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

46 条数据
?? 中文（中国） ▾

  • [IEEE 2019欧洲激光与电光会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 德国慕尼黑(2019.6.23-2019.6.27)] 2019欧洲激光与电光会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 基于深度神经网络通过多模光纤实现波长无关的图像分类

    摘要： 深度神经网络（DNNs）已日益应用于不同研究领域或工业场景。为利用机器学习技术提取有效信息，每天需处理海量数据。多个研究团队通过基于真实数据集训练DNNs，在提升显微成像分辨率和定量相位恢复方面取得了显著成果。近期，研究者还利用DNNs实现了光信号经多模光纤（MMFs）传输后的图像复原与重建。当图像通过多模光纤传播时，由于信息分散在光纤支持的各个空间模式中，会产生严重散射现象。此外，由于不同光纤模式的传播速度存在差异，输入信号的局部信息沿光纤传输数毫米后就会失去相关性，从而在输出端形成散斑图案。从这类散斑图案中恢复信息具有重要实用价值，可推动多模光纤在医学内窥镜应用中的集成，或助力电信领域的信号恢复。

    关键词： 波长无关性、图像分类、散斑图案、多模光纤、深度神经网络

    更新于2025-09-11 14:15:04

  • [2019年IEEE欧洲激光与电光会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 德国慕尼黑(2019.6.23-2019.6.27)] 2019年欧洲激光与电光会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 利用人工神经网络从色散扫描迹线中实现视频帧率相位恢复

    摘要： 超短脉冲的完整表征对其所有应用都至关重要。近年来发展的色散扫描（d-scan）技术因其操作简便而备受瞩目[1,2]，有望成为低维护需求的脉冲表征技术?；赿-scan测量重建光谱相位依赖优化算法[3,4]?？悸堑铰龀骞馄紫辔恢苯犹逑衷赿-scan轨迹上，该相位重建过程亦可视为图像识别任务。近年来人工神经网络在不同领域（如图像识别[5]）展现出卓越性能。我们采用深度神经网络（DNN）从d-scan轨迹中提取光谱相位，其速度比传统优化算法（16毫秒）快3000倍以上[6]。该DNN是基于DenseNet-BC架构优化的变体，该架构已在图像识别任务中表现优异[7]。使用低成本GPU（NVIDIA GeForce GTX 1080 Ti）训练这个浅层DenseNet变体仅需12小时。通过训练多达1.5×10^6组随机生成的轨迹后，该网络即可用于d-scan轨迹的光谱相位重建。图1(a)(b)分别展示随机生成的d-scan轨迹及其对应重建结果，图1(c)呈现光谱强度（黑线）、原始光谱相位（蓝线）与重建相位（红虚线），图1(d)对比原始与重建的时域脉冲形状（同色标）。原始相位与重建相位及其对应时域形状的高度一致性验证了DNN的卓越性能。为验证实验测量轨迹的相位重建保真度，我们采用基于钛宝石放大器系统[8]进行测试，与差分进化优化算法相比，获得完全一致的半高全宽带宽及时域脉冲形状。我们认为结合单次d-scan装置[9]的DNN技术可实现视频级测量速率，并凭借数据冗余特性提供固有误差评估。

    关键词： 深度神经网络、光谱相位恢复、色散扫描、超短脉冲

    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 - 基于深度神经网络的多光谱地球观测图像探索性可视化分析

    摘要： 探索性可视化分析通常需要辅助操作人员理解和解读地球观测（EO）图像。最优的图像表征能为发现与特定应用场景相关的关键信息提供认知支持，这对所有机器学习任务中的训练数据集选择至关重要，尤其是多光谱（MS）EO数据主动学习工具的设计。本文提出一种基于深度神经网络（DNN）的方法，通过压缩、学习和揭示EO数据光谱波段中最显著的信息，为图像内容分析提供有效可视化支持。该先进方法利用DNN发现最具提示性的伪彩色表征——其突出多光谱图像整体内容的效果优于特定三波段（红、绿、蓝）选择。我们采用信息论和互信息概念，通过在图像上应用最小冗余最大相关性（mRMR）准则对光谱波段按信息量排序获得优先级序列。研究开发了基于DNN堆叠自编码器的范式，用于从多光谱EO数据中提取并压缩为三波段的综合信息。该方法已在哨兵2号数据集上完成验证。

