修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

287 条数据
?? 中文（中国） ▾

  • [IEEE 2018年国际神经网络联合会议（IJCNN）- 里约热内卢（2018.7.8-2018.7.13）] 2018年国际神经网络联合会议（IJCNN）- 基于卷积神经网络的红外图像甲状腺结节识别

    摘要： 早期发现甲状腺异?？山档图膊〗狗缦?。影像学检查是诊断过程中的重要工具，但多数检查费用较高或可能使患者暴露于过量辐射。热成像技术作为甲状腺疾病诊断（尤其是结节检测）的有趣替代方案，因其能捕捉部分温度高于正常组织的结节特征。通过图像处理技术可定位潜在甲状腺结节区域，而卷积神经网络（CNN）则用于筛选真正与结节相关的区域。CNN在临床图像分类中应用广泛，已有模型在此类问题中展现良好效果。本研究提出结合简易图像处理技术与CNN的热成像甲状腺结节识别方法，测试了三种CNN架构：基于GoogLeNet（最高准确率86.22%）、AlexNet（77.67%）和VGG（74.96%）的模型。

    关键词： 影像检查，卷积神经网络 - CNN，图像分类

    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 - 利用多波段紧凑纹理单元描述符与深度卷积神经网络提升遥感数据分类效果

    摘要： 本摘要提出一种通过多波段紧凑纹理单元（MBCTU）描述符和预训练卷积神经网络（CNN）特征提取器来增强高空间分辨率遥感影像分类的方法。该方法利用MBCTU通过多光谱邻域（而非单波段邻域）的相对像素值表征纹理，从而兼顾波段内与波段间的空间交互作用。将生成的新编码影像输入深度特征提取器（微调后的CNN），最终采用k近邻（KNN）算法对所得深度特征进行分类以生成分类图。该方法应用于高光谱与多光谱数据集的分类实验，结果表明相较于使用全光谱数据集的其他方法，本方案能获得更精确的分类结果。

    关键词： 高光谱、深度学习、k近邻分类器、多波段紧凑纹理单元、卷积神经网络

    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 - 采样方法对基于三维卷积神经网络的像素级高光谱图像分类的影响

    摘要： 监督图像分类是从遥感影像生成语义图的关键技术之一。由于采集训练样本存在固有的时间和成本投入，标注真实数据集的匮乏导致新分类器通常在单幅影像内进行训练与验证。针对此情况，主流方法采用随机采样策略将现有真实数据划分为互斥的训练集和测试集。本文探讨了该策略与光谱-空间及像素级分类器（如三维卷积神经网络3D CNN）结合使用时产生的问题：随机采样方案会导致独立性假设被违背，并产生从训练集中提取全局知识的假象。为此，本文提出两种基于密度聚类算法（DBSCAN）的改进采样策略，通过最小化训练/测试样本独立性假设的违背程度，确保对分类器泛化能力的真实评估。

    关键词： DBSCAN、聚类、采样策略、卷积神经网络（CNN）、深度学习、高光谱图像分类

    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 - 基于显著性定位回归网络的SAR图像飞机检测

    摘要： 本文提出了一种用于合成孔径雷达（SAR）图像中高分辨率?；呵蚍苫觳獾男驴蚣?，该框架结合了基于位置回归的卷积神经网络（CNN）框架的优势和SAR图像中目标的显著特征。具体而言，引入了一种基于恒定虚警率（CFAR）的目标预定位算法，与现有的区域提议方法相比，该算法能更准确地匹配SAR图像中目标的尺度。此外，为消除过拟合现象，我们探索了几种SAR数据增强策略，包括小范围平移、添加噪声和旋转。实验在TerraSAR-X卫星获取的分辨率为3.0米的数据集上进行。结果表明，所提出的检测框架能有效获得更准确的检测结果。

    关键词： 合成孔径雷达，数据增强，卷积神经网络，飞机检测

    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 - 基于生成对抗网络的遥感图像半监督目标检测

    摘要： 目标检测是计算机视觉中的一项具有挑战性的任务。目前许多检测网络在应用大规模训练数据集时能取得良好的检测效果，但标注足量训练数据往往耗时较长。针对这一问题，本文提出了一种基于半监督学习的方法。半监督学习利用少量标注数据和大量未标注数据来训练检测网络。本方法采用生成对抗网络从无标注数据中提取数据分布特征，并将这些信息用于提升检测网络性能。实验表明，相比仅使用少量标注数据的监督学习方法，本文方案能显著提升检测性能。结果表明，当训练数据集中仅标注少量目标对象时，仍可获得可接受的检测效果。

    关键词： 生成对抗网络（GAN）、卷积神经网络（CNN）、半监督学习、目标检测

    更新于2025-09-10 09:29:36

  • [IEEE 2018国际网络基础设施与数字内容会议(IC-NIDC) - 中国贵阳(2018.8.22-2018.8.24)] 2018年国际网络基础设施与数字内容会议(IC-NIDC) - 基于场景分类R-CNN的雾天遥感图像船舶检测

