- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2018年国际神经网络联合会议（IJCNN）- 里约热内卢（2018.7.8-2018.7.13）] 2018年国际神经网络联合会议（IJCNN）- 基于卷积神经网络的红外图像甲状腺结节识别
摘要： 早期发现甲状腺异?？山档图膊〗狗缦?。影像学检查是诊断过程中的重要工具，但多数检查费用较高或可能使患者暴露于过量辐射。热成像技术作为甲状腺疾病诊断（尤其是结节检测）的有趣替代方案，因其能捕捉部分温度高于正常组织的结节特征。通过图像处理技术可定位潜在甲状腺结节区域，而卷积神经网络（CNN）则用于筛选真正与结节相关的区域。CNN在临床图像分类中应用广泛，已有模型在此类问题中展现良好效果。本研究提出结合简易图像处理技术与CNN的热成像甲状腺结节识别方法，测试了三种CNN架构：基于GoogLeNet（最高准确率86.22%）、AlexNet（77.67%）和VGG（74.96%）的模型。
关键词： 影像检查，卷积神经网络 - CNN，图像分类
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 - 采样方法对基于三维卷积神经网络的像素级高光谱图像分类的影响
摘要： 监督图像分类是从遥感影像生成语义图的关键技术之一。由于采集训练样本存在固有的时间和成本投入，标注真实数据集的匮乏导致新分类器通常在单幅影像内进行训练与验证。针对此情况，主流方法采用随机采样策略将现有真实数据划分为互斥的训练集和测试集。本文探讨了该策略与光谱-空间及像素级分类器（如三维卷积神经网络3D CNN）结合使用时产生的问题：随机采样方案会导致独立性假设被违背，并产生从训练集中提取全局知识的假象。为此，本文提出两种基于密度聚类算法（DBSCAN）的改进采样策略，通过最小化训练/测试样本独立性假设的违背程度，确保对分类器泛化能力的真实评估。
关键词： DBSCAN、聚类、采样策略、卷积神经网络（CNN）、深度学习、高光谱图像分类
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 - 基于生成对抗网络的遥感图像半监督目标检测
摘要： 目标检测是计算机视觉中的一项具有挑战性的任务。目前许多检测网络在应用大规模训练数据集时能取得良好的检测效果，但标注足量训练数据往往耗时较长。针对这一问题，本文提出了一种基于半监督学习的方法。半监督学习利用少量标注数据和大量未标注数据来训练检测网络。本方法采用生成对抗网络从无标注数据中提取数据分布特征，并将这些信息用于提升检测网络性能。实验表明，相比仅使用少量标注数据的监督学习方法，本文方案能显著提升检测性能。结果表明，当训练数据集中仅标注少量目标对象时，仍可获得可接受的检测效果。
关键词： 生成对抗网络（GAN）、卷积神经网络（CNN）、半监督学习、目标检测
更新于2025-09-10 09:29:36
-
[IEEE 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 杭州（2018.8.6-2018.8.9）] 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 基于机载高光谱遥感图像的中国南方典型农场精细分类
摘要： 在中国南方地区，特殊的土地碎片化现象使得作物种植呈现出单块种植面积小、多地块轮作和空间多样化种植的特点?；谥泄戏蕉捞氐淖魑镏种蔡卣?，本文以湖北省洪湖市典型南方农场为例，采用无人机成像光谱仪平台同步获取"双高"（高光谱与高空间分辨率）影像。为完成"双高"影像的作物精细分类，本文提出了CNN-CRF算法。该算法仅需1%的训练样本即可在遥感影像上达到91.5%的分类精度，其性能远优于大多数传统分类方法。
关键词： 条件随机?。–RF）、卷积神经网络（CNN）、精细分类、机载高光谱
更新于2025-09-10 09:29:36
-
基于卷积神经网络的DFT扩频OFDM可见光通信系统时域均衡器
摘要： 本文提出了一种基于机器学习方法的可见光通信(VLC)系统新型时域均衡器。本研究采用离散傅里叶变换扩频正交频分复用(DFT-S-OFDM)作为调制方案，并以卷积神经网络(CNN)作为均衡器的核心处理单元。通过训练序列估计信道状态信息(CSI)后，该均衡器根据估计的CSI恢复传输符号。数值仿真表明，该均衡器能显著提升误码率(BER)性能。例如当信噪比(SNR)为20dB且采用16/32/64正交幅度调制(QAM)时，原始误码率约为0.5，而恢复后的误码率可达10^-5，远低于前向纠错(FEC)门限3.8×10^-3。本研究推动了机器学习在VLC领域的应用。据我们所知，这是首次探索基于CNN的均衡器。
关键词： 机器学习（ML）、离散傅里叶变换扩频正交频分复用（DFT-S-OFDM）、可见光通信（VLC）、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
