- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于CRF嵌入的自监督特征学习用于高光谱图像分类
摘要： 高光谱图像（HSI）分类的挑战在于存在噪声光谱信息以及像素间缺乏上下文信息?？悸堑礁吖馄淄枷裰醒窍袼?、像素和超像素这三个不同层次能提供互补信息，我们开发了一种新型高光谱图像特征学习网络（HSINet），通过自监督方式为高光谱图像分类学习一致性特征。HSINet包含一个三层深度神经网络和一个多特征卷积神经网络，可自动提取空间、光谱、颜色、边界等特征及上下文信息。为通过似然最大化提升自监督特征学习的性能，我们将条件随机?。–RF）框架嵌入HSINet。CRF中的一元、成对和高阶势项分别由对应的亚像素、像素和超像素构建。此外，这些项产生的反馈信息也被融合到不同层次的特征学习过程中，使得HSINet-CRF成为一个可通过反向传播算法训练的端到端深度学习模型。我们在三个广泛使用的高光谱数据集上进行了综合评估，结果表明本方法优于现有最先进技术。
关键词： 自监督学习、特征学习、卷积神经网络（CNN）、条件随机?。–RF）、高光谱图像（HSI）分类
更新于2025-09-09 09:28:46
-
[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 - 基于深度卷积神经网络的高光谱遥感图像杂草分类
摘要： 自动杂草检测与制图对于实施定点除草至关重要，既能降低农业生产成本，又能减少除草剂对人类健康的影响。本文采用高光谱图像研究基于斑块的杂草识别方法，通过卷积神经网络（CNN）与方向梯度直方图（HoG）进行对比评估。研究探讨了适宜的斑块尺寸，揭示了RGB影像的局限性。实验结果表明：随着波段数量增加，CNN的杂草分类总体精度持续提升；相比传统HoG特征提取方法，CNN能提取更具判别力的特征从而提高分类效果，但其计算负荷会随波段数增加而略有上升。
关键词： 方向梯度直方图（HoG）、杂草制图、高光谱图像、卷积神经网络（CNN）
更新于2025-09-09 09:28:46
-
[2018年IEEE第20届国际多媒体信号处理研讨会(MMSP) - 加拿大不列颠哥伦比亚省温哥华市(2018年8月29日-8月31日)] 2018年IEEE第20届国际多媒体信号处理研讨会(MMSP) - 基于全卷积神经网络的遥感图像云检测算法
摘要： 本文提出了一种基于深度学习的框架，用于解决遥感图像中精确云检测的问题。该框架利用全卷积神经网络（FCN），能够对Landsat 8图像中的云区域进行像素级标注。同时，提出了一种基于梯度的识别方法，用于识别并排除训练集真实标签中的冰雪区域。研究表明，结合阈值法与深度学习这两种方法的混合方案，在无需人工修正自动生成的真实标签的情况下，提升了云检测的性能。平均而言，Jaccard指数和召回率分别提高了4.36%和3.62%。
关键词： 深度学习、Landsat 8、全卷积网络（FCN）、图像分割、U-Net、遥感、卷积神经网络（CNN）、云检测
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) - 近红外影像着色
摘要： 本文提出了一种基于堆叠条件生成对抗网络的近红外（NIR）图像着色方法。我们设计了一种生成对抗网络（GAN）的变体架构，该架构在条件概率生成模型上采用多重损失函数。研究表明，这种新架构/损失函数能更好地实现生成彩色红外图像的泛化与表征。我们在大型测试数据集上评估了所提方法，并使用标准指标与最新前沿技术进行了对比。
关键词： 卷积神经网络（CNN）、红外图像着色、生成对抗网络（GAN）
更新于2025-09-04 15:30:14
-
通过X射线CT和深度学习识别内部组件装配错误
摘要： 确保复杂产品的所有组件正确组装至关重要。由于许多情况下部分组件被封装在不透明外壳内，目前采用X射线成像技术提取其特征并与已知特征进行比对。但X射线成像在识别内部组件错误装配方面鲁棒性不足，因为某些组件可能相互重叠。为解决该问题，我们提出一种结合X射线计算机断层扫描（CT）与卷积神经网络（CNN）的新型内部组件装配故障检测方法：通过机械旋转产品使X射线CT机获取各内部组件的多视角投影信息，进而利用深度学习实现组件识别。训练CNN模型对内部组件分类并输出各组件坐标后，基于CNN识别结果与CT投影正弦图，可在标准产品的投影数据集中找到对应参考投影。通过比对各组件位置，可识别置换或错位情况。仿真与实验均表明，该方法能有效识别错误装配、缺失装配、组件置换等问题，显著提升产品质量。
关键词： 投影正弦图，组件识别，卷积神经网络（CNN），X射线CT
更新于2025-09-04 15:30:14
-
