- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
联合损失训练的卷积神经网络用于高光谱图像分类
摘要： 本信提出了一种基于卷积神经网络的高光谱图像分类方法，该方法通过重建损失函数和判别损失函数联合训练。网络中采用小尺寸卷积核与池化算子级联实现特征抽象，并构建了由反卷积算子和反池化算子组成的解码通道。解码通道执行的非监督重建不仅为网络训练引入先验信息，还通过控制门增强所提取特征的判别能力。实验表明，该方法性能优于当前最先进的基于神经网络的分类方法。
关键词： 控制门、无监督重建、卷积神经网络（CNN）、联合损失（JL）、高光谱图像（HSI）分类
更新于2025-09-10 09:29:36
-
利用光分离和卷积神经网络对葡萄浆果表皮蜡质进行自动表型分析
摘要： 果皮蜡质是葡萄浆果表皮的外层结构，已知其与抗灰霉病穗腐病的特性显著相关。传统上通过OIV描述符227（果粉）进行分类，这种方法耗时且会产生主观性强、易出错的表型数据。本研究开发了一种客观、快速、基于传感器的果皮蜡质监测方法。从技术角度看，不同光照分量的测量能传递被测物体表面的重要信息。我们提出"光分离实验室"方案，通过采集葡萄浆果的分光图像来表型分析果皮蜡质（果粉）的分布特征。采用高效的卷积神经网络进行图像分析，推导浆果蜡质的均匀度和完整性。经六个葡萄品种验证，该方法准确率达97.3%。此外，果皮及其蜡质的电阻抗（作为浆果表皮厚度和渗透性的指标）与检测到的蜡质比例呈r=0.76的相关性。这种新型快速无损的表型分析方法，有助于扩大葡萄育种材料和基因库中关于果粉特性及其对灰霉病穗腐病抗性的筛选范围。
关键词： 灰葡萄孢菌，浆果粉霜，卷积神经网络（CNN），欧亚葡萄，直接光照与全局光照
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 面向红外小目标检测的卷积神经网络改进方法
摘要： 由于信噪比低和空间分辨率有限，红外图像中的小目标检测是一项具有挑战性的任务。现有方法在红外小目标淹没于背景杂波时往往存在虚警率高、探测概率低的问题。本文采用卷积神经网络（CNN）提取红外图像中小目标的隐藏特征，并提出一种大量训练数据生成技术。利用点扩散函数（PSF）对小目标数据进行建模并生成正样本，随机选取背景图像块作为负样本。通过这种方式，巧妙地将探测问题转化为使用CNN的模式分类问题。为评估这一新型小目标检测框架的性能，我们测试了大量合成与真实小目标数据。实验结果表明，该算法简单有效，具有令人满意的探测精度。
关键词： 红外图像（IR）、卷积神经网络（CNN）、点扩散函数（PSF）、小目标检测
更新于2025-09-10 09:29:36
-
[计算机科学讲义] 智能科学与大数据工程 第11266卷（第八届国际会议，IScIDE 2018，中国兰州，2018年8月18-19日，修订精选论文集）|| 基于卷积神经网络（CNN）的红外-可见光图像融合
摘要： 图像融合是将同一场景的多幅图像合成为一幅单图的过程，旨在保留全部内容信息并维持原始图像中的重要特征。本文提出一种基于卷积神经网络（CNN）与显著性检测的新型图像融合方法。我们采用专为红外-可见光图像融合优化的CNN网络所提取的图像表征。由于网络底层能捕捉原始图像的精确数值，而高层能获取输入图像中物体及其布局等高层内容，我们在融合时更多利用可见光的低层特征与红外的高层特征。融合过程中通过显著性检测方法有效突出红外图像的目标，仅融合其显著信息。该方法旨在最大限度保留可见光的丰富细节信息，同时保持红外图像的显著信息。实验结果表明该融合方法具有良好前景。
关键词： 图像融合、显著性检测、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
基于卷积神经网络的虹膜识别特征提取
摘要： 虹膜是一种可靠的人体识别强大工具，具有高度确信地识别个体的潜力。提取优质特征是虹膜识别系统中最关键的步骤。过去，人们采用不同特征来实现虹膜识别系统，其中大多数依赖于生物识别专家设计的手工特征。由于深度学习在计算机视觉问题中的成功应用，卷积神经网络（CNN）学习到的特征在虹膜识别系统中的应用备受关注。本文评估了从预训练卷积神经网络（Alex-Net模型）提取的学习特征，随后结合多类支持向量机（SVM）算法进行分类。我们研究了从分割虹膜图像和标准化虹膜图像中提取特征时所提系统的性能。该虹膜识别系统在四个公开数据集（IITD、CASIA-Iris-V1、CASIA-Iris-thousand和CASIA-Iris-V3 Interval虹膜数据库）上进行了测试，取得了以极高准确率呈现的卓越效果。
关键词： 虹膜、识别、特征提?。‵E）、卷积神经网络（CNN）、深度学习、生物识别技术
更新于2025-09-10 09:29:36
-
[2018年IEEE第20届电子健康网络、应用与服务国际会议（Healthcom） - 捷克共和国奥斯特拉瓦（2018.9.17-2018.9.20）] 2018年IEEE第20届电子健康网络、应用与服务国际会议（Healthcom） - 基于深度学习的视网膜内层自动提取方法用于视网膜异常分析