基于多层特征聚合的可变形Faster R-CNN用于光学遥感图像中部分遮挡目标检测
摘要： 基于区域的卷积神经网络在光学遥感图像目标检测中展现出卓越能力。然而标准卷积网络因其构建模块中的固定几何结构，本质上难以建模几何变换。为此，我们引入可变形卷积这一新模块并集成到主流的Faster R-CNN框架中——通过为标准卷积的规则采样网格添加二维偏移量，该模块能从目标任务中自主学习增强的空间采样位置而无需额外监督。本研究通过在最后网络阶段用可变形卷积层替换标准卷积层构建了可变形Faster R-CNN，同时采用自顶向下与跳跃连接生成高分辨率的单一高层特征图进行预测。为增强模型对遮挡的鲁棒性，提出了一种简单有效的数据增强技术用于神经网络训练。实验结果表明，我们的可变形Faster R-CNN在SORSI和HRRS数据集上显著提升了平均精度均值。
关键词： 更快的R-CNN，遮挡目标检测，数据增强，可变形卷积神经网络
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 - 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 - 高光谱图像分类的深度张量分解
摘要： 高维光谱特征和有限的训练样本给高光谱图像（HSI）分类带来了一系列困难。特征提取是解决这一问题的有效方法。具体而言，张量分解优于主成分分析（PCA）和非负矩阵分解（NMF）等突出方法，因为它考虑了空间信息。近年来，深度学习因能高效提取各类任务的分层特征而备受关注。本文提出一种新颖的特征提取方法——深度张量分解（DTF），用于从观测到的HSI中提取分层且有意义的特征。该方法利用张量表示HSI的优势以及卷积神经网络（CNN）在分层特征提取方面的优点。具体来说，首先对HSI的光谱维度进行卷积操作以抑制噪声影响，然后将卷积后的HSI输入张量分解以学习数据的低秩表示，之后重复上述两个过程以学习HSI的分层表示。在两个真实高光谱数据集上的实验结果表明了所提方法的优越性。
关键词： 高光谱图像（HSI）分类、特征提取、卷积神经网络（CNN）、张量分解
更新于2025-09-10 09:29:36
-
联合损失训练的卷积神经网络用于高光谱图像分类
摘要： 本信提出了一种基于卷积神经网络的高光谱图像分类方法，该方法通过重建损失函数和判别损失函数联合训练。网络中采用小尺寸卷积核与池化算子级联实现特征抽象，并构建了由反卷积算子和反池化算子组成的解码通道。解码通道执行的非监督重建不仅为网络训练引入先验信息，还通过控制门增强所提取特征的判别能力。实验表明，该方法性能优于当前最先进的基于神经网络的分类方法。
关键词： 控制门、无监督重建、卷积神经网络（CNN）、联合损失（JL）、高光谱图像（HSI）分类
更新于2025-09-10 09:29:36
-
利用光分离和卷积神经网络对葡萄浆果表皮蜡质进行自动表型分析
摘要： 果皮蜡质是葡萄浆果表皮的外层结构，已知其与抗灰霉病穗腐病的特性显著相关。传统上通过OIV描述符227（果粉）进行分类，这种方法耗时且会产生主观性强、易出错的表型数据。本研究开发了一种客观、快速、基于传感器的果皮蜡质监测方法。从技术角度看，不同光照分量的测量能传递被测物体表面的重要信息。我们提出"光分离实验室"方案，通过采集葡萄浆果的分光图像来表型分析果皮蜡质（果粉）的分布特征。采用高效的卷积神经网络进行图像分析，推导浆果蜡质的均匀度和完整性。经六个葡萄品种验证，该方法准确率达97.3%。此外，果皮及其蜡质的电阻抗（作为浆果表皮厚度和渗透性的指标）与检测到的蜡质比例呈r=0.76的相关性。这种新型快速无损的表型分析方法，有助于扩大葡萄育种材料和基因库中关于果粉特性及其对灰霉病穗腐病抗性的筛选范围。
关键词： 灰葡萄孢菌，浆果粉霜，卷积神经网络（CNN），欧亚葡萄，直接光照与全局光照
更新于2025-09-10 09:29:36
-
基于卷积神经网络的近红外夜间道路行人识别
摘要： 行人识别是行人保护系统中行人检测的核心技术。本文对比分析了可见光、近红外、短波红外和长波红外相机获取的可见光与红外图像。结果表明，在考虑设备成本和行人成像质量的情况下，近红外相机最适合夜间行人检测。本文首次报道了采用带自学习softmax的9层卷积神经网络（CNN）模型来识别近红外夜间行人。利用从近红外图像中获取的267,000个样本对CNN识别模型进行优化。采集的近红外夜间样本包含3类（背景、行人以及骑自行车或摩托车者），并将向研究人员公开使用。测试结果表明，采用自学习softmax优化的CNN模型在实时行人识别方面具有竞争力和潜力。
关键词： softmax（Softmax函数）, pedestrian recognition（行人识别）, CNN（卷积神经网络）, nighttime（夜间）, near infrared（近红外）
更新于2025-09-10 09:29:36