- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2019物联网国际会议(iThings)暨IEEE绿色计算与通信会议(GreenCom)暨IEEE信息物理社会计算会议(CPSCom)暨IEEE智能数据会议(SmartData) - 美国佐治亚州亚特兰大市(2019年7月14日-17日)] 2019物联网国际会议(iThings)暨IEEE绿色计算与通信会议(GreenCom)暨IEEE信息物理社会计算会议(CPSCom)暨IEEE智能数据会议(SmartData) - 基于集成卷积神经网络从红外卫星数据估算热带气旋最大风速
摘要： 热带气旋（TC）最大风速是评估风灾潜力和风暴潮等TC风险的重要参数。先前研究表明，通过基于卫星云图云特征的系列经验规则可估算TC最大风速。卷积神经网络（CNN）等深度学习技术具备提取与理解眼区、螺旋雨带等与最大风速密切相关的云特征的能力。但CNN主要用于目标识别与分类，在回归任务中应用较少。我们提出基于卷积神经网络的集成架构，可更精准地估算TC最大风速。该架构具体包含：用于训练并捕捉云图与其风速间非线性关系的输入层、卷积层、激活函数及池化层，以及执行估算任务的全连接层。我们评估了红外云图与TC最大风速回归领域的最新技术水平，论证了不同组件的必要性，结果表明该方法提升了TC强度估算能力。
关键词： 红外云图，卷积神经网络（CNN），台风最大风速
更新于2025-09-16 10:30:52
-
对数变换域中基于跳跃连接的扩张残差学习用于血流激光散斑成像的实时去噪
摘要： 激光散斑对比成像（LSCI）是一种用于绘制血流图的大视场非接触式成像技术。尽管基于块匹配和三维滤波（BM3D）的去噪方法能显著提高其信噪比（SNR），但处理时间难以实现实时去噪。此外，在存在显著噪声和伪影的情况下，仅用少量原始散斑图像仍难以获得可接受的SNR水平。前馈式去噪卷积神经网络（DnCNN）在自然图像去噪中达到最先进性能且能通过GPU高效加速，但由于LSCI原始散斑对比图像的噪声分布不均匀，其学习效果较差。因此，我们提出在log变换域训练LSCI专用DnCNN以提高训练精度，使峰值信噪比（PSNR）提升5.13 dB。为缩短推理时间并提升去噪性能，我们进一步提出具有跳跃连接的扩张深度残差学习网络（DRSNet）。采用五幅原始散斑图像的DRSNet图像质量评估优于使用二十幅原始散斑图像的空间平均去噪。在NVIDIA 1070 GPU上，DRSNet对486×648像素血流图像的去噪耗时35毫秒（即每秒28?。?，比DnCNN快约2.5倍。在测试集中，DRSNet的PSNR也比DnCNN提高0.15 dB。该网络在生物医学血流实时监测方面展现出良好应用潜力。
关键词： 血流、卷积神经网络（CNN）、激光散斑对比成像（LSCI）、扩张卷积、跳跃连接
更新于2025-09-16 10:30:52
-
[IEEE 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 荷兰阿姆斯特丹（2019.9.24-2019.9.26）] 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 基于卷积神经网络的多分辨率草坪杂草分类知识迁移
摘要： 杂草识别与分类是实施定点除草的关键且具有挑战性的任务。由于杂草与作物的光谱相似性较高，本研究采用基于空间信息的对象图像分析方法进行杂草分类。随着多种传感器的广泛应用，我们能够从不同高度、利用不同规格的传感器获取杂草影像。本文提出一种创新方法：通过卷积神经网络（CNN）运用迁移学习技术处理多源传感器获取的多分辨率图像。先利用典型图像数据集训练CNN并迁移其训练权重至不同分辨率的其他数据集，从而仅需少量训练样本对网络进行微调即可实现新数据集分类，大幅降低模型训练所需的大数据量。为避免微调过程中的过拟合问题，我们基于预训练模型初始层参数，研究并提出了小型深度学习架构。实验还探究了训练样本规模对微调效果的影响。田间试验表明，该方法在识别精度和计算成本方面均优于直接训练法。
