- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[2018年IEEE全球信号与信息处理会议(GlobalSIP) - 美国加州阿纳海姆(2018.11.26-2018.11.29)] 2018年IEEE全球信号与信息处理会议(GlobalSIP) - 高分辨率傅里叶变换红外光谱图像的数字染色技术
摘要： 组织学染色（如苏木精-伊红染色法H&E）常用于临床活检组织的标记。但这些染色剂会改变组织化学特性，导致后续分析困难。傅里叶变换红外光谱技术（FTIR）无需化学标记或染料即可实现疾病相关组织的特征分析，展现出良好前景。然而组织分类依赖人工标注，对复杂样本而言既困难又繁琐。此外，分子分析结果必须以便于专业病理医师诊断的方式呈现。现有解决方案之一是数字染色技术——通过机器学习将红外光谱图像映射为理想化学染色图像。虽然这些方法效果显著，但其分辨率远低于传统组织学水平。我们证明：采用相同样本的FTIR成像与组织学染色可获得高分辨率映射；同时最新卷积神经网络（CNN）能同步利用空间与光谱特征，从而获得更优结果。
关键词： 美国有线电视新闻网、数字染色、图像分析、组织病理学
更新于2025-11-19 16:56:35
-
[IEEE 2018年第三届信号与图像处理国际会议(ICSIP) - 中国深圳 (2018.7.13-2018.7.15)] 2018年IEEE第三届信号与图像处理国际会议(ICSIP) - 基于深度卷积神经网络的航天器检测
摘要： 航天器检测是航空航天信息处理与控制中的关键问题之一，能够提供目标的可靠动态状态，从而支持目标识别、分类、编目等决策。尽管现有多种航天器检测方法，但大多数无法实现实时检测，且在不同场景下仍存在精度不足和容错性较差的问题。近年来，深度学习算法在计算机视觉领域取得了卓越的检测性能，尤其是基于回归的卷积神经网络YOLOv2，其兼具良好精度与速度，优于其他先进检测方法。本文首次将CNN应用于航天器检测，并建立了空间目标检测数据集。我们的方法从图像标注和数据增强入手，随后采用改进的基于回归的卷积神经网络YOLOv2进行航天器检测。实验结果表明，该算法在测试集上达到97.8%的检测率，单幅图像平均检测时间约0.018秒，具有较低的时间开销，且对航天器的旋转和光照变化表现出更强的鲁棒性。
关键词： 航天器，美国有线电视新闻网，目标检测，YOLOv2
更新于2025-09-23 15:23:52
-
[计算机科学讲义] 模式识别与计算机视觉 第11257卷（首届中国会议，PRCV 2018，中国广州，2018年11月23-26日，会议录，第二部分）|| 基于注意力机制的CNN在机场X光安检图像中违禁品检测
摘要： 安全检查的自动化对于提高效率并降低安全风险至关重要。本文重点研究机场X光安检图像中违禁物品的自动识别与定位。我们采用自上而下的注意力机制来增强CNN分类器，使其能够额外定位违禁物品。通过引入高层语义反馈回路，将目标语义信号映射至输入X光图像空间以生成任务特定的注意力图——这些注意力图能标示输入图像中违禁物品的位置及大致轮廓。此外，为获取更精确的定位信息，我们结合侧向抑制与对比注意力机制来抑制注意力图中的噪声与非目标干扰。在GDX射线图像数据集上的实验表明，该方案在单目标检测和多目标检测中均具有高效性与稳定性。
关键词： 美国有线电视新闻网，检测，违禁物品，注意
更新于2025-09-23 15:21:01
-
[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 - 面向超高分辨率海事图像语义分割的Shipnet网络
摘要： 对于超高分辨率（VHR）海事图像，语义分割是一个新兴的研究热点，在海岸线导航、资源管理和领土?；ぶ芯哂兄匾饔谩Ｔ谌狈ψ愎槐曜⒀盗肥莸那榭鱿?，既要清晰分割大范围区域，又要同时分离大尺度中的小目标物体是一项挑战。为此，我们提出了一种新型ShipNet网络，并设计了一个加权损失函数，用于同步实现海陆分割与船舶检测。为验证所提方法，我们还构建并向学界公开了一个包含VHR多尺度海事图像的新数据集。与FCN和ResNet相比，该方法取得了更优的F1分数（船舶类别达85.90%，总体准确率达97.54%）。相较于多尺度FCN，ShipNet能获取如锐利边缘般的细节结果。即使对于低质量图像，ShipNet仍能保持稳健性并获得良好效果。
关键词： 美国有线电视新闻网，船舶检测，海陆分割，遥感图像
更新于2025-09-23 06:58:59
-
[2018年IEEE国际智能交通系统会议（ITSC） - 美国夏威夷州毛伊岛（2018.11.4-2018.11.7）] 2018年第21届国际智能交通系统会议（ITSC） - TUBS道路使用者数据集：一种新型激光雷达数据集及其在自动驾驶车辆基于CNN的道路使用者分类中的应用
摘要： 我们提出了一种新颖的方法，用于对预分割的道路使用者激光扫描数据进行分类，同时考虑了自动驾驶应用中的实时性要求。该分类方法采用2.5D卷积神经网络（CNN）处理距离数据及反射光束获取的强度信息。我们不仅依赖公开可用的激光扫描数据集（这些数据集缺乏若干特征），还提供了来自真实传感器记录的补充数据集，该数据集通过基于跟踪的自动标注流程进行标注。我们评估了CNN在不同特征配置下的分类性能。训练过程中，我们使用自动标注与人工标注的数据，以及与其他公共数据集的混合数据。结果表明该方法具有出色的分类能力。使用自动标注进行训练的效果与之相当，这为避免人工标注成本提供了可能。
关键词： 美国有线电视新闻网，数据集，道路使用者分类，自动驾驶车辆，激光雷达
更新于2025-09-04 15:30:14