    关键词： mRMR、信息论、互信息、深度神经网络、EO影像

    更新于2025-09-10 09:29:36

  • 基于多任务驱动深度神经网络的高分辨率遥感影像有效建筑物提取

    摘要： 高分辨率遥感影像中的建筑物提取因其获取地理信息的重要意义而被广泛研究。许多基于深度学习的方法已尝试用于该任务，但在为遥感数据设计图层或?？橐约俺浞掷媒ㄖ锏亩捞靥卣鳎ㄈ缧巫春捅呓纾┓矫嫒杂兄疃嗵剿骺占?。本文提出一种基于U-Net的端到端网络架构，通过改进Xception?？榇硪８杏跋褚蕴崛∮行卣?，并采用多任务学习整合建筑物的结构信息。选取两个标准高分辨率遥感影像数据集（马萨诸塞州建筑物数据集和Vaihingen数据集）进行测试，模型取得了最先进的成果。

    关键词： 建筑物提取、多任务学习、Xception模块、深度神经网络、遥感图像

    更新于2025-09-10 09:29:36

  • [2018年IEEE第13届图像、视频与多维信号处理研讨会(IVMSP) - 希腊扎戈罗乔里亚阿里斯蒂村 (2018.6.10-2018.6.12)] 2018 IEEE第13届图像、视频与多维信号处理研讨会(IVMSP) - 用户生成自然灾害相关图像分析中全局特征与深度特征的比较研究

    摘要： 该论文研究了社交媒体用户生成图像中不良事件（自然灾害）的识别问题，并从两个互补视角展开探讨。一方面，我们基于两类特征提取算法（即(i)全局特征与(ii)深度特征），对不同特征提取与分类算法进行全面对比分析；另一方面，我们证明通过联合利用各特征描述符的优势，融合不同特征提取与分类策略的性能可超越单一方法。相关方法的评估在基准数据集和自采集数据集这两个数据集上完成。

    关键词： 多媒体分析、全局特征、深度神经网络、检索、自然灾害

    更新于2025-09-10 09:29:36

  • [美国机械工程师学会 2018年国际设计工程与计算机信息技术会议 - 加拿大魁北克省魁北克市（2018年8月26日星期日）] 第1B卷：第38届计算机与信息技术工程会议 - 基于卷积编解码器网络预测投影微立体光刻工艺的制造形状

    摘要： 投影微立体光刻（P-μSLA）工艺已广泛应用于三维（3D）数字制造领域。然而，光聚合过程中的各种不确定性往往会降低制造结果的几何精度。若能建立一种实时映射输入形状与实际成型结果的预测模型，将极大助力设计师和工艺工程师通过低成本试错实现快速设计探索，从而以最少的时间、材料和人力浪费确定最优设计参数及最佳形状修正方案。但目前尚无计算模型能以合理精度预测此类几何偏差。为此，我们提出通过深度神经网络从P-μSLA工艺的输入投影图案预测输出形状的新思路。本文采用卷积编解码网络实现该目标：以投影图像为输入，输出预测的成型后形状。交叉验证分析显示平均均方根误差（RMSE）为10.72微米，证实该卷积编解码网络具有显著性能优势。

    关键词： P-μSLA，卷积编解码网络，投影微立体光刻，形状变形预测，深度神经网络

    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 - 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 - 基于微调VGG深度网络的高分辨率遥感图像分类

    摘要： 深度卷积网络在遥感（RS）图像分类中表现优异。通常，遥感分类任务中难以获取大量标注样本。传统上，遥感图像的获取方式与数码相机提供的照片存在显著差异。然而，高分辨率（HR）遥感图像（通常含RGB三通道）的成像系统与数码相机提供的图像较为相似。本文提出一种基于深度神经网络的迁移学习算法，以解决遥感样本标注不足的问题——特别是针对预训练深度卷积网络（即VGGNet）的应用场景。该VGGNet通过"ImageNet大规模视觉识别挑战赛"（ILSVRC）提供的标注多媒体图像进行训练。本策略采用VGGNet作为基础分类器，随后利用标注的遥感数据样本，通过反向传播算法对16层VGG深度神经网络的深层隐藏层进行微调。该方法命名为RS-VGGNet。我们使用美国国家农业影像计划（NAIP）数据集获取的真实高分辨率遥感图像验证了RS-VGGNet，实验结果表明：相较于原始VGGNet和浅层机器学习方法，RS-VGGNet能获得更高准确率，同时显著减少了训练时间和计算负担。

