- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
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
-
用于视网膜SD-OCT扫描中视网膜层和液体病理自动提取与表征的深层结构张量图搜索框架
摘要： 黄斑病变是一组影响黄斑区的视网膜疾病，若不及时治疗会导致严重视力损害。过去已有多种计算机辅助诊断方法被提出用于自动检测黄斑疾病。但据我们所知，目前尚无文献提供针对健康与病变黄斑病理的端到端分析解决方案。本文提出一种与设备无关的深度卷积神经网络结合结构张量图搜索的分割框架（CNN-STGS），用于视网膜层与液体病理的提取表征及三维视网膜分析。该框架首先从光学相干断层扫描（OCT）图像中提取九个视网膜层，随后结合深度CNN模型自动分割囊样与浆液性病理区域，最后实现自主三维视网膜分析。我们在公开数据集（包含439名受试者总计42,281次扫描的杜克大学数据集，以及51名受试者4,260次OCT扫描的武装部队眼科研究所数据集——这些数据通过不同OCT设备采集）上验证了CNN-STGS框架。通过标记注释验证表明，该框架在多项指标上显著优于现有方案：对视网膜液体的分割平均Dice系数达0.906，在病变视网膜OCT扫描中识别囊样与浆液性液体的准确率达98.75%。
关键词： 卷积神经网络（CNN）、光学相干断层扫描（OCT）、黄斑病变、眼科学、图搜索
更新于2025-09-23 15:23:52
-
SCN：用于RGB-D图像语义分割的可切换上下文网络
摘要： 上下文表征已广泛应用于提升语义图像分割效果。深度数据的出现为构建更具判别力的上下文表征提供了额外信息。深度数据能保留场景中物体的几何关系，而这种关系通常难以从RGB图像中推断。尽管深度卷积神经网络(CNN)在解决语义分割问题上已取得成功，但我们面临如何利用深度数据中有价值的上下文信息来优化CNN训练以提升分割精度的问题。本文提出一种新型可切换上下文网络(SCN)来实现RGB-D图像的语义分割。深度数据用于识别存在于多个图像区域中的物体，该网络通过分析各图像区域信息来识别不同特征，再通过切换网络分支进行选择性利用?；诖油枷窆逃薪峁怪刑崛〉哪谌?，我们能够生成同时感知图像结构和物体关系的有效上下文表征，从而实现语义分割网络更连贯的学习。实验证明，我们的SCN在两个公开数据集上均优于现有最优方法。
关键词： 上下文表示、卷积神经网络（CNN）、RGB-D图像、语义分割
更新于2025-09-23 15:23:52
-
一种具有多尺度卷积和多样化度量的CNN用于高光谱图像分类
摘要： 近期，研究人员已证实多层深度方法在提取高层特征及提升高光谱图像分类性能方面具有强大能力。然而传统深度模型的普遍问题是：由于训练样本数量有限（尤其针对类内方差大而类间方差小的图像），所学深度模型可能并非最优解。本文提出新型多尺度卷积神经网络（MS-CNNs），通过从高光谱图像中提取深层多尺度特征来解决该问题。此外，深度度量通常与MS-CNNs配合使用以增强高光谱图像的表征能力，但常规度量学习会使所学模型中的度量参数趋于相似——这种相似性会导致明显的模型冗余，从而对深度度量的描述能力产生负面影响。传统上可采用行列式点过程（DPP）先验来促使所学因子相互排斥以实现多样化。本文结合MS-CNNs与基于DPP的多样性促进深度度量优势，开发出具有多尺度卷积和多样化度量的CNN，以获取高光谱图像分类的判别性特征。通过在四个真实高光谱图像数据集上的实验，验证了所提方法的有效性与适用性。实验结果表明：相较于原始深度模型，本方法在不同高光谱图像数据集上（无论是光谱特征还是光谱-空间特征）均能取得相当甚至更优的分类性能。
关键词： 深度度量学习，行列式点过程（DPP），图像分类，多尺度特征，卷积神经网络（CNN），高光谱图像
更新于2025-09-23 15:23:52
-
[IEEE 2018年第24届国际模式识别会议(ICPR) - 北京(2018.8.20-2018.8.24)] 2018年第24届国际模式识别会议(ICPR) - 基于Faster R-CNN的内窥镜视频息肉检测高效方法
摘要： 长期以来，息肉一直被认为是结直肠癌（一种全球范围内的致命疾?。┑闹饕∫蛑?，因此早期发现和识别息肉在临床实践中起着至关重要的作用。由于医生操作内窥镜的技能水平参差不齐，以及内窥镜检查本身的特性，通过内窥镜准确诊断息肉成为一项具有挑战性的任务。为了促进这一过程，专门设计了强调全传统图像处理和新型机器学习增强方法的计算机技术，用于内窥镜视频或图像中的息肉检测。在所有提出的算法中，基于深度学习的方法在算法性能演进的多个指标上处于领先地位。在这项工作中，实施了一种高效的模型——快速区域卷积神经网络（Faster R-CNN）用于息肉检测。与现有最先进的息肉检测方法报告的结果相比，大量实验表明，Faster R-CNN取得了极具竞争力的结果，是临床实践中的有效方法。
