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

23 条数据
?? 中文（中国） ▾

  • [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 - 基于深度卷积神经网络的SAR图像舰船识别

    摘要： 合成孔径雷达（SAR）系统具有全天时、全天候和广覆盖的优势，被广泛用于船舶检测以确保海上监视。然而，方位模糊和建筑物与船舶具有相似的散射机制，这会导致船舶检测中出现误报。为解决这一问题，本文应用了能够自动学习判别特征的自设计深度卷积神经网络。使用两个数据集来评估我们的方法，其中一个数据集是从IEEEDataPort SARSHIPDATA重建而来，另一个数据集由10幅Sentinel-1 SAR图像构建而成。实验结果表明，我们的模型在这两个数据集上的分类准确率均超过95%，证明了我们方法的有效性。

    关键词： 船只识别、哨兵1号影像、合成孔径雷达、深度卷积神经网络

    更新于2025-09-23 15:23:52

  • DeeptransMap：一种用于单幅图像去雾的深度极深的透射率估计网络

    摘要： 由于经典物理模型的不适定性，基于该模型的单幅图像去雾一直是一项具有挑战性的视觉任务。近年来，应用机器学习技术来估计关键参数——透射率，已被证明是解决这一问题的有效方案。因此，基于学习的透射率估计模型的鲁棒性与准确性至关重要，因其直接影响最终去雾效果。当前主流的此类去雾算法通常仅使用与雾相关的特征作为透射率估计模型的单一输入。然而，这些雾相关特征往往因存在两大缺陷，无法充分可靠地保留与雾相关的真实本征信息，最终导致其在某些去雾场景中效果欠佳?；诒碚餮坝肷疃染砘窬绲南喙匮芯?，本文致力于通过提升透射率估计模型的鲁棒性与准确性来增强单幅图像去雾效果。具体而言，我们提出一种在深度神经网络架构中融合无监督与有监督学习的混合模型，以实现从单幅图像中获取精确的透射率图。实验结果表明，在相同估计目标下，本方法优于多种现有先进去雾技术，同时在透射率估计的计算复杂度方面保持了高效性。

    关键词： 特征学习、深度卷积神经网络（CNN）、图像去雾、透射率估计

    更新于2025-09-23 15:23:52

  • 基于深度卷积神经网络利用眼底图像进行糖尿病视网膜病变的计算机辅助诊断

    摘要： 糖尿病视网膜病变（DR）是长期糖尿病的并发症，由于早期症状不明显而难以察觉。目前DR诊断通常需要拍摄数字眼底图像和光学相干断层扫描（OCT）图像。鉴于OCT设备价格昂贵，若能仅通过解读数字眼底图像实现精准诊断，将同时惠及患者与眼科医生。本文提出一种基于深度卷积神经网络（DCNN）的新算法：不同于传统方法，我们采用分数阶最大池化替代常规最大池化层，并训练两种不同层数的DCNN以提取更具判别性的分类特征。通过融合图像元数据与DCNN特征后，训练支持向量机（SVM）分类器来学习各类别分布的潜在边界。实验使用Kaggle公开的DR检测数据库，34,124张训练图像和1,000张验证图像用于建模，53,572张测试图像进行验证。该DR分类器将病变阶段划分为0至4共五类，实验结果显示识别准确率达86.17%，优于现有文献报道。除算法设计外，我们还开发了名为"Deep Retina"的应用程序。配合手持检眼镜，普通人可自行拍摄眼底图像并即时获得算法计算结果，适用于家庭护理、远程医疗及自我筛查。

    关键词： 深度卷积神经网络、移动应用程序、分数最大池化、支持向量机、糖尿病视网膜病变、眼底图像、基于教学学习的优化算法

    更新于2025-09-23 15:23:52

  • 基于深度卷积神经网络与局部几何约束模型的大规模图像检索

    摘要： 图像检索是指从海量数字图像数据库中浏览、搜索并提取相同场景或对象的图像，近年来受到越来越多的关注。本文提出一种基于深度卷积神经网络（DCNN）和局部几何约束模型的粗到精快速索引方法。我们首先采用向量量化的DCNN特征描述符，并利用改进的局部敏感哈希（LSH）技术实现快速粗粒度检索；随后聚焦于获取高精度匹配以实现细粒度检索，将其构建为贝叶斯模型的最大似然估计问题，其中隐变量用于标识候选匹配集中的内点与外点。通过再生核希尔伯特空间中的Tikhonov正则化器施加非参数化全局几何约束，同时开发能保持邻近特征点局部结构且对大量外点具有鲁棒性的局部几何约束以确保问题适定性，最终采用期望最大化算法求解。在真实近重复图像上的大量特征匹配与图像检索实验表明，本方法结果优于当前最先进技术。