摘要： 从光学相干断层扫描（OCT）图像中提取视网膜各层结构对分析视网膜病变至关重要，而人工分割这些视网膜层是一项极其繁琐的工作。近年来，深度学习因其固有的精确性和鲁棒性，在医学图像分析领域广受关注。许多研究者已运用深度学习技术从OCT图像中提取视网膜层。但据我们所知，目前尚无文献提出能针对不同视网膜病理综合征的OCT扫描实现稳健分割的框架。因此，本文提出一种基于深度卷积神经网络与结构张量（CNN-STSF）的全自动分割框架，可对正常及病变OCT扫描中的多达八层视网膜结构进行分割。该框架首先通过候选扫描计算相干张量来提取视网膜层，随后利用基于云端的深度卷积神经网络模型（该模型采用1200个视网膜层图像块训练）对代表各层的像素进行分类?？蚣苤械腃NN模型计算每层像素的概率，并将其归类至概率最高的对应层。通过在超过39,000例来自公开数据集及本地武装部队眼科研究所（AFIO）的OCT扫描数据进行测试验证，该框架以0.9375的整体分层分割准确率超越了所有现有解决方案。
关键词： 迁移学习、卷积神经网络（CNN）、深度学习、AlexNet
更新于2025-09-10 09:29:36
-
[IEEE 2018状态监测与诊断会议(CMD) - 澳大利亚珀斯(2018.9.23-2018.9.26)] 2018年状态监测与诊断会议(CMD) - 基于一维卷积神经网络的局部放电图像模式识别
摘要： 如今大数据平台和中心无处不在，现场会积累大量非结构化数据。针对结构化数据，局部放电模式识别方法已有广泛研究，但传统方法无法直接应用于非结构化数据。为此，本文提出一种基于一维卷积神经网络（CNN）的时域波形模式识别方法。运用图像处理技术提取波形的一维特征，基于深度学习直接构建模式识别网络。通过现场检测与仿真实验，建立了五种局部放电缺陷的图像数据集并进行对比实验。结果表明：该方法能成功实现模式识别，可应用于数据挖掘与数据利用工作；在相同复杂度下，其准确率较二维CNN更高；此外，该方法无需人工提取即可自主外推特征，同时实现了低实验复杂度与强鲁棒性。
关键词： 模式识别、图像、局部放电、卷积神经网络（CNN）
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于卷积神经网络的SAR图像特征学习
摘要： 卷积神经网络（CNN）因其强大的特征学习能力被广泛应用于多个研究领域。本文通过构建一种新型卷积网络（ConvNet）用于合成孔径雷达（SAR）图像处理，探究了CNN的特征学习优势。该网络首先在分类任务中进行训练，从而能从训练数据中自动学习有效特征。具体而言，采用数据增强方法来解决SAR图像的小样本问题。训练完成后，该ConvNet可直接用于其他图像（即使其类别未参与训练）的特征提取?；糓STAR数据集的实验结果表明，该ConvNet能有效实现SAR图像分类，且其学习到的特征比传统人工设计特征在SAR图像处理中更具优势。
关键词： 合成孔径雷达（SAR）、特征学习、卷积神经网络（CNN）、特征提取、分类
更新于2025-09-09 09:28:46
-
基于深度卷积神经网络的高光谱图像分类数据增强方法
摘要： 卷积神经网络（CNN）已广泛应用于高光谱图像（HSI）分类。实践证明，在训练数据量较小时，数据增强技术具有显著效果。本文通过大量对比实验研究了常见数据增强方法，发现这些常规方法仅能产生有限且存在上限的性能提升。为解决该问题，本研究提出一种名为像素块对（PBP）的新型数据增强方法，可大幅增加训练样本数量。该方法利用深度CNN提取PBP特征，并采用决策融合技术进行最终标签分配。实验结果表明，本方法性能优于现有方案。
关键词： 模式分类，卷积神经网络（CNN），高光谱影像（HSI），数据增强
更新于2025-09-09 09:28:46
-
基于CRF嵌入的自监督特征学习用于高光谱图像分类
摘要： 高光谱图像（HSI）分类的挑战在于存在噪声光谱信息以及像素间缺乏上下文信息。考虑到高光谱图像中亚像素、像素和超像素这三个不同层次能提供互补信息，我们开发了一种新型高光谱图像特征学习网络（HSINet），通过自监督方式为高光谱图像分类学习一致性特征。HSINet包含一个三层深度神经网络和一个多特征卷积神经网络，可自动提取空间、光谱、颜色、边界等特征及上下文信息。为通过似然最大化提升自监督特征学习的性能，我们将条件随机场（CRF）框架嵌入HSINet。CRF中的一元、成对和高阶势项分别由对应的亚像素、像素和超像素构建。此外，这些项产生的反馈信息也被融合到不同层次的特征学习过程中，使得HSINet-CRF成为一个可通过反向传播算法训练的端到端深度学习模型。我们在三个广泛使用的高光谱数据集上进行了综合评估，结果表明本方法优于现有最先进技术。
关键词： 自监督学习、特征学习、卷积神经网络（CNN）、条件随机场（CRF）、高光谱图像（HSI）分类
更新于2025-09-09 09:28:46