预测研究
这是一篇关于深度预测,粉尘图像,稀疏深度特征,残差网络,密集连接网络的论文, 主要内容为近年来,图像的深度预测研究在智能设备的研究中以及日常生活中都是必不可少的一部分,也在计算机视觉领域发展中占据着重要的地位。本文对现有的单幅图像深度预测做了深入细致的研究,基于传统方法的单幅或多幅图像的深度预测方法都有一定的缺陷,而目前较为流行的基于深度学习的方法,尽管其深度预测结果有很好的精确度,但是在粉尘环境中颗粒物的影响下,采集到的图像会有一定的像素失真,因而会间接导致预测结果精度变低。所以这些方法也不能有效预测粉尘图像的深度。如果使用去粉尘算法处理粉尘图像后进行深度预测,不仅无法有效提高预测精度,而且实现过程复杂。为此,本文将稀疏深度采样的结果作为粉尘图像的稀疏特征,提出了一种使用稀疏特征学习的粉尘图像深度预测方法。本文整体的网络结构为编码器-解码器,以粉尘图像和稀疏深度样本作为输入,避免了单独使用RGB图像造成的准确率不高的情况。稀疏深度样本使用以大气散射模型为原理的网络进行提取,相较于使用激光雷达可以节省成本。并且根据输入图像特点的不同,采用了不同的网络分支对输入图像进行编码,获取高层次的特征信息,最后使用后期融合的方式送入解码器。其中,为了能够有效的提取特征信息,两个分支分别使用Res Net网络和稀疏卷积网络,因为Res Net的残差块结构能够有效避免梯度消失。在进行多次实验后,由于可视化效果还有提升空间,本文用含有密集连接块的Dense Net网络代替Res Net网络实现编码,并且在密集连接网络中加入注意力机制来提高通道上和空间上有用信息的权重,这样可以更好的传递特征信息。本文的主要工作如下:(1)提出新的稀疏深度采样方式。首先利用大气散射模型设计预估计深度网络,得到初步的深度估计结果,之后,使用颜色衰减先验和暗通道先验原理从预估计深度图中获取较为准确的稀疏深度样本作为稀疏特征。(2)提出以编码器-解码器为基础的深度预测网络的模型框架。在网络中,编码部分的粉尘图像用Res Net网络提取特征。稀疏特征使用稀疏卷积网络提取特征,并且在改进的实验中使用含有基于注意力机制的密集连接块代替Res Net网络,稀疏特征在经过稀疏卷积网络后使用通道注意力机制,使得有效的特征图权重更大,无效或效果小的特征图权重更小。最后将两个分支的输出通道融合作为解码器的输入。解码器的网络应用多尺度上采样方法和双立方上采样操作进行。(3)提出融合损失函数。实验中使用了最小绝对值损失和交并比损失函数,交并比损失目前应用于目标检测和图像分割中,它能够很好地反映边界重合度。本文所设计的网络结构相比现有方法更合理有效,其中稀疏特征提取方式相较于现有的先进方法对粉尘图像更具有针对性,提出的融合损失函数有效降低了训练误差。实验结果表明,本方法对粉尘图像的深度预测视觉效果更好,结果更准确。
遥感图像深层特征提取的轻量级时空融合卷积神经网络
这是一篇关于深度神经网络,多尺度特征融合,注意力机制,密集连接网络,复合损失函数的论文, 主要内容为同时具有高时间分辨率和高空间分辨率的遥感图像对于监测地表异质景观至关重要。然而,由于卫星传感器硬件技术以及发射预算等因素的限制,获取具有高时空分辨率的遥感图像并不容易。这使得国内外的研究学者将目光集中到对现有卫星观测数据进行后处理,从而获取所需的高时空分辨率数据。在深度神经网络中,相对于图像的一些基本属性:颜色、纹理、形状等特征,深层特征即通过设计网络模型来挖掘图像更为抽象、更高级的特征。在时空融合领域中,为了提高融合图像的精度,通常会加深网络模型的深度,来挖掘图像更深层次的特征,以提高模型的拟合效果。然而,随着网络深度的不断增加,会带来过拟合的问题,这样反而会降低融合图像的精度。