- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2019年第21届透明光网络国际会议(ICTON) - 法国昂热(2019.7.9-2019.7.13)] 2019年第21届透明光网络国际会议(ICTON) - 基于机器学习的激光器故障模式检测
摘要： 激光退化分析是提升激光器可靠性的关键环节。本研究提出一种基于长短期记忆（LSTM）循环神经网络的数据驱动故障检测方法，通过合成历史失效数据识别不同激光退化模式。与典型阈值系统（分类准确率24.41%）相比，该LSTM模型实现了95.52%的准确率，且性能优于随机森林（RF）、K近邻（KNN）和逻辑回归（LR）等经典机器学习模型。
关键词： 退化、激光、可靠性、故障检测、机器学习、循环神经网络
更新于2025-09-16 10:30:52
-
[2019年IEEE光子学会议(IPC) - 美国德克萨斯州圣安东尼奥(2019.9.29-2019.10.3)] 2019年IEEE光子学会议(IPC) - 基于LSTM神经网络的光学传感器行为预测
摘要： 基于光纤的传感器被证明能够耐受各种恶劣环境。长短期记忆（LSTM）神经网络常用于具有长期依赖性的数据集。本研究利用从中子反应堆堆芯采集的罕见光纤布拉格光栅测量数据，构建了一个能够预测反应堆内部未来事件的神经网络。
关键词： 光纤布拉格光栅、核反应堆堆芯测量、长短期记忆、循环神经网络
更新于2025-09-11 14:15:04
-
[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 2018年第25届国际图像处理大会(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理大会(ICIP) - R-Covnet：用于三维物体识别的循环神经卷积网络
摘要： 点云是一种用于记录空间中物体的高精度数字格式。由于相比图像能提供更丰富的信息，点云技术近期受到越来越多的关注。本文提出了一种名为R-CovNet的新型深度学习架构，专门用于三维物体识别。与以往通常需要在处理前对点云进行采样或转换为三维网格的架构不同，R-CovNet无需任何预处理。我们的主要目标是提供一种特别为任意尺寸点云数据设计的排列不变架构。在知名基准测试中的实验表明，R-CovNet能达到92.7%的准确率，从而超越了所有体素化方法。
关键词： 点云、循环神经网络、三维物体识别
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 - 基于密集连接循环神经网络的无人机影像洪泛区检测
摘要： 小型无人机（UAV）与廉价传感器的出现，使得每次自然灾害后都能以高度灵活性和便捷机动性采集数千张图像，从而实现快速响应与灾后恢复。尽管数据采集较为容易，但对这些大数据集的分析仍是科学家和分析师面临的重要障碍。本文提出一种密集连接卷积神经网络（CNN）与循环神经网络（RNN）的集成方案，该方案能通过端到端学习精准分割出具有语义意义的物体边界。我们将该网络应用于德克萨斯州休斯顿洪涝区域的无人机航拍图像，在大型无人机数据集上实现了96%的洪涝区域检测准确率。
关键词： 语义分割、循环神经网络、洪泛区检测、无人机、卷积神经网络
更新于2025-09-09 09:28:46
-
[IEEE 2018年第24届国际模式识别大会(ICPR) - 中国北京(2018年8月20日至24日)] 2018年第24届国际模式识别大会(ICPR) - 基于Wasserstein生成对抗循环网络的图像生成方法
摘要： 大多数生成模型一次只能生成一张图像，但实际上绘画通常是迭代且反复进行的过程。生成对抗网络（GAN）虽以图像生成闻名，却难以稳定训练。为此，我们提出名为Wasserstein生成循环对抗网络（WGRAN）的框架，通过融合Wasserstein距离与循环神经网络来迭代生成逼真图像，并采用对抗方式训练模型。该生成模型能借助判别模型的反馈逐步生成图像，且允许控制生成迭代次数。我们在多种图像数据集上训练模型，并使用生成对抗度量标准将其与循环生成对抗网络（GRAN）及其他前沿生成模型对比。实验结果表明，本模型具备生成高质量图像的能力。
关键词： 循环神经网络、图像生成、生成对抗网络、Wasserstein距离
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 - 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 - 一种多时相云检测的深度网络方法
摘要： 我们提出了一种具有时间记忆功能的深度学习模型，用于检测第二代气象卫星（MSG）搭载的SEVIRI成像仪获取的图像时间序列中的云层。该模型提供像素级云图及相关置信度，并通过循环神经网络结构在时间维度上传播信息。借助单一模型，我们能够以高精度勾勒出全年昼夜不同时段的云层轮廓。
关键词： 卷积神经网络、SEVIRI、深度学习、云检测、循环神经网络
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 - 基于深度神经网络的光学时间序列语义分割
摘要： 针对卫星图像时间序列（SITS）的语义分割或分类是一个鲜少被触及的研究领域，部分原因在于数据获取困难，但更多是因为该任务本身极具挑战性。本研究提出一个由Landsat图像时间序列构成的数据集，旨在实现多光谱语义分割。由于缺乏真实标签信息，我们采用无监督聚类方法将时间序列分组，随后训练了基于长短期记忆（LSTM）单元的循环神经网络（RNN）。通过测试图像块验证准确率，序列分类任务约达40%的准确度。
关键词： 时间模式、循环神经网络、卫星图像时间序列、长短期记忆网络
更新于2025-09-09 09:28:46
-
基于OCT A扫描的组织分析中循环神经网络的研究
摘要： 目的：光学相干断层扫描（OCT）作为一种高分辨率成像方式被提议用于引导经支气管活检。本研究探讨针方向获取的单个A扫描能否辅助识别肺结节。方法：通过内置光纤的定制针头记录新鲜切除的人肺组织标本的OCT A扫描数据。采用双向长短期记忆网络（BLSTM）对随机分布的训练集和测试集A扫描数据进行训练，评估患者特异性训练及不同预处理步骤的效果。结果：不同训练场景下分类准确率达67.5%至76%，其中患者特异性训练的敏感度（0.87）与特异度（0.85）最高。低通滤波会降低准确率——参考分布下为73.2%，较高截止频率时降至62.2%，较低截止频率时降至56%。结论：结果表明基于灰度的分类具有可行性，可为诊断和导航提供额外信息。实验同时显示存在患者特异性信号特征，且频谱的低频与高频部分均对分类有贡献。
关键词： 长短期记忆网络、循环神经网络、光学相干断层扫描、活检引导、光学软组织分类、肺结节识别
更新于2025-09-09 09:28:46
-
[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) - RelationNet：学习用于语义图像分割的深度对齐表示
摘要： 语义图像分割（在像素级别分配标签）在图像理解中起着核心作用。现有方法尝试利用深度学习能力，但这些方法的核心问题在于：深度卷积神经网络很少考虑像素间的相关性。为解决该问题，本文提出名为RelationNet的新型深度神经网络，通过CNN与RNN聚合上下文信息。此外采用空间相关性损失来训练RelationNet，使同类别空间像素的特征对齐。值得注意的是，由于获取像素级标注成本高昂，我们开发了结合粗粒度与细粒度标注数据的新训练方法。实验展示了各改进方案的具体提升效果，结果表明该方法能有效解决语义图像分割问题，在Cityscapes基准测试和Pascal Context数据集上均达到最先进性能。
关键词： 空间相关性损失、卷积神经网络、语义图像分割、循环神经网络、深度学习、关系网络
更新于2025-09-04 15:30:14