检索结果-内蒙古大学图书馆

控制工程 2025年

作者：杨晓文王玉孙福盛况立群赵融张元焦世超中北大学计算机科学与技术学院机器视觉与虚拟现实山西省重点实验室山西省视觉信息处理及智能机器人工程研究中心

针对复杂场景中人群异常行为检测存在目标尺寸多样性特征提取不足、双向时间信息利用不足等问题，提出了一种结合多尺度特征和双向时间的人群异常行为检测方法。首先，为了弥补下采样过程中关键信息的缺失，并建立像素之间的远程依赖性... 详细信息

针对复杂场景中人群异常行为检测存在目标尺寸多样性特征提取不足、双向时间信息利用不足等问题，提出了一种结合多尺度特征和双向时间的人群异常行为检测方法。首先，为了弥补下采样过程中关键信息的缺失，并建立像素之间的远程依赖性，提出了全局跨通道特征提取模块；其次，提出了结合双分支操作的多尺度特征融合模块，可以获取不同尺度下视频帧的局部空间信息和全局语义表示，并将其进行有效结合，同时突出重要特征通道，提升模型对特征的表达能力；最后，加入双向卷积长短时记忆模块，可以捕捉长期和短期的潜在表示，充分利用正向和逆向时间信息以提高检测性能。将该算法在公开数据集UCSD Ped1、UCSD Ped2和ShanghaiTech上与其他先进方法进行了AUC指标的比较，实验结果表明所提出算法的有效性。

关键词：人群异常行为检测全局跨通道特征提取模块多尺度特征融合模块局部空间信息全局语义表示

来源：评论

学校读者我要写书评

暂无评论

基于轻量级卷积神经网络的岩石图像岩性识别方法

引用

地质科技通报 2024年

作者：刘善伟马志伟魏世清魏忠勇中国石油大学(华东)海洋与空间信息学院山东省煤田地质局物探测量队

【目的】岩性识别是油气勘探和开发过程中的重要环节，对于油气勘探定位、储层评价以及建立储层模型具有重要的指导意义。但传统的人工岩性识别方法耗时耗力、经典的深度学习模型虽然识别精度高，但模型的参数量大。为了提高模型识别精... 详细信息

【目的】岩性识别是油气勘探和开发过程中的重要环节，对于油气勘探定位、储层评价以及建立储层模型具有重要的指导意义。但传统的人工岩性识别方法耗时耗力、经典的深度学习模型虽然识别精度高，但模型的参数量大。为了提高模型识别精度，同时降低模型的参数量，使模型适用于岩性实时识别工作。【方法】本文首先收集了白云岩、砂岩等8种共3016张岩石图像构建岩性识别数据集，然后以轻量型卷积神经网络ShuffleNetV2模型为基础网络，提出了一种Rock-ShuffleNetV2岩性识别模型（下文简称为RSHFNet模型）。模型中将混合注意力模块（Convolutional Block Attention Module，CBAM）以及多尺度特征融合模块（Multi Scale Feature Fusion Module，MSF）融入基础网络中以加强模型的特征提取能力，提升模型识别性能，并优化模型中ShuffleNetv2单元的堆叠次数以减少模型参数量。【结果】实验结果表明：与基础模型相比，本文提出的RSHFNet模型的准确率达到了87.21%，提高了4.98%；同时，模型参数量与浮点运算量降低到了8.69×10^6与9.3×10^7，分别是基础模型的67 %与63 %，模型参数量明显降低；并且RSHFNet模型的综合性能明显优于现有的卷积神经网络。【结论】本文提出的RSHFNet岩性识别模型具有较高的识别精度和较好的泛化能力，同时更加的轻量化，为实现野外实时的岩性识别工作提供了新思路。

关键词：岩性识别 ShuffleNetV2网络混合注意力机制多尺度特征融合模块

来源：评论

学校读者我要写书评

暂无评论

基于联合学习和多级小波金字塔的MRI-TRUS图像配准方法

引用

计算机工程 2024年

作者：蒋宏贵胡冀苏钱旭升郑毅周志勇戴亚康徐州医科大学医学影像学院中国科学院苏州生物医学工程技术研究所

磁共振图像和经直肠超声图像的配准是将术前磁共振图像配准术中超声图像上，结合两种模态图像的优势，快速的定位病灶区域，在辅助诊断、穿刺、术中导航等医学手术问题中起重要作用。由于这两种图像模式之间固有的表征差异，具有显著的... 详细信息