    摘要： 基于Faster R-CNN的船舶检测目标网络已展现出卓越性能。然而高分辨率卫星图像中复杂多变的天气条件暴露了这些网络的局限性。光学遥感图像中常见受雾气干扰的情况。本文基于这一观察开展研究：与SAR图像不同，光学传感器图像极易受天气（尤其是云雾）影响，导致无法获取准确目标信息，从而降低船舶检测精度。为此我们首先尝试将图像去雾方法引入目标检测网络以抑制云雾干扰；其次提出SC-R-CNN结构，通过场景分类网络(SCN)实现含雾图像分类，并与目标检测网络级联形成双流检测框架。此外，去雾方法与SC-R-CNN网络的结合产生了更优化的检测效果。我们使用包含多种天气条件的遥感图像数据集验证了所提方法的有效性与准确性。

    关键词： 遥感、图像处理、去雾、目标检测、卷积神经网络、深度学习

    更新于2025-09-10 09:29:36

  • [2018年IEEE第22届智能工程系统国际会议(INES) - 西班牙大加那利岛拉斯帕尔马斯 (2018.6.21-2018.6.23)] 2018年IEEE第22届智能工程系统国际会议(INES) - 图像分类中不同深度学习方法的比较

    摘要： 本文展示了如何解决一个典型的图像分类问题。图像分类的目标是将输入图像正确归类到预期的类别/标签中。我们重点研究将动物图像分为哺乳动物或鸟类两大类别。使用标准机器学习算法解决这类分类问题并非易事，主要原因是这些算法依赖于预先提取的分类特征——这些特征通常需要研究人员手动设定。例如定义鸟喙形态、翅膀、尾部、毛发等具体特征对人类而言很自然，但让计算机理解却极其困难。不过如今深度学习算法已能克服部分障碍，在此类问题上表现优异。我们可通过两种方式运用深度神经网络（DNN）：针对特定问题从头开发模型，或采用迁移学习方法。本文主要目标是通过实际案例对比这两种方法。我们演示了如何正确准备数据集、从零构建DNN模型并进行调优，同时展示了迁移学习技术的应用。所有步骤的描述均便于将这些算法适配至类似问题场景。

    关键词： 深度学习、卷积神经网络、图像分类、迁移学习

    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 - 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FPGA的高光谱分类卷积神经网络实现

    摘要： 卷积神经网络（CNN）已广泛应用于高光谱分类。当前基于CNN的高光谱图像分类研究主要在图形处理单元（GPU）平台上实现。然而，由于成像平台存在空间辐射和供电问题，GPU并不适合星载处理。因此，本文选择FPGA来实现基于CNN的高光谱分类以推进星载处理。具体而言，采用硬件描述语言设计了CNN前向分类步骤的硬件模型，包括CNN计算结构、各层实现方案、权重加载机制及数据交互设计?；谂廖鞘菁姆抡娼峁砻?，所提出的FPGA实现方案与GPU平台结果一致。

    关键词： 分类，现场可编程门阵列，高光谱，卷积神经网络

    更新于2025-09-10 09:29:36

  • 基于时间光流卷积特征与多层LSTM的活动识别

    摘要： 如今，数字系统被普遍安装用于持续采集海量数据，因而需要人工监控来识别不同活动和事件。更智能的监控是这个时代的需求，通过人工智能和计算机视觉技术可以自动识别正常与异?；疃１疚奶岢鲆桓稣攵怨ひ迪低臣嗫厥悠到谢疃侗鸬目蚣埽菏紫壤没诰砘窬纾–NN）的人类显著性特征，将连续监控视频流分割为重要镜头；接着通过FlowNet2 CNN模型的卷积层提取帧序列中活动的时间特征；最后采用多层长短期记忆网络（LSTM）学习时间光流特征中的长期序列以实现活动识别。通过不同基准动作与活动识别数据集的实验表明，相比现有最优方法，本方案在工业场景下的活动识别具有显著效果。

    关键词： 监控应用、深度学习、卷积神经网络、行为识别、长短期记忆网络、工业系统、人工智能

    更新于2025-09-10 09:29:36

  • [IEEE 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 杭州（2018.8.6-2018.8.9）] 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 基于机载高光谱遥感图像的中国南方典型农场精细分类

    摘要： 在中国南方地区，特殊的土地碎片化现象使得作物种植呈现出单块种植面积小、多地块轮作和空间多样化种植的特点?；谥泄戏蕉捞氐淖魑镏种蔡卣?，本文以湖北省洪湖市典型南方农场为例，采用无人机成像光谱仪平台同步获取"双高"（高光谱与高空间分辨率）影像。为完成"双高"影像的作物精细分类，本文提出了CNN-CRF算法。该算法仅需1%的训练样本即可在遥感影像上达到91.5%的分类精度，其性能远优于大多数传统分类方法。

    关键词： 条件随机场（CRF）、卷积神经网络（CNN）、精细分类、机载高光谱

    更新于2025-09-10 09:29:36