为了缓解这一问题,本文通过已有的深度神经网络知识,并结合一些时空融合领域的相关知识,提出了针对于时空融合任务的深层网络架构,并设计了适用于时空融合任务的复合损失函数,来进一步提高融合图像的质量。主要研究工作如下:1.研究基于注意力机制的多尺度时空融合方法。将多尺度特征融合引入时空融合任务中,获取输入图像不同尺度的空间细节和时间变化。通过引入空间-通道注意力机制来使网络在学习过程中不仅考虑空间特征的表达,也会关注通道信息。该网络主要通过多尺度特征融合网络来针对不同输入提取网络的多尺度特征信息,通过特征图逐元素相加方式合并多尺度特征,然后采用高效的空间-通道注意力机制来过滤融合特征,最后通过卷积在特征空间重构融合图像。提出使用基于卷积操作的拉普拉斯算子作为边缘损失函数,并且采用复合损失函数的形式代替单一的像素级损失函数。通过与其他时空融合方法的对比试验表明该方法可以生成更高质量的融合图像。2.研究以密集连接网络为主体结构的时空融合方法。针对于密集连接网络中的Dense Net-BC模块,研究其提取网络深层特征的能力。为了能有效的提取时空融合网络中的深层特征,同时使得所提取的特征具有更强的表达能力,通过改进了传统的Dense Net-BC模块,并将其应用于时空融合网络中。采用了自定义的复合损失函数来代替单一的像素级损失函数,并使用基于卷积操作的Sobel算子作为新的边缘损失函数。实验表明所提出的时空融合网络能有效提高融合图像的质量。
基于深度神经网络的DNA-蛋白质结合位点预测研究
这是一篇关于DNA-蛋白质结合位点,DNA形状特征,密集连接网络,容错编码,多尺度卷积的论文, 主要内容为能够与基因上游的特定核苷酸序列结合的蛋白质被称为转录因子,转录因子结合位点是指与特定的转录因子结合的DNA片段,它被称为基序,通常位于基因的上游区域。准确预测DNA-蛋白质结合位点(DNA-protein binding sites,DPBS)对于研究基因表达的调控机制具有重要的生物学意义。近年来,随着生物信息技术的快速发展,先进的深度神经网络被引入该领域,显著提高了DNA-蛋白质结合位点的预测性能。然而,这些预测方法主要是基于Ch IP-seq技术测量的DNA序列,没有考虑到基序序列可能出现的部分变异和测序技术本身的错误。此外,大部分的预测方法只考虑了DNA的序列信息,而忽略了其形状特征。同时,在模型设计阶段,大多数方法只考虑了使用固定的基序长度来捕获DNA序列中的结合特征,而结合位点的长度却不是固定不变的,这样的特征提取方式显然是不充分的。针对上述存在的问题,本文从特征表示和网络结构设计出发,设计了两种用于DNA-蛋白质结合位点预测的解决方案,主要工作内容如下:(1)本文同时考虑了DNA的序列信息和其形状特征,并在密集连接网络的基础上设计了一种用于预测DNA-蛋白质结合位点的深度神经网络Shape-Dense Net。混合的编码方式能够为神经网络的训练提供更多的特征,实验表明,通过将DNA序列信息和其形状特征结合,DNA-蛋白质结合位点的预测性能得到了一定的提升。(2)本文提出一种容错编码机制用于将DNA序列转换为神经网络的输入,该机制考虑了基序序列可能出现的部分变异和测序技术本身的错误,丰富了神经网络的输入特征。同时,针对转录因子结合位点长度不固定的特性,本文设计了一种多尺度密集连接网络结构(MSDense Net)。实验表明,通过将容错编码与多尺度密集连接网络结合,显著提升了DNA-蛋白质结合位点的预测性能。(3)本文基于Spring Boot框架,开发了一款DNA-蛋白质结合位点预测系统,方便了相关领域的科研工作者能够便捷、高效地确认待预测DNA序列中是否包含转录因子结合位点。
基于ST-GCN的人体行为识别方法研究
