空洞卷积

摘要： 为了提高手势识别过程中识别率,提出了一种基于双通道卷积神经网络(CNN)的识别算法。首先,对原始手势图像进行预处理,得到手部边缘图像;然后,分别选取手势图像和手部边缘图像作为CNN的两个输入通道;最后,在全连接层进行特征融合,并用SoftMax分类器对输出结果进行分类。通过实验证明:该算法能有效提高手势识别率,达到99.6%,增强了CNN的泛化能力。

摘要： 目的:解决烟叶分级准确率不高的问题。方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky;elu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片加以测试。结果:试验改进算法分级准确率达95.89%,与传统SVM算法相比提高了10.46%,与经典VGG16算法相比提高了7.87%,损失率最终收敛于0.13。结论:与原始模型和传统特征提取的方式相比,试验算法在烟叶分级准确率性能上有所提高。

摘要： 矿物光谱综合反映了岩矿的物理化学特性、组分和内部结构特征,已被应用于岩矿识别研究。传统的矿物光谱分类方法需要先对矿物光谱进行预处理,再采用不同方法分析光谱特征,从而实现分类目的。但同时也会造成部分光谱信息丢失,导致最终分类精度不高且操作过程繁琐、效率低下,难以应对日益增长的大数据处理需求。因此,建立一个准确、高效的矿物光谱自动分类模型意义重大。卷积神经网络是应用最广泛的深度学习模型之一,它通过逐层抽取数据特征并组合形成高层语义信息,具有极强的模型表达能力,在光谱数据分析方面应用潜力巨大。针对矿物光谱数据的特点,提出了基于一维空洞卷积神经网络(1D-DCNN)的矿物光谱分类方法,利用空洞卷积神经网络提取光谱特征,采用反向传播算法结合随机梯度下降优化器调整模型参数,输出光谱分类结果,实现了矿物类别的端到端检测。该网络包含1个输入层、3个空洞卷积层、2个池化层、2个全连接层和1个输出层,采用交叉熵为损失函数,引入空洞卷积扩大滤波器感受野,有效避免光谱细节特征丢失。实验采集了白云母、白云石、方解石、高岭石四种矿物光谱,并通过添加噪声的方式进行数据增强,构建数量充足的矿物光谱样本用于神经网络模型训练与测试;探讨了卷积类型、迭代次数对模型分类结果的影响,并与多种传统矿物光谱分类方法进行对比,评价模型性能。实验结果表明,提出的1D-DCNN模型可实现矿物光谱快速准确分类,分类准确率达到99.32%,优于反向传播算法(BP)和支持向量机(SVM),说明所提方法能够充分学习矿物光谱特征并有效分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到煤炭、油气、月壤等其他领域光谱分类应用中。

摘要： 混凝土路面的裂缝检测是确保道路安全的重要基础任务。针对混凝土路面的复杂背景和裂缝本身复杂的拓扑结构,提出了一种基于空洞卷积和多特征融合的混凝土路面裂缝检测网络,该网络采用基于U-Net的编码-解码结构。在编码阶段,使用改进的残差网络Res2Net提高特征提取能力;在网络的中间部分,使用串联和并联相结合的不同空洞率的空洞卷积,从而在增加特征点的感受野的同时不会降低特征图的分辨率;在解码阶段,融合了从低层卷积到高层卷积的多尺度和多级特征,提高了裂缝检测的准确性。为证明所提算法的有效性和准确性,将其与现有的部分检测方法进行了比较并使用F-score来评估检测性能。在多个混凝土路面数据集上的实验结果表明,该算法提高了裂缝检测的准确性,具有较好的鲁棒性。

摘要： 由于结直肠息肉的大小、颜色和质地各异,且息肉与周围粘膜的边界不清晰,导致息肉分割存在较大挑战。为提高结直肠息肉的分割准确率,本文提出了一种改进的DoubleUNet网络分割算法。该算法首先对息肉图像进行去反光处理,并通过数据扩增方法将训练数据集进行扩大;接着,在DoubleUNet网络的解码器部分引入注意力机制,并将网络中的空洞空间卷积池化金字塔(ASPP)模块替换为密集连接空洞空间卷积池化金字塔(DenseASPP)模块,以提高网络提取特征的能力;最后,为提高小目标的分割精度,提出利用Focal Tversky Loss函数作为本算法的损失函数。该算法在Kvasir-SEG、CVC-ClinicDB、ETIS-Larib、ISIC和DSB数据集测试中的准确率分别为0.9530、0.9642、0.8157、0.9503和0.9641,而DoubleUNet算法在上述数据集的准确率分别为0.9394、0.9592、0.8007、0.9459和0.9496。实验结果表明本文算法相对于DoubleUNet算法具有更好的分割效果,可以有效的辅助医师切除结直肠异常组织从而降低息肉癌变的概率,且能够应用于其它医学图像分割任务中。

