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

<span id="4omi4"><nav id="4omi4"><center id="4omi4"></center></nav></span>

<rt id="4omi4"><tr id="4omi4"></tr></rt>

oe1(光电查) - 科学论文

产品选型就用光电查

287 条数据

?? 中文（中国） ▾

[2018年IEEE国际计算电磁学会议(ICCEM) - 中国成都 (2018.3.26-2018.3.28)] 2018年IEEE国际计算电磁学会议(ICCEM) - 基于原始雷达回波的深度学习目标识别

摘要：基于合成孔径雷达（SAR）的分类方法是自动目标识别的常用手段。然而，SAR成像需要复杂的二维匹配滤波和插值算法。本文提出利用原始雷达回波而非SAR图像进行自动目标识别的深度学习技术。通过直接训练雷达回波数据集的现代卷积神经网络（CNN）模型，并在测试数据集上进行评估。实验结果表明，该方法能实现高精度、高效率的目标识别。

关键词：目标分类、卷积神经网络、雷达回波

更新于2025-09-10 09:29:36
[IEEE 2018年第24届国际模式识别会议(ICPR) - 中国北京(2018.8.20-2018.8.24)] 2018年第24届国际模式识别会议(ICPR) - 基于ADC的新型CNN分类系统用于前列腺癌精准诊断

摘要：本文提出一种基于卷积神经网络（CNN）的计算机辅助诊断（CAD）系统，通过扩散加权磁共振成像（DWI）实现前列腺癌早期诊断。该系统首先采用几何可变形模型分割前列腺，其演化过程由随机速度函数引导——该函数除形状先验外，还利用一阶和二阶外观模型。这些引导标准的融合通过非负矩阵分解（NMF）模型实现。随后计算分割前列腺区域内各b值对应的表观扩散系数（ADC），作为扫描前列腺血流扩散的影像标记物。为进行分类诊断，训练三维CNN提取这些ADC图最具判别性的特征，以区分良恶性前列腺肿瘤。使用45例患者（20例良性/25例恶性）在七个不同b值下获取的DWI数据集评估系统性能，这些数据分别来自1.5特斯拉和3特斯拉两种不同场强扫描仪?；钐迨笛檠橹け砻鳎捎肁DC使本系统对磁场强度不敏感。

关键词：前列腺癌、卷积神经网络、表观扩散系数

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 - 基于多时相SAR图像序列的作物类型识别混合循环卷积神经网络

摘要：农业监测是生产者、政府和决策者的关键任务。多时相遥感数据分析为执行该任务提供了一种具有成本效益的方法。循环神经网络（RNN）已成功应用于时间建模问题，而卷积神经网络（CNN）则凭借其捕捉空间上下文的能力成为图像分类领域的最先进技术。本研究提出了一种结合RNN与CNN的混合网络架构用于作物制图。我们基于巴西热带地区的Sentinel-1A数据库对该架构进行了实验评估，比较了循环网络建模时间上下文的能力与传统图像堆叠方法的效果，并研究了使用CNN学习特征相较于人工设计上下文感知特征的改进效果。分析表明，该混合架构比基于图像堆叠和GLCM特征的替代方法实现了更高的平均类别准确率。

关键词：作物识别、卷积神经网络、循环神经网络

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年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于多类焦点损失卷积神经网络的稀有建筑变化分类

摘要：在遥感领域，监督式深度学习近期在信息提取方面取得了显著成效。然而，该方法需要大量训练数据才能有效学习。由于正样本类别的稀缺性，在建筑物变化分类中收集此类训练数据是极其昂贵且耗时的过程。包含稀有类别的数据集学习存在两大问题：（1）类别不平衡；（2）过拟合。本研究验证了焦点损失函数在建筑物变化分类中的有效性。实验结果表明，不仅类别不平衡问题，过拟合问题也受到焦点损失函数降权效应的影响。该损失函数能自动调整每个类别的学习速度。

关键词：卷积神经网络，建筑变化，航拍图像，焦点损失，深度学习

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 - 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 - 一种结合基于子空间的特征提取与卷积神经网络的高光谱图像分类新型深度学习框架

摘要：近年来，基于深度学习的方法（特别是在遥感领域）受到了越来越多的关注。卷积神经网络（CNN）作为这些深度学习技术之一，在视觉识别应用中展现出了卓越的性能。然而，由于高光谱图像分类领域存在高维特性和训练样本不足的问题，使用GoogleNet和VGGNet等知名预训练模型具有挑战性。本研究针对两个真实高光谱数据集提出了一种新型改进的CNN架构。为克服维度灾难问题，我们通过计算每个类别相关矩阵的正交基来执行基于子空间的特征提取方法，从而降低高光谱图像的维度并提高信噪比。该框架结合了所提出的CNN架构与子空间降维方法：一方面从子空间方法中提取有效特征，另一方面通过考虑训练样本的限制来设计优化的CNN。此外，子空间降维方法生成的特征天然适配基于类别的CNN结构，并采用逻辑回归作为最终层的分类器。在印第安松树和帕维亚大学这两个著名真实高光谱图像上的实验结果表明，相较于使用原始数据和近期研究中采用的常规特征提取策略，本方案实现了性能提升。在印第安松树和帕维亚大学数据集上分别获得了约98.1%和98.3%的分类总体准确率。

