基于深度脉冲神经网络的光学器件传输信号识别研究
这是一篇关于脉冲神经网络,光子晶体,超表面,残差结构,时间卷积的论文, 主要内容为光学器件传输信号的研究对诸如传感器等其他许多领域的研究都有着重要意义,随着人工智能的发展,研究人员逐渐尝试将光学器件传输信号与深度学习相结合。然而,光学器件传输信号不易大量采集,且大多是有噪声的,这就导致了传统人工神经网络(ANN)在完成识别任务时没有取得很理想的结果。近年来,有研究指出脉冲神经网络(SNN)可以在小样本有噪声问题的研究中超越ANN,所以考虑将SNN应用于光学器件传输信号的研究中。本文的主要研究内容如下:1、针对光学器件传输信号不易大量采集,且大多是有噪声的这一特点,我们将光学器件传输信号视为“小样本有噪声”问题进行研究。所以我们首先基于公共数据集验证了SNN更适用于研究小样本有噪声问题,进而说明了基于深度脉冲神经网络研究光学器件传输信号识别的可行性。2、针对SNN大多还局限于浅层结构,识别准确率较低这一问题,我们通过在全连接SNN的基础上加入残差结构和ECA-Net两个模块,构建了一种脉冲残差注意力网络(RASNN)。然后在我们建立的一维光子晶体传输信号数据集上进行了对比实验,证明了提出的RASNN可以取得更好的识别效果。最后,我们还基于MIT-BIH心律失常数据集,与现有研究常用的ANN进行了对比实验,证明了RASNN还可以为其他不易大量采集的一维信号的识别问题提供一个健壮的解决方案。3、建立超表面传输信号数据集,并通过在全连接SNN的基础上加入时间卷积模块和残差结构两个模块构建了一个时间卷积脉冲神经网络(TCSNN)。然后基于超表面传输信号数据集进行对比实验,评估网络性能。最后,分别在一维光子晶体传输信号数据集和超表面传输信号数据集上,对比RASNN和TCSNN的识别效果,结果表明,提出的两个深度脉冲神经网络模型的识别效果相当,都可以准确高效地对光学器件传输信号进行识别。
基于深度学习的服装标签识别研究与应用
这是一篇关于深度学习,服装标签识别,残差结构,损失函数的论文, 主要内容为服装衣长、领型等标签信息在电商平台的销售过程中起着重要作用,但是传统通过人工标注的方式费时费力,并且非常容易产生错误。为了解决该问题,本文依托课题组服装云交易平台,将计算机视觉与深度学习技术应用于服装标签识别,提出了一种改进的Inception-v4服装标签识别模型,并将其应用到服装上架过程中。服装商家只需上传服装图像,系统就能自动识别服装标签,再经过商家校对后存入数据库中,提高服装标签的准确率的同时节省了人力。在对深度学习相关技术以及图像处理相关算法深入研究的基础之上,提出了一种改进的Inception-v4服装标签识别模型。首先在识别模型中,通过将残差连接引入到Inception模块,在网络加深的情况下,加快了收敛速度。在此基础之上将服装标签分为长度类与设计类,分别设计了一个长度类标签识别模型和设计类识别模型,通过硬参数共享的方式,复用卷积与池化操作,在减少过拟合的风险与确保准确率的同时,大大降低了计算量。然后通过使用Soft Label和基于类间相似度的损失函数,充分挖掘了数据集中的标签关联信息,提升了模型的性能。并在Fashion AI数据集上进行了评估,实验结果表明本文所描述的方法在取得良好性能的同时拥有更快的收敛速度,准确率相较基础算法提升了4.1%。最后开发了服装标签自动标注系统,该系统是对服装标签识别模型的应用,简化了服装上架的流程。本文所实现的服装标签自动标注系统,为销售平台中的服装提供准确的标签信息,解决了上架过程中,人工标注标签繁琐且具有主观性的问题。此外,本文提出的Soft Label与基于类间相似度的损失函数,还可以用于识别年龄、身高等存在增量关系的任务。
基于残差和注意力模型的呼吸运动图像配准校正研究