这是一篇关于行为识别,ST-GCN,注意力机制,密集连接网络,人体行为识别软件的论文, 主要内容为人体行为识别作为计算机视觉领域热门方向,在许多领域都得到广泛应用,例如智能安防、智能车辆、智能医疗等领域。随着视频多媒体的飞速发展,人体行为视频数量与日俱增,对于视频中信息的提取需要准确高效的算法作为支撑。目前对于人体行为识别领域当中复杂背景及人体差异性带来的干扰,采用骨架序列数据作为行为记录数据,能够有效避免光照、背景等带来的问题。本文以人体骨骼数据作为网络输入,提出基于改进的时空图卷积神经网络人体行为识别方法,设计实现功能完备的人体行为识别软件,完成软件功能与性能的测试。论文主要工作如下:1.在卷积神经网络、图卷积神经网络和传统的ST-GCN网络研究基础之上,提出对时空图卷积网络的改进。首先,融合密集连接网络思想重构其网络结构。重构后的网络模型通过特征重用减少网络不同层之间的特征依赖,利用少量的计算得到更加丰富的特征图,使得获取的特征更加健壮并提升网络性能。其次,在改进的时空图卷积层中引入非局部注意力机制。引入注意力机制后充分提取动作发生时关节点之间信息,提高改进后的时空图卷积网络模型动作识别准确率。最后,将改进后的算法模型与传统的ST-GCN网络进行对比,改进后的算法模型在NTURGB+D数据集中准确率分别提高了1.9%(X-Sub)和2.5%(X-View)。相比较于部分主流算法准确率稍低,但是其算法模型参数量有了显著减少,改进后的算法模型在准确率和参数量之间达到一个较好的平衡。2.对人体行为识别软件使用B/S架构进行设计与实现。人体行为识别软件根据需求分析,业务功能主要包括用户管理模块、数据检索模块、行为识别模块、行为告警模块等。服务器端基于Spring Boot框架完成后端功能逻辑代码的编写,协同使用Pytorch深度学习框架对改进的时空图卷积网络模型进行构建,软件用户数据和视频文件资源使用My SQL数据库和Fast DFS文件服务器进行存储。3.对人体行为识别软件进行测试工作。搭建软件测试所需要的环境,并针对不同的业务功能需求,依照国家标准GB/T25000.51-2016编写相应的功能测试用例,结合不同的测试方法完成软件功能测试。利用第三方测试工具JMeter进行了软件性能测试,验证人体行为识别软件的性能。测试结果表明该软件各项功能能够正常使用,软件性能表现符合国家软件标准,验证了人体行为识别软件具有一定的实用性。
遥感图像深层特征提取的轻量级时空融合卷积神经网络
这是一篇关于深度神经网络,多尺度特征融合,注意力机制,密集连接网络,复合损失函数的论文, 主要内容为同时具有高时间分辨率和高空间分辨率的遥感图像对于监测地表异质景观至关重要。然而,由于卫星传感器硬件技术以及发射预算等因素的限制,获取具有高时空分辨率的遥感图像并不容易。这使得国内外的研究学者将目光集中到对现有卫星观测数据进行后处理,从而获取所需的高时空分辨率数据。在深度神经网络中,相对于图像的一些基本属性:颜色、纹理、形状等特征,深层特征即通过设计网络模型来挖掘图像更为抽象、更高级的特征。在时空融合领域中,为了提高融合图像的精度,通常会加深网络模型的深度,来挖掘图像更深层次的特征,以提高模型的拟合效果。然而,随着网络深度的不断增加,会带来过拟合的问题,这样反而会降低融合图像的精度。为了缓解这一问题,本文通过已有的深度神经网络知识,并结合一些时空融合领域的相关知识,提出了针对于时空融合任务的深层网络架构,并设计了适用于时空融合任务的复合损失函数,来进一步提高融合图像的质量。主要研究工作如下:1.研究基于注意力机制的多尺度时空融合方法。将多尺度特征融合引入时空融合任务中,获取输入图像不同尺度的空间细节和时间变化。