    关键词： 图像检索，由粗到细，局部几何约束模型，深度卷积神经网络

    更新于2025-09-23 15:23:52

  • [2018年IEEE第十二届嵌入式多核/众核片上系统国际研讨会(MCSoC) - 河内(2018.9.12-2018.9.14)] 2018年IEEE第十二届嵌入式多核/众核片上系统国际研讨会(MCSoC) - 面向嵌入式立体视觉系统的紧凑型卷积神经网络设计

    摘要： 自主系统广泛应用于从室内器具到机器人手术和自动驾驶汽车的各个领域。立体视觉相机可能是这些系统中最灵活的传感方式，因其能提取深度、亮度、颜色和形状信息。然而，基于立体视觉的应用存在图像数据量大、计算复杂度高的问题，导致系统功耗较高。为应对这些挑战，我们首先采用GIMME2立体视觉系统[1]。该系统是基于FPGA的高吞吐量低成本嵌入式立体视觉解决方案。其次，我们提出一个针对时间约束应用和/或资源受限平台的深度卷积神经网络（DCNN）优化设计框架。该框架能自动生成适用于立体视觉相机图像数据的高度鲁棒DCNN架构，通过多目标进化优化方法同时实现精度与网络规模的近最优平衡。与现有追求高精度的网络生成研究不同，我们在构建紧凑架构时也考虑了网络规模参数。完成网络设计后，本框架将生成的网络映射到多/众核异构片上系统（SoC）。此外，我们将框架集成至GIMME2处理流程，使其能同步估算检测目标的距离。相比CIFAR-10数据集上的最佳结果，本框架生成的网络在仅损失5%精度的情况下实现了最高24倍的压缩率。

    关键词： 深度卷积神经网络、立体视觉系统、神经处理单元、神经网络架构搜索

    更新于2025-09-23 15:22:29

  • [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 - 基于深度卷积神经网络的极化SAR图像舰船检测

    摘要： 本文提出了一种基于深度卷积神经网络的极化合成孔径雷达（PolSAR）图像舰船检测方法。该舰船检测器首先采用固定尺寸滑动窗口对PolSAR图像进行子样本分割，以有效提取平移不变的空间特征；进而利用改进的快速区域卷积神经网络（Faster-RCNN）方法实现不同尺度舰船的检测并融合检测结果。最后通过NASA/JPL AIRSAR实测数据集验证所提方法，与改进的恒虚警率（CFAR）检测器进行性能对比。对比结果表明该检测算法具有有效性和普适性。

    关键词： 深度卷积神经网络、极化合成孔径雷达（PolSAR）、舰船检测

    更新于2025-09-23 15:21:21

  • [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Gabor滤波器的数据增强在SAR目标识别的深度卷积神经网络中的应用

    摘要： 深度卷积神经网络（DCNNs）因大规模数据集的可用性而被广泛应用于目标识别领域。该网络具有学习高度层级化图像特征的能力，为合成孔径雷达自动目标识别（SAR-ATR）提供了重要机遇。然而直接将DCNNs应用于SAR目标识别时，有限的SAR图像训练数据会导致严重过拟合问题。为此我们提出伽柏深度卷积神经网络（G-DCNNs）：首先采用多尺度多方向的伽柏特征进行数据增强作为训练集，而非直接基于有限原始SAR图像训练深层网络；继而基于该数据增强方法设计SAR图像目标识别DCNNs。在运动与静止目标获取与识别（MSTAR）数据集上的实验结果验证了本方法的有效性。

    关键词： SAR、Gabor滤波器、深度卷积神经网络、数据增强

    更新于2025-09-23 15:21:21

  • [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 - 基于多输入深度卷积神经网络的多视角双基合成孔径雷达目标识别