关键词： 高光谱图像，分辨率，卷积神经网络（CNN），杂草制图，迁移学习
更新于2025-09-12 10:27:22
-
利用时空卷积神经网络进行多站点光伏预测
摘要： 光伏发电的精准预测对智能电网和可再生能源市场至关重要。本文提出一种名为时空卷积神经网络（STCNN）的新型短期光伏预测技术，该技术利用多个光伏站点的位置信息与历史发电数据。该结构设计简洁却能有效实现多站点光伏预测。为此，我们提出一种贪婪邻接算法，将光伏数据预处理为能捕捉时空相关性的时空矩阵，再通过卷积神经网络进行学习。基于美国三个典型州（加利福尼亚、纽约和阿拉巴马）多站点光伏发电数据的实验表明，所提STCNN方法较传统方法预测精度最高提升33%，在6小时预测时段内实现了相当准确的预测效果（平均绝对百分比误差为4.6%-5.3%）。我们还研究了光伏站点聚合对虚拟电厂的影响——当某些站点的误差能被其他站点补偿时，所提STCNN在多站点聚合情况下可实现高达40%的误差显著降低。
关键词： CNN、时空相关性、多站点光伏预测、时空矩阵
更新于2025-09-11 14:15:04
-
用于跨域虹膜呈现攻击检测的多视图学习分类器集成
摘要： 全球范围内大规模虹膜识别系统的应用，凸显了检测呈现攻击图像（纹理隐形眼镜和打印件）的重要性。本研究提出了一种新型虹膜呈现攻击检测（PAD）方法，通过探索卷积神经网络（CNN）与二值化统计图像特征（BSIF）转换输入空间的组合方案。该方法采用轻量级CNN对输入图像的多个BSIF视图进行分类。在研究互补输入空间以获取更具判别性的攻击检测特征后，我们还提出了一种算法来为本任务筛选最优（且最具判别性）的预测因子。该预测因子集合利用其预期个体性能，将结果聚合为最终预测。实验表明，该技术改进了当前虹膜PAD领域的先进水平，在LivDet-Iris 2017竞赛中同时超越了同数据集和跨数据集场景的优胜方案，并揭示了跨数据集场景的极高挑战性。
关键词： 卷积神经网络（CNN）、集成学习、二值化统计图像特征（BSIF）、呈现攻击检测（PAD）、虹膜识别
更新于2025-09-11 14:15:04
-
基于Wasserstein生成对抗网络的高光谱图像无监督特征提取
摘要： 特征提?。‵E）是高光谱图像（HSI）处理中的关键研究领域。近年来，由于深度学习（DL）在提取空间和光谱特征方面具有强大能力，基于DL的FE方法展现出巨大的应用潜力。然而，大多数基于DL的FE方法属于监督学习，其训练过程严重受限于高光谱图像中标注样本的缺失问题，这制约了监督式DL特征提取方法在高光谱处理中的应用。为解决该问题，本文提出一种改进型生成对抗网络（GAN），用于无监督地训练DL特征提取器。该网络包含生成器和判别器两个组件：生成器专注于数据集真实概率分布的学习，判别器则能有效提取具有优异不变性的空间-光谱特征。为实现自适应学习上采样与下采样策略，生成器采用全反卷积子网络设计，判别器则基于全卷积子网络构建。此外，通过利用生成器与判别器的零和博弈关系，设计了新型极小极大代价函数，实现端到端的无监督GAN训练。该方法还将原始JS散度替换为Wasserstein距离，以缓解GAN框架训练过程中的不稳定性和困难性。三个真实数据集的实验结果验证了所提方法的有效性。
关键词： 卷积神经网络（CNN）、高光谱图像（HSI）、特征提取（FE）、生成对抗网络（GAN）
更新于2025-09-11 14:15:04
-
基于卷积神经网络的高分辨率遥感土地利用/土地覆盖分类全连接条件随机场方法