关键词：降维、深度学习、特征提取、卷积神经网络、高光谱图像分类、基于子空间的特征提取

更新于2025-09-10 09:29:36
[计算机科学讲义] 模式识别与计算机视觉第11259卷（首届中国会议，PRCV 2018，中国广州，2018年11月23-26日，会议录，第四部分）|| 结合卷积神经网络和门控循环单元的高光谱图像光谱-空间分类

摘要：本文提出了一种用于高光谱图像（HSI）光谱-空间分类的新型深度学习框架。该框架主要由卷积神经网络（CNN）和门控循环单元（GRU）两部分组成。CNN用于自动提取各波段的高层空间特征，随后将这些特征输入基于GRU的融合网络。该融合网络以端到端方式结合了特征级融合与决策级融合，从而充分整合不同光谱波段的互补信息。为验证所提方法的有效性，我们在两幅真实高光谱图像上将其与多种前沿深度学习方法进行对比。实验结果表明，该方法性能优于对比方法。

关键词：门控循环单元，光谱-空间融合，高光谱图像分类，卷积神经网络

更新于2025-09-10 09:29:36
[IEEE 2018国际物联网时代传感与仪器研讨会(ISSI) - 中国上海(2018.9.6-2018.9.7)] 2018国际物联网时代传感与仪器研讨会(ISSI) - 基于双通道卷积神经网络的无参考图像质量评估

摘要：近年来，卷积神经网络相比传统手工方法取得了更卓越的成果，在图像质量评估领域得到广泛应用。本文提出一种基于双通道卷积神经网络的无参考图像质量评估方法。原始图像通过视觉信息保真度进行标注并分割为多个图像块作为输入，随后由具有不同池化层的两个网络通道进行特征提取，将提取的特征线性拼接后输入全连接层。在LIVE数据库和TID2008数据库上的实验结果表明，该模型具有最先进的性能表现，且与人类主观评估具有更好的一致性。

关键词：卷积神经网络，图像质量评估，双通道

更新于2025-09-10 09:29:36
[2018年IEEE国际物联网时代传感与仪器研讨会（ISSI）——中国上海（2018.9.6-2018.9.7）] 2018国际物联网时代传感与仪器研讨会（ISSI）——基于多尺度级联卷积神经网络的单幅海面图像去雾方法

摘要：大多数海面图像以天空和海水为特征，颜色单调导致雾霾分布往往不均匀，因此海面图像去雾尤其具有挑战性。本文提出一种新颖的多尺度级联网络结构，无需估计透射图即可直接从原始雾霾图像恢复清晰图像。去雾后的图像清晰度显著提升，从而能更好地识别海面目标。我们在合成图像及真实海面图像上评估了所提方法的去雾性能，并与其他最先进技术进行了对比。

关键词：图像恢复、海面图像、图像去雾、卷积神经网络

更新于2025-09-10 09:29:36
基于卷积神经网络的DFT扩频OFDM可见光通信系统时域均衡器

摘要：本文提出了一种基于机器学习方法的可见光通信(VLC)系统新型时域均衡器。本研究采用离散傅里叶变换扩频正交频分复用(DFT-S-OFDM)作为调制方案，并以卷积神经网络(CNN)作为均衡器的核心处理单元。通过训练序列估计信道状态信息(CSI)后，该均衡器根据估计的CSI恢复传输符号。数值仿真表明，该均衡器能显著提升误码率(BER)性能。例如当信噪比(SNR)为20dB且采用16/32/64正交幅度调制(QAM)时，原始误码率约为0.5，而恢复后的误码率可达10^-5，远低于前向纠错(FEC)门限3.8×10^-3。本研究推动了机器学习在VLC领域的应用。据我们所知，这是首次探索基于CNN的均衡器。

关键词：机器学习（ML）、离散傅里叶变换扩频正交频分复用（DFT-S-OFDM）、可见光通信（VLC）、卷积神经网络（CNN）

更新于2025-09-10 09:29:36
[IFIP信息与通信技术进展] 智能科学II 第539卷（第三届IFIP TC 12国际会议，ICIS 2018，中国北京，2018年11月2-5日，会议录）|| 面向高光谱图像分类的并行变维度卷积神经网络

摘要：近期，许多基于卷积神经网络（CNN）的高光谱图像（HSI）光谱-空间分类方法被提出并取得了卓越性能。然而，这些方法依赖复杂网络结构和过度庞大的模型，导致计算量巨大。此外，单机处理大数据时能力明显不足。本文提出并行变维度卷积神经网络（DV-CNN）以解决这些问题。DV-CNN提取的特征图维度随阶段变化，并通过降低特征图维度来简化计算与网络结构而不损失信息。同时，其并行架构能显著缩短训练时间。在印度松和帕维亚大学场景数据集上与前沿方法对比的实验表明，并行DV-CNN可获得更优分类性能、减少耗时并提升训练效率。

关键词：并行计算、维度变化、高光谱图像分类、卷积神经网络

更新于2025-09-10 09:29:36