这是一篇关于PET/CT,伪影校正,图像配准,深度学习,残差结构,注意力机制的论文, 主要内容为癌症已经成为威胁人类健康的首要疾病,其中肺癌的死亡率又远高于其他癌症类型,其初期检测和防范就显得极其重要。核医学领域PET/CT在癌症的早期检测中发挥着越来越重要的作用。但是由于患者在扫描过程中不自主的呼吸运动,会造成呼吸运动伪影,给医生的诊断带来困难,因此寻求一种有效的方法来提高PET图像质量,降低成像的伪影显得格外重要。为此,本文提出了两种基于深度学习的PET呼吸运动图像伪影校正方法。(1)本文提出了一种以U-Net网络作为基础,融合多重残差结构的配准网络模型Res V-Unet。结合了多重残差结构的网络在具有较少网络参数的同时在一定程度上提高预测形变场的能力,进而提高网络对PET图像配准校正的性能。实验结果表明,使用Res V-Unet模型方法在仿真的PET几何体模数据、像素体模数据以及临床数据上,配准校正后在冠状面方向上分别得到了93.81%、81.75%以及75.10%的相似性Dice值,相对校正前分别提高了33.02%、14.21%和7.32%,说明了提出方法的有效性。(2)本文提出了一种基于注意力机制的改进配准网络模型CSAV-Net。通过结合通道和空间注意力机制来提高网络对PET图像中结构边界的识别能力和位置信息的定位能力。实验结果显示,提出的CSAV-Net模型对于仿真的PET几何体模数据、像素体模数据以及临床数据,配准校正后的在冠状面方向上分别得到了92.98%、82.64%以及71.97%的相似性Dice值,较配准校正之前分别提高了32.19%、15.1%和4.19%,证明了该方法在校正PET呼吸运动伪影图像效果上有所改善。本文所提出的两种神经网络模型与传统的配准方法相比,在各项评价指标上均有较好的表现,在仿真和临床数据上得到验证,进一步证明了模型的可行性和有效性。
基于深度脉冲神经网络的光学器件传输信号识别研究
这是一篇关于脉冲神经网络,光子晶体,超表面,残差结构,时间卷积的论文, 主要内容为光学器件传输信号的研究对诸如传感器等其他许多领域的研究都有着重要意义,随着人工智能的发展,研究人员逐渐尝试将光学器件传输信号与深度学习相结合。然而,光学器件传输信号不易大量采集,且大多是有噪声的,这就导致了传统人工神经网络(ANN)在完成识别任务时没有取得很理想的结果。近年来,有研究指出脉冲神经网络(SNN)可以在小样本有噪声问题的研究中超越ANN,所以考虑将SNN应用于光学器件传输信号的研究中。本文的主要研究内容如下:1、针对光学器件传输信号不易大量采集,且大多是有噪声的这一特点,我们将光学器件传输信号视为“小样本有噪声”问题进行研究。所以我们首先基于公共数据集验证了SNN更适用于研究小样本有噪声问题,进而说明了基于深度脉冲神经网络研究光学器件传输信号识别的可行性。2、针对SNN大多还局限于浅层结构,识别准确率较低这一问题,我们通过在全连接SNN的基础上加入残差结构和ECA-Net两个模块,构建了一种脉冲残差注意力网络(RASNN)。然后在我们建立的一维光子晶体传输信号数据集上进行了对比实验,证明了提出的RASNN可以取得更好的识别效果。最后,我们还基于MIT-BIH心律失常数据集,与现有研究常用的ANN进行了对比实验,证明了RASNN还可以为其他不易大量采集的一维信号的识别问题提供一个健壮的解决方案。3、建立超表面传输信号数据集,并通过在全连接SNN的基础上加入时间卷积模块和残差结构两个模块构建了一个时间卷积脉冲神经网络(TCSNN)。然后基于超表面传输信号数据集进行对比实验,评估网络性能。最后,分别在一维光子晶体传输信号数据集和超表面传输信号数据集上,对比RASNN和TCSNN的识别效果,结果表明,提出的两个深度脉冲神经网络模型的识别效果相当,都可以准确高效地对光学器件传输信号进行识别。
基于卷积神经网络的交通标志检测技术研究
