全卷积网络

摘要： 针对高分辨率遥感影像复杂地物分类的问题,提出了人工特征工程与深度神经网络相结合的地物分类方法。通过纹理与结构等人工设计特征提取构建多尺度特征图,采用特征图和原始图像合并构建的高维图集合作为网络输入,最大程度地丰富了输入信息量,同时增强了纹理、尺度等有利特征在网络训练过程中的主导作用。根据全卷积网络端到端的像素级分类思想,借鉴并改进DeepLab v3网络的结构设计,实现了一站式的遥感地物分类。实验结果表明,相对于采用原始图像直接作为网络输入,多尺度特征图与原始图结合的方法可以有效地凸显地物中纹理与结构的描述能力,较好地提升地物分类准确度;同时相对于传统神经网络进行图片分类的方法,设计的基于多尺度特征图集合的方法在遥感地物分类任务中具有更好的抗干扰性与准确性。

摘要： 针对现有姿态估计方法在驾驶室复杂环境条件下发生的非目标误检测和检测精度低的问题,提出了一种基于双流全卷积网络的驾驶员姿态估计方法.该方法通过建立2条独立的FCN(fully convolutional network)分支,分别对关键点坐标及关键点间的连接信息进行预测,同时在2个分支中构建沙漏状的网络结构,增强了网络提取关键信息的能力.为了进一步提高模型的特征提取能力,将浅层与深层网络得到的特征图进行融合.为了验证所提方法的检测效果,采用COCO(common objects in context)数据集和DDS(driver′s driving situation)数据集进行验证.试验结果表明:该方法在COCO数据集和DDS数据集上的检测平均精度分别达到64.5%和78.4%,优于其他3种对比算法;该方法可以提高驾驶员人体姿态的检测精度,具有较好的鲁棒性.

摘要： 马匹烙印号提取是鉴定工作不可缺少的环节。针对传统的鉴定工作需人工进行标记,且存在工作量大、效率低、人工成本较高等问题,采用了Mask R-CNN算法对马匹烙印号进行分割提取。通过Labelme标注出马匹躯干及烙印号制作数据集标签,结合主干网络(ResNet-101-FPN)进行特征提取,区域建议网络(RPN)生成感兴趣区域,采用ROI-Align层,将感兴趣区域(ROI)的特征池化为固定尺寸的特征图。由检测分支进行目标框的分类和回归,实现图像背景与特征区域的分割。实验结果表明,使用实例分割算法检测马匹烙印号的准确率达到0.998,分割的平均精度(Average Precision,AP)是0.944,在准确检测的同时实现了像素级的马匹躯干及烙印号信息分割,可为马匹鉴定工作提供便利。

摘要： 边缘检测是在图像中准确地提取视觉上显著的边缘像素,以得到图像的边缘信息,然而传统基于全卷积网络的边缘检测方法通常存在预测边缘粗糙、模糊等问题。提出一种语义信息指导的精细化边缘检测方法。通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络,同时利用图像语义信息指导边缘检测子网络,其引入具有注意力机制与残差结构的特征融合模块,以生成精细的图像边缘,增强不同尺度的特征融合。在此基础上,结合图像分割任务和图像边缘检测任务中的代价函数定义新的模型代价函数并进行训练,进一步提高网络边缘检测质量。在BSDS500数据集上的实验结果验证了该方法的有效性,结果表明,该方法的固定轮廓阈值与图像最佳阈值分别达到0.818和0.841,相比HED、RCF等主流边缘检测方法,能够预测更精细的边缘图像,且鲁棒性更优。

摘要： 自然场景图像质量易受光照及采集设备的影响,且其背景复杂,图像中文字颜色、尺度、排列方向多变,因此,自然场景文字检测具有很大的挑战性.本文提出一种基于全卷积网络的端对端文字检测器,集中精力在网络结构和损失函数的设计,通过设计感受野模块并引入Focalloss、GIoUloss进行像素点分类和文字包围框回归,从而获得更加稳定且准确的多方向文字检测器.实验结果表明本文方法与现有先进方法相比,无论是在多方向场景文字数据集还是水平场景文字数据集均取得了具有可比性的成绩.

摘要： 由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar,SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks,R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks,Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。

摘要： 在光伏发电越来越成熟的当下,光伏组件的维护也成为了一大难题.为避免环境影响下产生的光伏热斑损害光伏板,从而导致发电效率下降,以及当前的检测手段中小型热斑经常被漏检的情况,结合无人机检测清理时对速度和准确性的需要,针对传统的两级检测方法,搭建了基于ResNet(Residual Network)残差网络的全卷积网络模型,并进一步使用灰度化、滤波及边缘梯度拟合等方法对模型评估条件进行改进,实现对光伏板上热斑的准确定位.实验结果表明,改进后的全卷积网络模型对小型光伏热斑同样有着很好的检测效果,检测时间减少了60%.该模型的应用不但满足了光伏检测中对于实时性的要求,而且成本较低、移植性较强,可以适用于绝大部分场景,大大降低了对环境和光伏组件工作状态的要求.