关键词： 计算机辅助诊断、深度学习、Faster R-CNN、息肉检测、内窥镜视频
更新于2025-09-23 15:23:52
-
[IEEE 2018第三届机械、控制与计算机工程国际会议(ICMCCE) - 呼和浩特(2018.9.14-2018.9.16)] 2018第三届机械、控制与计算机工程国际会议(ICMCCE) - 基于Faster R-CNN的遥感图像关键目标识别系统设计
摘要： 针对遥感图像中关键目标传统低层识别问题，提出一种基于Faster R-CNN的目标检测与识别方法。首先将开源遥感图像数据集NWPU VHR-10数据集转换为VOC 2007格式作为训练集和测试集；其次根据训练集类别信息优化神经网络超参数，采用Faster R-CNN神经网络对训练集进行训练生成模型；最后利用该模型对未知遥感图像进行检测并识别重要目标。仿真结果表明，该方法具有较高的识别精度和速度，可为遥感图像关键目标识别提供参考。
关键词： Faster R-CNN、卷积神经网络、深度学习、关键目标识别、遥感图像检测
更新于2025-09-23 15:22:29
-
遥感图像目标检测中的尺度自适应提议网络
摘要： 航拍图像中的目标检测在许多应用中具有广泛用途。近年来，快速区域卷积神经网络在自然图像目标检测方面展现出显著改进。考虑到遥感图像中目标的尺寸和分布特征，在采用该技术前需对区域提议网络(RPN)进行改进。本文提出一种尺度自适应提议网络(SAPNet)以提高遥感图像多目标检测的精度。该网络由设计用于生成多尺度目标提议的多层RPN构成，并包含采用融合特征层以优化多目标检测的最终检测子网络。对比实验结果表明，所提出的SAPNet显著提升了多目标检测的准确性。
关键词： 区域提议网络（RPN）、多目标检测、遥感图像、卷积神经网络（CNN）
更新于2025-09-23 15:22:29
-
基于跨域卷积神经网络的高光谱图像光谱-空间特征高效提取与分类
摘要： 近年来，众多遥感应用高度依赖高光谱图像（HSI）。作为基础性问题，HSI分类日益受到关注，已成为遥感领域的热门课题。我们实现了一种采用dropout和正则化策略的卷积神经网络（CNN），以解决有限训练样本导致的过拟合问题。尽管大量文献证实融合光谱与空间上下文是有效的HSI分类方法，但尺度问题尚未得到充分挖掘。本文提出一种高效的光谱-空间HSI深度特征提取与分类方法，能充分利用引导滤波获取的多尺度空间特征。该方法是首次尝试为光谱和多尺度空间特征学习CNN。实验结果表明，相比同类方法，在印度松树、帕维亚大学和萨利纳斯等数据集上，本方法可将分类精度提升3%。
关键词： 卷积神经网络（CNN）、高光谱图像（HSI）分类、引导滤波、光谱-空间融合
更新于2025-09-23 15:22:29
-
一种基于更新的卷积神经网络框架在大面积遥感图像目标检测中的应用示例
摘要： 本信函探讨了大范围遥感图像中目标精确检测的问题。尽管许多基于卷积神经网络（CNN）的目标检测模型在小图像块上能实现高精度，但由于复杂背景和多样地物类型导致大量漏检与误检，在大范围图像中表现欠佳。为应对这一挑战，本信函提出一种基于样本更新的大范围遥感图像目标检测CNN框架（SUCNN）。该框架包含两个阶段：第一阶段使用训练数据集训练基础模型——单发多框检测器；第二阶段通过生成人工复合样本更新训练集，并利用更新后的数据集对第一阶段模型参数进行微调以获得第二阶段模型。最终采用大范围遥感图像测试集对一、二阶段模型进行评估。对比实验表明，所提SUCNN框架在大范围遥感图像目标检测中具有显著有效性与优越性。
关键词： 大面积遥感图像、样本更新、目标检测、卷积神经网络（CNN）
更新于2025-09-23 15:22:29
-
基于多目标卷积神经网络模型与决策融合的高光谱海岸湿地分类
摘要： 沿海湿地地物类型存在光谱混叠现象，导致类别混淆。本文提出一种面向沿海湿地高光谱图像的多目标卷积神经网络（CNN）决策融合分类方法。该方法采用基于模糊隶属度规则的决策融合技术处理单目标CNN分类结果，从而获得更高的分类精度。实验结果表明，该方法对水体、滩涂、芦苇及其他植被等六类地物具有良好效果?；谀：ナ舳鹊木霾呷诤戏掷喾椒ㄗ芴寰却?2.11%，较单目标特征波段CNN方法和支持向量机方法分别提高3.33%和6.24%。该多目标CNN决策融合分类方法继承了CNN单目标特征波段的特性，在存在类别混淆的挑战性条件下仍是一种实用的图像分类方案。
关键词： 决策融合、卷积神经网络（CNN）、高光谱图像、分类
更新于2025-09-23 15:22:29