通过引入空间-通道注意力机制来使网络在学习过程中不仅考虑空间特征的表达,也会关注通道信息。该网络主要通过多尺度特征融合网络来针对不同输入提取网络的多尺度特征信息,通过特征图逐元素相加方式合并多尺度特征,然后采用高效的空间-通道注意力机制来过滤融合特征,最后通过卷积在特征空间重构融合图像。提出使用基于卷积操作的拉普拉斯算子作为边缘损失函数,并且采用复合损失函数的形式代替单一的像素级损失函数。通过与其他时空融合方法的对比试验表明该方法可以生成更高质量的融合图像。2.研究以密集连接网络为主体结构的时空融合方法。针对于密集连接网络中的Dense Net-BC模块,研究其提取网络深层特征的能力。为了能有效的提取时空融合网络中的深层特征,同时使得所提取的特征具有更强的表达能力,通过改进了传统的Dense Net-BC模块,并将其应用于时空融合网络中。采用了自定义的复合损失函数来代替单一的像素级损失函数,并使用基于卷积操作的Sobel算子作为新的边缘损失函数。实验表明所提出的时空融合网络能有效提高融合图像的质量。
基于卷积神经网络的肺结节检测研究
这是一篇关于肺结节检测,卷积神经网络,注意力机制,深监督,密集连接网络的论文, 主要内容为肺癌的死亡率位居癌症首位,尽早诊断对患者来说至关重要。肺结节是肺癌早期表现形式之一,其最常用的检测方法是肺部CT影像,医生需要花费大量的时间来审阅患者的CT影像,这很容易使医生产生阅片疲劳,进而产生误诊或者漏诊。通过利用卷积神经网络等方式辅助医生进行肺结节检测,不仅可以大大的减轻医生的工作负担,而且机器进行诊断具有一定的客观性,检测结果更加稳定。本文采用两阶段肺结节检测的方法,候选结节检测阶段,主要需要保证有较高的敏感度,可以容忍一定程度的假阳性,假阳性降低阶段,需要尽可能地减少假阳性的存在,使得整体肺结节检测模型既具有高敏感度,又具有较低的假阳性。具体研究内容如下:(1)针对肺部CT影像的特殊性,对数据进行肺实质分割、归一化、数据增强等步骤的数据预处理。肺实质分割中,本文采用了全局阈值法进行阈值分割。数据增强中,通过数据增强扩充了数据量,并解决了正负样本不均衡的问题。(2)针对大多数肺结节的直径小,容易产生漏检的问题,提出了一种基于改进U-Net网络的候选结节检测模型。该模型以U-Net网络作为基本骨架,在编码器部分加入了残差模块,改善了 U-Net网络深度不足的问题。将跳跃连接用混合注意力机制模块代替,使模型更加专注于学习有用的信息,将浅层特征信息有效地传入深层,使语义信息和特征信息融合的更充分,缓解了小目标检测的问题。在解码器部分加入了深监督模块,为网络提供中继监督,同时将解码层输出的特征结果结合作为网络的最终输出,使得隐藏层特征被充分利用。实验表明,该候选结节检测模型在LUNA16数据集上的敏感度达到96.7%。(3)针对候选结节检测模型存在较高假阳性的问题,设计了一种基于密集连接的多维度集成假阳性降低模型,该模型包含三个子模型,即二维二分类模型、三维二分类模型A和三维二分类模型B,三个子模型都是由密集连接模块组成。为解决肺结节的大小和形状差异较大的问题,本文假阳性降低模型使用三种不同尺度的图像作为三个子模型的输入,最终的分类结果由三个子模型加权平均相加得到。该模型不仅可以利用不同感受野的信息来提取不同层次的上下文信息,还能够综合肺部CT影像二维和三维的信息。实验表明,该假阳性降低模型在LUNA16数据集上CPM达到0.915。整体肺结节检测模型CPM达到0.876,平均每组CT检测出的假阳性结节个数为15.6。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设驿站 ，原文地址：https://m.bishedaima.com/lunwen/54289.html