摘要： 将要建立多层卷积网络模型,并使用AlexNet预训练模型,在此基础上进行迁移学习,使用kaggle的猫狗数据集进一步训练,模型最终能高灵活度、高准确率的识别猫狗图像,并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数,一共包含8个卷积层,其中某些卷积层带有归一化层和池化层,最后一层是具有两个通道的图像输出,每个通道的值分别代表图像为猫和狗的概率。整个网络模型,弃用全连接层,选用全卷积网络来代替全连接层,大大提高网络的灵活性,解决了输入图像分辨率的限制问题,并且全卷积网络的前向传播更加高效,加快了训练的速度。为了方便分析以及进一步的研究,将可视化一层卷积和二层卷积所得到的卷积核和特征图。

摘要： 介绍了基于DenseNet全卷积编码器-解码器网络的储层数值模拟器替代模型。考虑了多种影响因素的输入,使得代理模型更加符合物理规律,在实验中对输出场的预测取得了很好的效果。实现以静态储层性质和动态储层性质等各种储层参数作为输入特征,输出不同时期的含水饱和度分布。

摘要： 在频分双工(FDD)大规模多输入多输出(MIMO)系统中,为了确保通信质量,用户设备(UE)需要将信道状态信息(CSI)反馈给基站(BS)。随着天线数量的增加,CSI反馈开销急剧增加,使得BS获得准确CSI变得困难。为了降低反馈开销,提高反馈质量,采用深度学习(DL)方法,提出一种基于全卷积网络的信道反馈网络MCMTNet,该网络由三部分构成。卷积神经网络(CNN)将CSI压缩。转置CNN和精细密集连接网络分别进行初始恢复和最终恢复。仿真结果表明:提出的MCMTNet的性能优于传统压缩感知方法和现有基于深度学习的网络CsiNet,MCMTNet可以处理任意维数的信道数据,且训练参数更少,复杂度更低。

摘要： 为了解决复杂场景下手势识别的问题,将基于区域的全卷积网络(R-FCN)用于手势识别.为了使网络适应复杂场景,利用在线难例挖掘技术对手势识别过程中产生的难例进行在线学习,并结合手的特征对网络参数进行优化调节.实验结果表明:基于R-FCN的手势识别方法能准确地从复杂场景中识别手势,识别率达到99.73％.

摘要： 本发明公开了一种图卷积网络系统和基于图卷积网络系统的3D物体检测方法。所述系统包括：形状语义提取模块，用于建模图像的点云特征中点的几何位置；多层感知器，与形状语义提取模块连接，用于利用多层图卷积神经网络提取多级语义特征，并使用注意力机制来过滤多级语义特征；提案生成器，与多层感知器连接，用于汇总多级语义特征，加权生成初级提案；提案推理模块，与提案生成器连接，用于利用全局语义特征和初级提案预测图像中物体的3D边界框和语义类别。本发明有效增益整个图卷积网络系统的检测性能，提高了3D物体检测的精度，使得深度网络的可解释性更强。

摘要： 本公开提供了基于时序卷积网络与图卷积网络的疾病病例数预测方法及系统，利用各个地区之间的人员移动性数据来生成地区关系图，并将病例数据和移动性数据共同作为图节点的特征；对于每个时刻的图序列，在每个时间步长上使用多个GCN模块处理空间信息，对每个时刻所有节点的邻域信息进行聚合处理来获得空间表示；将得到的这些特征输入TCN模块中，对节点的时间序列特征进行处理；将通过TCN模块得到的特征表示与初始特征共同输入到输出层，得到预测结果。

摘要： 本发明公开了一种图卷积网络系统和基于图卷积网络系统的3D物体检测方法。所述系统包括：形状语义提取模块，用于建模图像的点云特征中点的几何位置；多层感知器，与形状语义提取模块连接，用于利用多层图卷积神经网络提取多级语义特征，并使用注意力机制来过滤多级语义特征；提案生成器，与多层感知器连接，用于汇总多级语义特征，加权生成初级提案；提案推理模块，与提案生成器连接，用于利用全局语义特征和初级提案预测图像中物体的3D边界框和语义类别。本发明有效增益整个图卷积网络系统的检测性能，提高了3D物体检测的精度，使得深度网络的可解释性更强。