    关键词： 迁移学习，高分辨率遥感图像，微调VGGNet，深度神经网络

    更新于2025-09-10 09:29:36

  • [IEEE 2018年第37届中国控制会议(CCC) - 武汉(2018.7.25-2018.7.27)] 2018年第37届中国控制会议(CCC) - 基于深度森林的高光谱图像分类

    摘要： 高光谱图像（HSI）分类是遥感技术领域的研究热点。近年来，卷积神经网络（CNN）在HSI分类中取得了显著成效。然而，CNN需要耗费大量时间进行参数调优，且训练过程依赖海量样本——而获取足量高光谱训练样本成本高昂。本文提出一种基于深度森林的新型分类方法：预处理阶段通过主成分分析（PCA）降低高光谱数据维度。与CNN相比，本方法超参数更少、训练速度更快。据我们所知，这是首批基于深度森林的高光谱光谱信息分类研究之一。通过在两个真实HSI数据集上的大量实验，证明所提方法显著优于现有先进技术。

    关键词： 深度神经网络（DNN），高光谱图像（HSI），主成分分析（PCA），深度森林

    更新于2025-09-10 09:29:36

  • 利用深度神经网络开发用于广角视网膜图像的早产儿视网膜病变自动筛查系统

    摘要： 背景：早产儿视网膜病变（ROP）是儿童失明的主要原因之一。然而，具备ROP筛查资质的眼科医生数量不足。目的：评估深度神经网络（DNN）用于ROP自动筛查的性能。方法：训练集和测试集来自420,365张ROP筛查的广角视网膜图像。采用迁移学习方案训练DNN分类器：首先对预处理图像进行分类，随后由儿科眼科医生将每张图像标记为ROP阳性或阴性。使用标记的训练集（8090张阳性图像和9711张阴性图像），通过迁移学习方法微调三种候选DNN分类器（AlexNet、VGG-16和GoogLeNet）。在1742个样本的测试数据集上评估所得分类器，并与五位独立儿科视网膜眼科医生进行对比。分析测试数据集上的ROC曲线、AUC值及P-R曲线，在不同灵敏度截断值下评估准确率、精确率、灵敏度（召回率）、特异度、F1分数、Youden指数和MCC值。将五位儿科眼科医生的数据绘制于ROC和P-R曲线以可视化其表现。结果：VGG-16性能最佳。在精确率-召回率曲线中F1分数最大化的截断点，最终DNN模型达到98.8%准确率、94.1%灵敏度、99.3%特异度和93.0%精确率，与儿科眼科医生水平相当（98.8%准确率、93.5%灵敏度、99.5%特异度和96.7%精确率）。结论：在通过广角视网膜图像评估进行ROP筛查时，DNN具有高准确率、灵敏度、特异度和精确率，与儿科眼科医生表现相当。

    关键词： 图像分类、早产儿视网膜病变、迁移学习、深度神经网络、广角视网膜图像、计算机辅助诊断

    更新于2025-09-09 09:28:46

  • [IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - MFCNET：一种用于图像变化检测的端到端方法

    摘要： 变化检测是计算机视觉和视频处理中的重要任务。由于存在无关紧要或干扰性的变化形式，传统方法需要复杂的图像预处理甚至人工干预。本研究提出一种端到端的变化检测方法，用于识别多幅图像中的时序变化。该方法将图像对输入深度卷积神经网络，该网络结合了MatchNet[1]模型与经过参数量优化的改进型全卷积网络[2]。我们使用2014年变化检测挑战赛数据集（CDnet2014）的子集帧进行方法训练与评估。实验对比表明，相较于多种已知方法，本方案展现出更优的性能表现。

    关键词： MatchNet（匹配网络）、深度神经网络、全卷积网络（FCN）、多特征融合卷积网络（MFCNet）、变化检测

    更新于2025-09-09 09:28:46