【摘 要】
：
对于核磁共振图像（MRI）、高光谱图像（HSI）和视频序列这样的三维图像,卷积神经网络（CNN）分类时不得不依赖更加复杂的网络结构,且精度提升有限。另外,MRI和HSI具有结构复杂、可用数据量少和空间信息丰富等特点,相比于视频序列图像,不存在通道间的时序性。CNN对此类图像分类存在训练样本少、特征提取不足等问题。目前基于多尺度方法的深度神经网络在图像分类中已经展现出了出色的能力;同时胶囊神经网络凭
论文部分内容阅读
对于核磁共振图像（MRI）、高光谱图像（HSI）和视频序列这样的三维图像,卷积神经网络（CNN）分类时不得不依赖更加复杂的网络结构,且精度提升有限。另外,MRI和HSI具有结构复杂、可用数据量少和空间信息丰富等特点,相比于视频序列图像,不存在通道间的时序性。CNN对此类图像分类存在训练样本少、特征提取不足等问题。目前基于多尺度方法的深度神经网络在图像分类中已经展现出了出色的能力;同时胶囊神经网络凭借具有保留空间信息能力,在二维图像识别领域达到了极高的准确性,但也存在参数量大的问题。为进一步研究胶囊网络对复杂图像分类效果及参数压缩潜力,以MRI和HSI作为研究对象提出一种降参优化的多尺度胶囊网络。主要工作包括:第一,将胶囊网络和双分支神经网络结合,对输入图像进行随机采样,使用两个通道的胶囊网络提取多尺度信息。既可以解决由池化层带来的局部效应和空间信息损失,又能够充分提取来自输入的多尺度信息。第二,针对脑肿瘤MRI的丰富空间信息提出Dual-branch2D-Conv Caps Net（Du B-2CCN）,针对高光谱图像的光谱-空间信息提出Du B-Conv Caps Net-MRF。第三,根据两个架构的差异,提出1D和2D约束窗口以减少对应维度通道的胶囊数量,它以胶囊向量组为计算单位进行卷积运算,来减少胶囊网络的参数量和计算复杂度。实验采用逐像素的精准分类方式。在Bra TS2015 MRI数据集上与当前先进的算法进行比较,Du B-2CCN在大部分评估指标上均优于其他方法。对比在各指标中性能第二的模型,其中Dice系数在肿瘤整体区域、肿瘤核区域分别高出3.4%、6.9%。所提出2D约束窗口的降参优化方法降低了双分支胶囊神经网络12.6%的参数量和42.1%的训练时间,提升了26.9%的计算强度。在Indian Pines和Pavia University高光谱数据集上,所提出方法Du B-Conv Caps Net-MRF在OA指标上比各自性能第二的模型分别高出0.21%、0.27%。所提出降参优化方法比降低了胶囊网络方法37.5%的训练时间。综上,所提出的针对特征提取方式的胶囊网络适用于两种不同类别的高维立体数据分类,它使得模型具有了平移可变性且不再过度依赖大量的数据集;附加参数优化策略的改进胶囊网络降低了动态路由的压力,大幅减少了参数量,一定程度上可以防止过拟合。该论文有图35幅,表10个,参考文献88篇。
其他文献
随着时代的进步,以电力电子技术为基础的功率型电子器件及各种非线性负载在民用和工业中的大量应用,造成对电能质量的严重影响,同时也对电网质量提出了更高的要求,如何有效地提高电能质量,愈来愈成为人们所关注的问题。有源电力滤波器（Active Power Filter,APF）实现了电网谐波的高精度动态补偿,同时又兼顾了无功补偿等优点,成为当前电网谐波治理领域的重要研究方向。本文以并联型有源电力滤波器作为
行人检测是计算机视觉和图像处理领域的研究热点,广泛应用于智能视频监控、自动驾驶和智能机器人等领域。传统行人检测方法在一定条件下可以获得较好的行人检测效果,但在分辨率低、行人尺寸较小的情境下存在检测精度低的问题。针对上述问题,本文将深度学习方法中的基于区域全卷积网络（R-FCN）的目标检测算法引入到行人检测中,在R-FCN基础上做了一些改进,提出了一种基于区域全卷积网络的行人检测研究。首先,为了使行