    摘要： 双基合成孔径雷达（SAR）能从多个视角提供目标的附加观测信息和散射特性。本文提出一种基于多输入深度卷积神经网络的新型双基SAR自动目标识别（ATR）方法。通过建立多视角双基SAR ATR的几何模型，并采用电磁仿真方法替代生成足够数量的双基SAR训练图像。随后设计了一个多输入深度卷积神经网络，该网络能有效学习多视角双基SAR图像的特征，从而实现卓越的识别性能。实验结果表明，基于电磁仿真双基SAR数据的方法具有显著优势。

    关键词： 多视角、深度卷积神经网络、自动目标识别、双基合成孔径雷达

    更新于2025-09-23 15:21:21

  • PhaseNet：一种用于二维相位解缠的深度卷积神经网络

    摘要： 相位解缠是多个应用领域中一项关键的信号处理问题，其目标是从包裹相位中恢复原始相位。本文提出一种名为PhaseNet的新型深度全卷积神经网络相位解缠框架。我们将直接获取连续原始相位的定义重构为通过语义分割获取每个像素的缠绕数（2π整数跳变），并通过合适的深度学习框架实现。该架构包含编码器网络、对应的解码器网络及像素级分类层。利用绝对相位与缠绕数之间的关系，我们生成了多种随机形状的丰富模拟数据，使网络专注于学习包裹相位图中的连续性而非训练数据的特定模式。通过与广泛采用的质量引导相位解缠算法及不同噪声水平下的MATLAB unwrap函数对比，发现本框架具有抗噪性强和计算快速的特点。结果表明深度卷积神经网络（DCNN）确实能有效应用于相位解缠，本框架有望为开发新型基于深度学习的相位解缠方法奠定基础。

    关键词： 编码器、解码器、相位解缠、深度卷积神经网络、语义分割

    更新于2025-09-23 15:21:01

  • 基于深度学习的激光扫描距离图像道路裂缝分类：超参数选择的比较研究

    摘要： 近年来，基于深度学习的裂缝检测方法因其高度通用性和适应性而被广泛探索与应用。在土木工程领域，采用深度卷积神经网络（DCNN）的裂缝检测研究包括道路路面裂缝识别、桥梁检测、盾构隧道衬砌缺陷检测等。尽管DCNN在裂缝检测中的应用日益普及，但仍有诸多挑战亟待解决。对于三维（3D）测距（即高程）图像的裂缝检测，表面形变等干扰因素会显著影响检测性能；此外，沟槽等典型非裂缝图案易被误判为裂缝（即假阳性）。另一个关键问题在于DCNN架构设计相关超参数的选择——例如涉及网络结构（如卷积核尺寸、网络深度与宽度）和训练过程（如小批量大小与学习率）的超参数会极大程度影响网络性能，因此需要合理设定以实现最优效果。然而针对激光扫描测距图像的道路裂缝分类深度学习方法，目前尚未对超参数选择/调优开展全面探讨。 本研究通过系列实验建立了高多样性激光扫描测距图像的超参数选择流程，探究了基于DCNN的道路裂缝分类中网络结构与训练参数的最优联合配置方案。对比实验中，我们开发了36种不同布局的DCNN架构进行裂缝分类，这些候选架构在卷积核尺寸（3×3、7×7、11×11）、网络深度（5-8个权重层）及宽度（每个卷积层16-96个卷积核）方面存在差异。实验表明：采用恒定7×7卷积核且网络宽度递增的7层DCNN，在36个分类器中展现出最佳性能，这可能因其最能反映激光扫描道路测距图像的复杂特性。确定最优架构后，我们进一步研究了小批量大小、学习率、丢弃因子及泄漏修正线性单元（LReLU）因子的选择。结果表明：该最优架构配合相应训练配置，在激光扫描测距图像存在表面形变和沟槽图案干扰时，仍能保持稳定准确的检测性能。本研究的超参数选择分析可为激光扫描测距图像类似应用中的DCNN开发提供重要参考。

    关键词： 道路裂缝、凹槽、激光扫描距离图像、超参数选择、深度卷积神经网络

    更新于2025-09-23 15:19:57