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） ▾

  • 基于卷积神经网络的近红外夜间道路行人识别

    摘要： 行人识别是行人?；は低持行腥思觳獾暮诵募际酢１疚亩员确治隽丝杉?、近红外、短波红外和长波红外相机获取的可见光与红外图像。结果表明，在考虑设备成本和行人成像质量的情况下，近红外相机最适合夜间行人检测。本文首次报道了采用带自学习softmax的9层卷积神经网络（CNN）模型来识别近红外夜间行人。利用从近红外图像中获取的267,000个样本对CNN识别模型进行优化。采集的近红外夜间样本包含3类（背景、行人以及骑自行车或摩托车者），并将向研究人员公开使用。测试结果表明，采用自学习softmax优化的CNN模型在实时行人识别方面具有竞争力和潜力。

    关键词： softmax（Softmax函数）, pedestrian recognition（行人识别）, CNN（卷积神经网络）, nighttime（夜间）, near infrared（近红外）

    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) - 基于学习的皮肤镜图像皮肤病变分割方法

    摘要： 分割是大多数医学影像计算机辅助诊断系统中的必要预处理步骤。不同伪影的存在使得皮肤病变分割极具挑战性。伪影的异常生长可能表现为假阳性结果，从而降低诊断系统的性能。只有在提取病变区域时去除这些虚假结构才能避免该问题。针对这一难题，本文提出采用深度学习进行皮肤病变分割。在该框架下，我们实现了自动化的皮肤病变分割，能够获得高精度的病变分割效果。所提出的网络架构深度达31层且采用统一滤波器尺寸。我们在PH2和ISIC 2017两个公开数据库上验证了该技术的有效性。实验结果表明该方法具有显著效率：在PH2数据集上获得92.3%的Dice系数，在ISIC 2017数据集上达到85.5%的Dice系数。

    关键词： 骰子系数、深度学习、黑色素瘤、皮肤镜检查、自动分割、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 - 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

  • [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 - 基于卷积神经网络的合成孔径雷达压制式干扰检测与分类

    摘要： 压制式干扰抑制技术是保障合成孔径雷达（SAR）系统正常运行的重要手段。干扰检测与分类是该技术的必要环节。传统方法中设置的阈值不当可能导致检测精度下降。为避免这一问题，本文提出一种基于卷积神经网络（CNN）的SAR压制式干扰检测与分类新方法。根据SAR回波信号的统计特性构建信号模型，在此基础上通过仿真生成包含回波信号与干扰信号的数据库。最终采用卷积神经网络VGG16检测数据集中信号是否受压制式干扰污染并识别干扰类型。实验结果表明：利用频域信号训练的VGG16网络能有效检测并分类干扰信号。

    关键词： 卷积神经网络，干扰检测，VGG16，阻塞式干扰

    更新于2025-09-10 09:29:36

  • 基于深度卷积神经网络的立体图像质量评估

    摘要： 本文提出一种基于深度卷积神经网络（DCNN）的立体图像无参考（NR）质量评估方法。受大脑内部生成机制（IGM）启发——该机制表明大脑先分析感知信息再提取有效视觉信息，同时为模拟人眼视觉系统（HVS）感知立体图像质量时的内部交互过程，我们构建了双通道DCNN来评估立体图像视觉质量。首先设计连体网络提取左右视点图像的高层语义特征以模拟大脑信息提取过程；其次通过卷积运算融合左右视点图像的高层特征来模仿HVS中的信息交互过程；最终利用交互处理后的信息评估立体图像视觉质量。实验结果表明该方法能准确评估立体图像视觉质量，也验证了所提双通道卷积神经网络在模拟HVS感知机制方面的有效性。

    关键词： 卷积神经网络，图像质量评估，无参考，立体图像

    更新于2025-09-10 09:29:36

  • 基于CNN特征学习的散焦模糊检测局部度量方法

    摘要： 散焦模糊检测是计算机视觉和数字成像领域中一项重要且具有挑战性的任务。先前关于散焦模糊检测的研究投入了大量精力设计局部清晰度度量图。本文提出了一种简单而有效的方法，基于多卷积神经网络（ConvNets）的特征学习来自动获取用于散焦模糊检测的局部度量图。该卷积神经网络以监督方式自动学习图像超像素级别上最具局部相关性的特征。通过从训练好的神经网络结构中提取卷积核并进行主成分分析，我们可以通过重塑主成分向量自动获得局部清晰度度量。同时，提出了一种有效的迭代更新机制，利用双曲正切函数的内在特性从粗到细地优化散焦模糊检测结果。实验结果表明，我们提出的方法始终优于先前的最先进方法。