随着互联网技术发展和国民收入增加,外卖订单的数量在持续的增加,给外卖行业带来的前所未有的发展机遇。外卖配送作为整个外卖过程中的核心业务,在其配送的过程之中,外卖路线的规划对于外卖配送效率、外卖配送成本以及用户的满意度将会产生巨大的影响。外卖市场处于激励的竞争阶段,采用合理、科学的方法对外卖配送路线进行规划,如何在保证配送服务质量的前提下控制外卖配送成本、提高外卖配送效率是外卖平台一个需要解决的问题
针对卷积神经网络浅层提取的特征利用率低,高低层特征互补优势难以利用的问题,提出了选择性特征连接机制（Selective Feature Connection Mechanism,SFCM）融合卷积神经网络高低层特征的方法以提高图像识别精度。首先,选定卷积神经网络低层特征,通过平均池化对低层特征降维,输出携带较多细节信息的低层特征;其次,按照卷积神经网络高层特征元素值越大,它所对应的位置特征越关键的
方面级情感分析（Aspect-based Sentiment Analysis,ABSA）作为一种细粒度的情感分析方法,可以对文本特定目标进行相应的情感倾向判定。针对现有基于注意力机制的方面级情感分析方法多关注词的相对位置特征,忽略上下文绝对位置特征的问题,本文提出了一种基于门控卷积神经网络的方面级情感分析模型Pos ATT-GTRU-ABSA。首先,模型使用Laplacian核函数构建相对位置特
音乐流派分类领域中音频特征的流派性表达、特征提取的设计,严重影响分类方法的精度和泛化性,因此提出一种将双注意力融合进行特征提取的深度卷积神经网络（DCNN-AFC）模型,并对音频功率谱图中特征的流派性表达进行增强。首先,为考虑音频功率谱图中音乐流派特征的多样性,在特征提取阶段采用梅尔滤波方法,以模拟人耳听觉系统的滤波器对音频信号进行有效过滤,通过对梅尔滤波后的信号进行维度还原,确保音频信号的流派特
处于电力系统最末端的配电网络是对电能进行分配的重要环节之一,近年来,随着接入配电网的负荷不断增加,配电网结构越加复杂,对配电网络的可靠性的要求也不断提高。采用小电流接地系统的配电网络在发生单相接地故障后虽然可以带故障运行1～2小时,但若不能及时准确确定故障线路故障点,极有可能会引起相间短路,给系统运行带来了极大的安全隐患。实现配电网络快速、准确的故障定位,对整个电力系统安全稳定运行具有十分重要的意
时间序列预测应用于现实世界的方方面面,对时间序列中未来数据的准确预测需要捕获具有代表性的序列特征,而传统的时间序列预测模型对非平稳时间序列预测误差较大,机器学习相关的时间序列预测模型存在预测滞后现象。针对上述问题,提出一种基于CEEMDAN与深度学习的时间序列预测模型。首先将时间序列通过CEEMDAN算法分解为代表不同时间尺度的本征模态函数序列,然后对每一路分解结果使用同比检验策略确定最佳滑动窗口
智能优化算法是以自然界中基本理论或数学模型为基础的一类重要启发式算法,具有对初始条件不敏感、操作简单易于理解且无需限定目标函数等优势,其已成为解决复杂优化问题的有效技术手段,并在优化机器学习算法的应用中凸显高效性和优越性。但智能优化算法通常存在初始化随机性强、局部优化差、关键参数设置固化等劣势,易导致算法逃逸局部极值性能偏弱,全局探索与局部搜索能力平衡性偏差的情况发生。因此,基于最优化理论与机器学
在图像分类领域,深度神经网络已经取得了优异的性能,但训练过程中需要强大算力的图像处理器作为支撑,而且训练的分类模型往往占用较大的内存。随着物联网设备的蓬勃发展,深度神经网络模型越来越需要部署在计算资源有限的小型智能设备上。因此,在嵌入式设备或手机终端上部署性能优良且轻量的网络模型成为研究的热点。针对当前深度学习解决方案在图像分类上大多无法同时兼顾模型的轻量化与准确率。提出一种轻量化的卷积神经网络架