这是一篇关于交通标志检测,卷积神经网络,Anchor-Free,残差结构,多尺度特征融合,深度监督的论文, 主要内容为交通标志检测是先进驾驶辅助系统的一项重要功能,可以协助驾驶员遵守交通规则,保障安全驾驶。当前先进的交通标志检测器大多采用Anchor-Based网络模型,根据锚框遍历所有潜在的目标位置,能够获得较高的召回率。但是对锚框的计算引进了较大的计算开销,同时,锚框超参数的设置对目标检测性能有较大影响。为了减少锚框带来的计算开销和过多的超参数设置,本论文在编码-解码结构的基础上,结合Anchor-Free检测模型做出了一系列改进。本论文的主要贡献有以下两个方面:第一、针对当前解码模块设计较简单,难以在特征通道变化和空间分辨率提高的过程中获得较好的特征表征能力问题,在解码模块中引入残差增强分支,以残差的方式将增强的通道和空间信息作为解码模块的补充,提升最终解码子网络输出热图质量,并针对使用单一尺度特征图难以充分保留图像细节信息的缺点,在编码子网络和解码子网络之间引入了多尺度特征融合子网络,利用主干网络产生的多尺度特征信息,在经过进一步的特征提取减少背景信息干扰后,将多尺度特征信息融合,作为解码子网络的增强,进一步提高模型的检测性能;第二、针对多尺度特征融合子网络中特征提取模块引进较高参数量和计算开销问题,采用轻量级卷积模块替代原始卷积模块,以减少运算量,为了减少直接利用具有较大语义差距的多级特征信息对模型的影响,引入深度监督机制对多尺度特征融合子网络的多级输出进行监督,提高模型对多尺度交通标志实例的检测性能。本论文算法在Tsinghua-Tencent 100K数据集上训练与验证,模型在以Res Net-50为主干网络时,实现了93.7%的召回率和90.3%的精确率,参数量和FLOPs分别为34.1M和571.2B,在以Res Net-18为主干网络时,实现了92.6%的召回率和90.3%的精确率,参数量和FLOPs分别为16.1M和320.1B。与主流检测算法相比,本论文算法的检测精度较高,计算开销较低,在综合性能上具有优越性。
基于深度学习的新冠肺炎CT图像分割
这是一篇关于新冠肺炎,U-Net,医学图像分割,残差结构,注意力机制,生成对抗网络的论文, 主要内容为新冠肺炎是一种传染性极强的病毒性疾病,感染后可能对患者肺部造成损害,临床上使用计算机断层扫描技术对患者的肺部进行扫描,放射科医生可通过CT影像判断患者的患病程度,但实际上需要有经验的放射科医生才能准确的分析医学图像,因此,研究出能够自动化对医学图像病灶区域分割的方法极其必要。随着深度学习技术的不断发展,已经有许多学者在U-Net网络的基础上对医学图像分割任务进行了研究。本文针对新冠肺炎CT影像病灶区域小、形状结构差异大和噪声干扰严重等问题,提出一种基于编解码结构的PRAUNet医学图像分割方法,还针对新冠肺炎CT影像数据量少的问题,使用生成对抗网络对数据集进行了扩充,进一步展现PRAU-Net网络的分割性能。本文主要研究内容如下:(1)以编码解码结构为基础,U-Net为基本网络结构,提出了残差注意力U-Net(RAU-Net)网络模型。本模型结合了残差结构和注意力机制,利用残差结构的优点增加了网络深度,通过残差结构和通道注意力组成的残差注意力卷积块(RACB)提升了网络的特征提取能力,设计的全局注意力模块(GAM)能够提取更关键的特征信息,还研究了不同深度的残差结构对分割性能的影响。与U-Net网络相比,Dice最高提升了3.21%。(2)针对深层网络的特征丢失问题,借鉴Inception网络并行卷积分路的设计结构,提出了一种基于注意力机制的残差Inception(RIA)卷积模块。在分割病灶边缘区域效果不理想的问题上,结合空洞卷积设计了更复杂的多尺度跳跃连接(MSC)模块,最后提出了并行残差注意力U-Net(PRAU-Net)网络模型。本模型在三个公开的数据集上与U-Net及其它经典方法进行了比较,实验结果表明,本模型相较于对比方法有更好的分割性能。(3)针对新冠肺炎图像数据集样本少的问题,对现有Segmentation dataset nr.2数据集进行了数据增强。利用深度卷积生成对抗网络(DCGAN)和循环生成对抗网络(Cycle GAN)生成新冠肺炎CT图像。通过在U-Net、PRAU-Net等网络中引入半监督分割框架,验证了其在扩充数据集上的有效性。实验结果表明,扩充训练集显著提升了PRAU-Net的分割性能。
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：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54331.html