摘要： 滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性,以及滑坡目标区域检测识别效果不够理想的问题,提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上,将注意力机制模型添加到卷积神经网络层,通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取,增加空洞卷积模块来加大感受野区域,提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力,从而进一步提升滑坡目标区域的检测精度。实验结果表明,在传统的目标检测算法的基础上采用两者结合的方式进行检测,可提升滑坡遥感图像上目标检测的召回率和精确率,具有一定的有效性和鲁棒性。

摘要： 利用高分辨率遥感影像提取建筑物是目前研究热点之一,但由于建筑物颜色各异、形状大小不同、细节繁多,提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中,引入跳跃连接以减少边缘和转角的细节损失;采用新设计的卷积模块,使其扩大感受野的同时减少参数量;底层增加Dropout模块避免网络发生过拟合现象;遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算,然后合并为多波段张量输入模型(不转换为灰度图像)。为验证网络性能、明确性能提升的原因,本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验,结果表明E-Unet不仅精度评价结果优于Unet和Res-net,而且建筑物边角的细节被完整提取。第2组是消融试验,目的是明确预处理模块对提取精度的提升效果,结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。

摘要： 为了降低图像语义分割网络的模型复杂度,提出了分解多空洞深度卷积的轻量级图像语义分割模型。首先,针对大小不一的多目标,用感受野不同的金字塔结构提取图像语义特征,在深度卷积过程中对空洞卷积进行分解,以降低参数量和计算量;其次,对不同阶段得到的特征图进行融合,利用子像素卷积进行上采样,将提取的低分率图插入到最后输出的高分辨率特征图中,以改善图像语义分割的精准性;最后,在CamVid数据集上和现有的9种方法进行对比实验,结果表明,该方法参数量和计算量都相对较低,同时语义分割精准性得以提升。

摘要： 采用传统的语义分割网络对煤尘颗粒这种较小的目标进行分割时存在深层信息易丢失、细节提取不明显等问题。针对该问题,提出了一种基于改进DeepLabV3+的煤尘图像分割方法。从3个方面对DeepLabV3+网络模型进行改进:(1)在编码器中,用CA-MobileNetV3轻量化模块代替Xception实现特征提取,确保特征提取更加细致、准确。(2)在空洞空间卷积池化金字塔(ASPP)模块中对空洞率进行改进,使其更适合小颗粒煤尘提取。(3)在解码器中引入全局注意力上采样(GAU)模块,在计算量较小时对低层特征信息进行加权,用高层特征信息指导低层特征信息,实现特征融合。GAU模块用全局上采样机制代替解码器的上采样机制,使煤尘颗粒的特征信息经过长距离传输后不衰减,更加有利于捕捉煤尘颗粒的边缘细节信息。实验结果表明,改进DeepLabV3+网络模型在煤尘数据集上的召回率为90.26%,准确度为89.23%,相比于其他网络模型,改进DeepLabV3+对煤尘特征的学习能力更强,能获取更多细节信息,并大幅缩短训练时间,对小目标的分割效果更优。

摘要： 高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。

摘要： 近年来,基于RNN的模型架构在命名实体识别任务中被广泛采用,但其循环特性导致无法GPU的并行计算能力无法被充分利用.普通一维卷积虽可以并行处理输入文本,显著缩短模型训练时长,但为对长距离依赖获得良好的建模效果,处理长文本时往往需要堆叠多个卷积层,进而增加梯度消失的风险.针对以上问题,本文采用可通过参数调节感受野范围的空洞卷积,并引入了带有残差连接的门控机制,以强化有效信息、降低无效信息的影响,同时改善梯度消失问题;针对字向量表示能力有限的问题,本文还将字向量与其所属词的位置信息融合,以丰富文本特征.为验证本文所提出方法的有效性,在MSRA数据集以及Sina Resume数据集上进行了实验,F1值分别达到了92.97％与94.98％.与传统基于Bi-LSTM-CRF的命名实体识别模型相比,模型训练速度提升5～6倍,且表现优于一般的RNN架构.

摘要： 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型，同时实现目标检测和语义分割。通过安装在车辆上的前视相机系统拍摄道路环境视频图像；采用残差网络模型得到图像底层特征图；设计融合网络，包括目标检测和语义分割2个子模块，这2个模块共享底层特征图。其中，目标检测模块负责预测目标框与类别置信度，语义分割模块负责对每个类别进行像素级预测。对两个模块分别选取合适的损失函数，先交替训练使感知模型在两个模块都趋于收敛；最后使用联合损失函数同时训练两个模块，得到最终感知模型。本发明可以用较小的运算量同时完成目标检测和语义分割，并且感知模型使用目标检测的大量数据辅助语义分割模块学习图像分布规律。

摘要： 本发明公开了一种基于局部卷积和空洞卷积的高光谱图像分类方法，首先对原始高光谱遥感影像进行PCA预处理进行降维；接着，通过局部卷积和空洞卷积的融合运算，提取丰富的空间光谱信息；然后，将通过局部卷积通道和空洞卷积通道汇合后的数据，进行标准卷积、平均池、退出和批量规范化；最后，将不同的卷积层收集到残差融合网络中，最后输入到Softmax层进行分类。本发明不仅提取细节的高光谱局部信息，而且通过扩展感知场来提取丰富的高光谱空间信息。