    关键词： 散焦模糊、主成分分析、局部清晰度度量、卷积神经网络、特征学习

    更新于2025-09-10 09:29:36

  • 具有视角融合与卷积神经网络的立体图像超分辨率方法

    摘要： 超分辨率（SR）技术在混合分辨率（MR）立体图像的处理与显示中具有重要作用。为此，本文提出一种基于视角融合与卷积神经网络（CNN）的立体图像超分辨率方法。针对给定左视图为全分辨率、右视图为低分辨率的MR立体图像，该方法分两阶段实施：第一阶段通过定义视角差异图像来表征视图间相关性，以全分辨率左视图和插值右视图作为输入，利用改进的CNN进行估计，从而获得高精度视角差异图像；第二阶段为融合第一阶段估计的右视图，提出全局重建约束条件，使估计右视图与低分辨率右视图在MR立体图像观测模型上保持一致。实验结果表明，相比超分辨率卷积神经网络（SRCNN）方法和基于深度图的SR方法，本方法在峰值信噪比（PSNR）上分别使重建右视图质量提升0.54 dB和1.14 dB，主观评价也证实本方法生成的重建立体图像效果更优。

    关键词： 查看差异，混合分辨率立体图像，超分辨率，卷积神经网络，立体成像与编码

    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

  • 基于加权核卷积神经网络的分类：在SAR目标识别中的应用

    摘要： 传统的卷积神经网络（CNN）已被证明能有效用于合成孔径雷达（SAR）目标识别。然而该方法未考虑不同卷积核之间的关系，这种关系的缺失在一定程度上限制了卷积层的特征提取能力。为解决该问题，本文提出名为加权核卷积神经网络（WKCNN）的新方法。WKCNN在常规CNN架构中集成了加权核模块（WKM），该?？橥ü２煌砘思涞南嗷ヒ览倒叵道刺嵘砘闾卣魈崛∧芰?。WKM由变量和激活函数构成：变量表示卷积核权重，激活函数作为映射函数用于确定权重取值范围。为自适应调整变量，本文推导了WKM的反向传播（BP）算法，并基于该算法通过优化代价函数驱动WKM训练，同时提出并分析了三种训练模式。在运动与静止目标获取与识别（MSTAR）数据集上进行的SAR目标识别实验表明，该方法具有显著优越性。

    关键词： 合成孔径雷达目标识别、加权核?？椤⒕砘窬?、反向传播算法、MSTAR数据集

    更新于2025-09-10 09:29:36

  • 开发用于室外移动激光雷达数据自动分类的深度学习架构

    摘要： 本文提出了一种深度卷积神经网络（CNN）架构，用于自动分类户外环境移动激光扫描（MLS）数据——这类数据具有噪声多、杂乱、体量大且信息量大的特点。该架构采用基于查找表（LUT）的方法，在重缩放时保留输入MLS点云的几何结构。此外，通过对输入MLS样本进行体素化处理，解决了体素内多个点值选一时的歧义问题。该架构性能通过两种户外MLS数据实例进行评估：首先使用树木与非树木类别（非树木类包含电线杆、电线、低矮植被、墙壁、房屋和地面等对象），随后采用树木与电线杆类别。进一步测试将户外MLS数据的树木与电线杆类别与Modelnet数据集中的三类室内对象混合，从而评估该架构对三维（3D）数据集组合的处理效能。对MLS样本中树木与非树木类别、以及树木与电线杆类别的分类结果显示，总准确率分别为86.0%和90.0%，Kappa系数分别为72.0%和78.7%。此外，对于MLS与Modelnet类别的组合，分类结果表现优异，总准确率达95.2%，Kappa系数达92.5%。与传统重缩放方法相比，基于LUT的方法在MLS数据集上展现出更优的分类效果，总准确率和Kappa系数分别提升高达9.0%和18.0%。针对不同种类的树木、非树木及电线杆样本，该架构证明了其实现高精度MLS数据自动分类的潜力。本研究进一步表明，在输入层引入更多空间特征可提高分类准确率。若具备更优硬件资源，本工作产生的准确率仍有提升空间。

    关键词： 户外环境、深度学习、移动激光扫描、点云、卷积神经网络、分类

    更新于2025-09-10 09:29:36