[2018年IEEE智能世界、普适智能与计算、先进可信计算、可扩展计算与通信、云计算与大数据计算、人联网与智慧城市创新会议（SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI） - 中国广州（2018年10月8日至12日）] 2018年IEEE智能世界等系列会议 - 基于R-PCNN方法的人体安检太赫兹图像快速目标检测技术
摘要： 太赫兹人体安检图像分辨率低且信噪比低。传统方法通过图像分割、定位和识别来检测太赫兹图像中人体携带的物品，但这种方法难以同时满足检测精度和速度的要求。当前研究提出了一种结合Faster R-CNN预处理与结构优化的快速检测框架（R-PCNN）。实验结果表明，该方法能有效提升人体太赫兹图像中物品检测的精度和速度，在密集流动场景下可实现84.5%的检测准确率，单幅图像平均检测时间低于20毫秒。
关键词： 图像增强、太赫兹图像、Faster R-CNN、人体安检、目标检测
更新于2025-09-04 15:30:14
-
[2018年IEEE智能世界、普适智能与计算、先进可信计算、可扩展计算与通信、云计算与大数据计算、人联网及智慧城市创新会议（SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI）——中国广州（2018年10月8日-12日）] 2018年IEEE智能世界等系列会议——基于CNN和CRF的视网膜图像视盘自动检测
摘要： 本文提出一种基于卷积神经网络（CNN）与条件随机?。–RF）的视盘检测方法。我们通过CNN对彩色眼底视网膜图像进行预分类，并构建CRF的一阶势函数。随后采用高斯核函数的线性组合来构建CRF模型的二阶势函数。最终运用区域约束方法，通过分析连通区域标签的一致性并计算超像素区域的后验概率均值来修正各像素标签。CNN与CRF的结合不仅利用了像素的固有特征，还融入了空间上下文信息，使检测更为精准。新增的约束条件进一步保留了目标的局部信息，并通过平均场近似算法推断整个模型，从而提高了彩色眼底视网膜图像中视盘检测的准确性。实验表明，该CNN-CRF模型在病理性图像的视盘检测上优于现有算法，通过抑制其对周边病变、色素沉着等噪声干扰的敏感性，为视盘检测问题提供了有效解决方案。我们将结果与多个视网膜数据库的最新发表成果进行对比，证实该CNN-CRF模型超越了当前最先进方法。
关键词： CRF（条件随机场）、视盘、自动识别、CNN（卷积神经网络）
更新于2025-09-04 15:30:14
-
[IEEE 2018年国际趋同技术发展趋势会议（ICCTCT） - 印度科因巴托尔（2018.3.1-2018.3.3）] 2018年国际趋同技术发展趋势会议（ICCTCT） - 处理视网膜图像以发现疾病
摘要： 人眼视网膜由数十亿感光细胞（视杆细胞和视锥细胞）及传递视觉信息的神经细胞构成，是眼球内壁后部的一层薄组织。糖尿病视网膜病变、青光眼和白内障是三类主要的视网膜疾病。目前全球正面临糖尿病视网膜病变（DR）的流行趋势，预计到2030年患者数量将从当前的1.7亿激增至3.67亿。我们提出通过提取视网膜血管来检测眼病的系统方案——人工提取视网膜血管耗时费力，自动化处理能显著提升实施效率。本研究旨在设计并实现深度卷积神经网络，通过识别渗出物存在情况，对糖尿病视网膜病变、青光眼和/或白内障进行分类诊断。
关键词： 计算机视觉、青光眼、糖尿病视网膜病变、白内障、卷积神经网络、视网膜疾病检测、CNN
更新于2025-09-04 15:30:14
-
[2018年IEEE智能交通系统国际会议（ITSC）- 美国夏威夷州毛伊岛（2018.11.4-2018.11.7）] 2018年第21届智能交通系统国际会议（ITSC）- 基于机器学习的环视鱼眼摄像头立体视觉算法
摘要： 近期，行人自动紧急制动系统已实现商业化应用。但由于视野范围不足，这类系统在路口转弯时无法检测到横穿马路的行人。为此，我们提出利用日益普及的环视摄像头系统，通过将其改造为对行人识别更具鲁棒性的立体视觉方案。然而受鱼眼镜头和未校准相机位姿的影响，传统立体相机技术无法直接适用。因此我们开发了新方法：通过机器学习消除不同相机间行人外观差异以实现立体视觉。该方法将D-Brief与NCC结合SVM设计出各相机图像区块间的立体匹配方案，相比单一传统算法展现出更优的泛化性能。此外，我们利用立体像对重建的点云特征量配合随机森林进行行人判别。在实际路口横穿行人图像的测试中，该算法实现了96.0%的行人追踪率及高精度位置检测，其检测性能优于当前最佳模式识别技术Faster R-CNN。
关键词： NCC、自动紧急制动系统、机器学习、支持向量机、Faster R-CNN、立体视觉、行人检测、D-Brief、随机森林、环视摄像头系统
更新于2025-09-04 15:30:14