摘要： 土地利用与土地覆盖（LULC）的解译是高分辨率遥感（RS）图像处理和土地资源管理领域的重要课题。要完整训练一个用于LULC分类的新建或现有卷积神经网络（CNN）架构，需要大量遥感影像数据，因此需对预训练CNN进行微调以实现LULC检测。为提高高分辨率遥感图像的分类精度，需采用另一种特征描述符并结合后处理分类器。本文提出一种全连接条件随机?。‵C-CRF），通过利用微调后的CNN层、光谱特征及全连接成对势能来实现高分辨率遥感图像分类：首先采用现有CNN模型并通过训练数据集微调其参数，计算图像像素属于各类别的概率；其次结合光谱特征与数字表面模型（DSM），并采用支持向量机（SVM）分类器确定各LULC类别概率，基于微调CNN获得的概率构建新特征描述符；最后引入FC-CRF生成分类结果——其中一元势能由新特征描述符和SVM分类器获得，成对势能则由三波段RS影像与DSM生成。实验结果表明，当总体精度达到约85%时，该分类方案具有良好性能。
关键词： 遥感、全连接条件随机场（FC-CRF）、图像分类、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
[2018年IEEE国际电子/信息技术会议(EIT) - 美国密歇根州罗切斯特市(2018年5月3日-5月5日)] 2018年IEEE国际电子/信息技术会议(EIT) - 基于卷积神经网络的交通标志识别系统综述
摘要： 本文简要探讨了卷积神经网络（CNN）模型在交通标志识别（TSR）系统中的应用。传统上，TSR系统采用不同技术来检测和分类视觉数据。CNN曾被单独用于特征提取与分类器训练，也曾同时用于检测和分类任务。其中表现成功的是快速分支CNN模型，该模型通过模拟生物机制提升效率。尽管它并非本文所述模型中最精确的，但在时效敏感条件下展现的效率因其潜在应用价值值得深入探究。快速分支CNN模型挑战了既有模型的假设，唯有新模型继续突破这一局限，该技术才能实现进一步发展。
关键词： 卷积神经网络（CNN），交通标志识别（TSR），分类，检测
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 - 2018年IEEE国际地球科学与遥感研讨会 - 基于ResNet的SAR目标识别小样本学习优化
摘要： 深度卷积神经网络（CNN）是深度学习的重要分支。凭借其强大的特征提取能力，CNN模型已被引入解决合成孔径雷达自动目标识别（SAR-ATR）问题。然而，标注的SAR图像难以获取，因此如何从小样本数据集中获得良好的识别结果是我们主要关注的问题。理论上，更深的网络能带来更好的训练效果，但同时也给训练过程带来更多困难，尤其是在标注训练数据有限的情况下。近年来提出的残差学习能有效缓解这一问题。本文采用深度残差网络，并在构建?？橹幸雂ropout层以减轻有限SAR数据导致的过拟合。为提升训练效果，我们采用新的损失函数中心损失，并与softmax损失结合作为监督信号来训练深度CNN。实验结果表明，在不使用数据增强或预训练的情况下，该方法使用全部训练数据可实现99.67%的分类准确率；当训练数据集缩减至20%时，仍能获得高于94%的识别结果。
关键词： 中心损失，自动目标识别（ATR），有限标注数据，卷积神经网络（CNN），合成孔径雷达（SAR），残差学习
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 - 基于混合神经网络的高光谱图像分类
摘要： 卷积神经网络（CNN）能够提取空间语义特征，在许多计算机视觉任务中表现出色。本文提出混合神经网络（HNN），可在同一深度网络中同时提取空间与光谱特征。该网络由不同类型的隐藏层构成，包括空间结构层、空间上下文层和光谱层。这些层级作为有机整体网络运作，从高光谱数据中挖掘尽可能多的有效信息用于分类。实验结果表明，该方法性能优于其他最先进的神经网络方法。此外，该方案为利用深度网络处理多维数据提供了新途径。
关键词： 监督分类、特征学习、高光谱图像（HSI）、卷积神经网络（CNN）
更新于2025-09-10 09:29:36