摘要： 本发明公开了一种基于时空卷积循环神经网络与空洞卷积的视频目标分割方法，包括步骤一、建立编码器‑解码器网络结构，编码器的最顶层利用多个空洞率不同的卷积核，从多个尺寸对目标进行捕捉，以获得更精确的外观信息。在解码器阶段，每一个卷积循环神经网络单元将接收不同尺寸的特征图，并将上一帧该目标的分割结果、上一个卷积循环神经网络单元得到的特征图作为输入；步骤二、利用数据集对编码器‑解码器网络结构进行训练；步骤三、将待分割视频输入训练好的编码器‑解码器网络结构输出分割结果。本发明具有可靠的时空相关性，能提高目标分割准确性和分割速度。

摘要： 本发明公开了一种基于空洞卷积的超分辨率卷积神经网络的磁共振重建方法，包括：步骤一，选取MRI作为训练集；步骤二，特征提取，在对磁共振图像的特征进行捕捉，使用三个不同膨胀率的空洞卷积对输入图片进行卷积，将得到三类不同视野的特征图，同时也加入残差学习，将初始卷积层的输出直接与空洞卷积提取的结果结合，进一步提高网络的特征提取能力；步骤三，对步骤二提取的特征进行非线性映射。步骤四，将映射后的特征图进行重建。本发明提高了MRI超分辨率重建的性能，在实际应用中无需人工干预或多阶段计算，MR图像超分辨率重建中的有效性大大提高；在评价指标峰值信噪比和结构相似度方面性能有显着提升，图像的细节恢复也有所提升。

摘要： 本发明涉及基于门控空洞卷积和图卷积的方面级情感分析方法和系统，其方法包括：将待分析文本的句子中的上下文和方面词分别用词向量进行表示，分别得到上下文和方面词的嵌入；将得到的上下文和方面词的嵌入输入到门控空洞卷积神经网络中，得到融入方面信息的上下文表示；将所述融入方面信息的上下文表示输入到图卷积神经网络中，得到待分析文本的预测情感极性。本发明结合了门控空洞卷积网络和图卷积神经网络，有效地利用了文本语言信息，同时强调了方面信息在方面级情感分析的重要性，提高了方面级情感分析任务的准确性。

摘要： 本发明公开了一种基于时空卷积循环神经网络与空洞卷积的视频目标分割方法，包括步骤一、建立编码器‑解码器网络结构，编码器的最顶层利用多个空洞率不同的卷积核，从多个尺寸对目标进行捕捉，以获得更精确的外观信息。在解码器阶段，每一个卷积循环神经网络单元将接收不同尺寸的特征图，并将上一帧该目标的分割结果、上一个卷积循环神经网络单元得到的特征图作为输入；步骤二、利用数据集对编码器‑解码器网络结构进行训练；步骤三、将待分割视频输入训练好的编码器‑解码器网络结构输出分割结果。本发明具有可靠的时空相关性，能提高目标分割准确性和分割速度。

摘要： 本发明公开了一种基于局部卷积和空洞卷积的高光谱图像分类方法，首先对原始高光谱遥感影像进行PCA预处理进行降维；接着，通过局部卷积和空洞卷积的融合运算，提取丰富的空间光谱信息；然后，将通过局部卷积通道和空洞卷积通道汇合后的数据，进行标准卷积、平均池、退出和批量规范化；最后，将不同的卷积层收集到残差融合网络中，最后输入到Softmax层进行分类。本发明不仅提取细节的高光谱局部信息，而且通过扩展感知场来提取丰富的高光谱空间信息。

摘要： 本发明公开了一种基于深度卷积对抗网络模型的空洞卷积方法，属于深度学习神经网络领域，所述的空洞卷积方法包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造深度卷积神经网络作为生成器与判别器；S3、初始化随机噪声，输入生成器中；S4、在神经网络中利用空洞卷积对图像进行卷积操作；S5、将空洞卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于深度卷积对抗网络模型的空洞卷积方法，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够以更大的范围对图像的特征进行学习，从而能够提高整个网络训练模型的鲁棒性。

摘要： 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型，同时实现目标检测和语义分割。通过安装在车辆上的前视相机系统拍摄道路环境视频图像；采用残差网络模型得到图像底层特征图；设计融合网络，包括目标检测和语义分割2个子模块，这2个模块共享底层特征图。其中，目标检测模块负责预测目标框与类别置信度，语义分割模块负责对每个类别进行像素级预测。对两个模块分别选取合适的损失函数，先交替训练使感知模型在两个模块都趋于收敛；最后使用联合损失函数同时训练两个模块，得到最终感知模型。本发明可以用较小的运算量同时完成目标检测和语义分割，并且感知模型使用目标检测的大量数据辅助语义分割模块学习图像分布规律。

摘要： 本发明提供了一种基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统，通过复用依次卷积的低层特征提取网络，通过将低层的特征信息添加到高层信息中，低层信息和高层信息优劣互补，提高较多细节信息底层特征层的利用率，增强了网络对细胞的学习能力。