摘要： 本发明公开了一种基于全卷积网络和条件对抗网络的视频前景检测方法，综合考虑了视频中的空间和时间特性，其步骤包括：1、获取具有前景标注的视频集，并预处理；2、建立基于全卷积网络静态检测网络，取视频中的单帧图片作为输入，以监督的方式训练静态检测网络，使其生成静态检测结果；3、建立基于条件生成对抗网络动态对抗网络，结合静态检测结果及其临近帧作为输入，以对抗学习的形式训练动态对抗网络的生成器和判别器，使生成器可以生成精确的检测结果；4、利用训练好的模型在CDnet2014公开数据集上进行测试实验。本发明通过对视频中的静态信息和动态信息的联合提取，完成对复杂视频场景中前景目标的精确检测。

摘要： 本发明公开了一种基于全卷积网络与实例分割网络的电力铭牌文本检测方法，属于计算机视觉与模式识别技术领域。首先利用基于VGG16网络的卷积层对电力铭牌图像进行文本/非文本预测提取和不同实例之间的链接预测的提取；然后利用实例分割网络对目标图像进行分割并输出电力铭牌相应的热力图表示，同时利用全卷积网络对目标图像进行语义分割，获得边缘较为准确的实例热力图，接着将两个网络所得的热力图进行融合得到目标热力图；最后基于所得目标热力图生成文本边界框，得到电力铭牌文本检测的最终结果。本发明提出的关于电力铭牌的文本检测方法，不管是从主观视觉还是从客观评价指标上，检测效果和准确率明显优于其他的传统方法。

摘要： 本发明公开了一种基于全卷积网络和条件对抗网络的视频前景检测方法，综合考虑了视频中的空间和时间特性，其步骤包括：1、获取具有前景标注的视频集，并预处理；2、建立基于全卷积网络静态检测网络，取视频中的单帧图片作为输入，以监督的方式训练静态检测网络，使其生成静态检测结果；3、建立基于条件生成对抗网络动态对抗网络，结合静态检测结果及其临近帧作为输入，以对抗学习的形式训练动态对抗网络的生成器和判别器，使生成器可以生成精确的检测结果；4、利用训练好的模型在CDnet2014公开数据集上进行测试实验。本发明通过对视频中的静态信息和动态信息的联合提取，完成对复杂视频场景中前景目标的精确检测。

摘要： 本发明公开了一种基于对称式密集连接全卷积网络的云图分割网络及其方法，首先利用对称式密集连接全卷积网络的对称式密集卷积网络层对云图的深层与浅层特征进行特融合，然后对称式密集连接全卷积网络的全卷积层利用融合后的特征信息将云图分为云与非云区域。本发明比传统卫星云图分割方法准确率更高、鲁棒性更强、无需对云图进行复杂的特征工程，并且相同硬件条件下样本测试时间也比大多数方法快很多。

摘要： 本发明中提出的一种基于全卷积网络和条件生成对抗网络的图像合成方法，其内容主要包括：预处理数据、训练全卷积网络(FCN)、计算损失权重、训练条件生成对抗网络(cGAN)，其过程为，先输入预处理数据，包括源计算机断层扫描(CT)图像和目标正电子发射断层扫描(PET)图像，设置图像尺寸；然后将FCN中的层转化成卷积并删除分类层，附加通道维度卷积，生成类PET的图像；接着计算损失权重判断类PET图像的质量；再将源CT图像和类PET图像输入到cGAN，使用cGAN改进和细化FCN输出，直至生成PET图像。本发明扩展了数据集，避免了图像混合步骤，避免了使用手工标记和标注医疗数据，节约时间并提高系统性能。

摘要： 本发明公开了一种基于改进的多尺度全卷积网络语义分割方法，该发明在语义分割图片时具有通用性，主要是针对复杂场景图片的语义分割。该专利以类别数目较多的PASCAL Context数据集为例，针对类别较多的情况，将VGG19网络中的全连接层改为卷积层使网络变为具有语义分割代表性的编码器‑解码器结构。加入跳跃结构来提取网路不同层级的特征，加入残差网络解决网络深度导致的梯度消失和爆炸问题，加入并改进了ASPP空洞空间池化金字塔来进行多尺度语义信息提取与融合。在上采样时采用反卷积的方法来提高解码器恢复的性能。基于改进的多尺度全卷积网络语义分割算法模型能够精准的进行图像语义信息的提取，在类别较多的复杂场景下也能够取得较好的识别效果。

摘要： 本发明涉及一种基于多注意力U‑Net全卷积网络的视网膜图像视盘提取方法，包括以下步骤：步骤S1:获取原始彩色视网膜图像，并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取；步骤S2:根据提取的感兴趣区域图像，采用RGB通道分离，并对分离后的红色通道图像进行直方图均衡化和标准化处理；步骤S3:将红色通道图像，直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像；步骤S4:基于多注意力U‑Net全卷积网络，构建并训练视网膜图像视盘分割模型；步骤S5将将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割。本发明实现了视网膜图像视盘的高精度提取分割。