磁共振图像和经直肠超声图像的配准是将术前磁共振图像配准术中超声图像上，结合两种模态图像的优势，快速的定位病灶区域，在辅助诊断、穿刺、术中导航等医学手术问题中起重要作用。由于这两种图像模式之间固有的表征差异，具有显著的强度失真和变形，因此在这两种图像模式之间寻找精确的密集对应仍然是一个挑战。针对以上挑战，提出了一种基于联合学习和多级小波金字塔的弱监督可变形配准网络框架来对磁共振图像和经直肠超声图像进行对齐。联合学习是基于预训练的半监督分割网络和配准网络组成的框架，在联合学习框架中分割网络和配准网络继续交替训练，分割网络为配准网络提供前列腺标签约束全局配准，有效的解决了配准网络中标签不足的问题；多级小波金子塔是采用多分辨小波构成的配准网络，小波金子塔生成的多尺度图像过滤了噪声并减小了两种模式图像之间的表征差异，提高配准网络学习多尺度特征的能力，并在配准网络中设计多尺度特征融合模块对特征进行更进一步筛选，为配准提供局部密集对应。此外配准网络提供的形变分割图像和分割标签混合原有的人工标注标签和图像及其分割网络生成的伪标签和其图像放入分割网络继续训练，进一步提高多模态图像分割的性能。在642例公开前列腺磁共振图像和经直肠超声图像活检数据集上的实验结果显示，提出的配准方法达到最优的DSC值、Hd95值、MI值和SSIM值，分别是81.05%±1.77%、12.83±1.49（mm）、18.12%±4.63%和27.12%±4.63%，优于对比的传统配准方法和先进的深度学习配准方法。此外提出方法的平均配准时间为0.18（±0.02）s，比传统的方法提升了近400倍。实验结果证明了提出的配准算法能够准确实时的估计前列腺磁共振图像和经直肠超声图像之间的形变场，具有更高的配准精度和配准速度。

关键词：联合学习多级小波金字塔可变形配准多尺度特征融合模块半监督分割

来源：评论

学校读者我要写书评

暂无评论

基于多尺度循环网络的运动模糊图像复原方法

引用

现代计算机 2023年第10期29卷 1-8页

作者：张甜卢振坤纪佳奇刘胜广西民族大学电子信息学院南宁530006 广西高校智慧无人系统与智能装备重点实验室南宁530006

针对目前图像去模糊恢复细节不好、泛化性能不高的问题,提出了一种基于多尺度循环网络的运动模糊图像复原算法,在编码端将多尺度特征融合模块和残差密集连接模块融合,引入多尺度残差密集型连接模块。同时引入一种注意力机制并将融合了... 详细信息

针对目前图像去模糊恢复细节不好、泛化性能不高的问题,提出了一种基于多尺度循环网络的运动模糊图像复原算法,在编码端将多尺度特征融合模块和残差密集连接模块融合,引入多尺度残差密集型连接模块。同时引入一种注意力机制并将融合了注意力机制的多尺度残差密集连接模块作为网络的基本结构。实验结果表明,与生成对抗网络相比,在GOPRO数据集的PSNR和SSIM最大分别提升了4.13 dB和0.0254 dB,和近年来效果最明显的SRN相比,Kohler数据集上的PSNR和SSIM分别提升了0.31 dB和0.0179 dB,具有更好的泛化性能。

关键词：多尺度特征融合模块残差密集型连接模块注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于BM-TransUNet的咽后壁识别分割

引用

计算机系统应用 2024年第7期33卷 94-102页

作者：王世刚孙静雯广西科技大学自动化学院柳州545616

图像分割经历了从基于传统的阈值分割等方法逐步发展到基于卷积神经网络的方法.传统的卷积神经网络在分割领域中表现突出,但训练速度慢、分割精度不够高等局限性也逐渐显现.为了克服这些局限性,本文在TransUNet网络的基础上进行改进,提... 详细信息

图像分割经历了从基于传统的阈值分割等方法逐步发展到基于卷积神经网络的方法.传统的卷积神经网络在分割领域中表现突出,但训练速度慢、分割精度不够高等局限性也逐渐显现.为了克服这些局限性,本文在TransUNet网络的基础上进行改进,提出了基于BM-TransUNet网络的图像分割识别方法,在TransUNet网络的在第1层之后加上深度可分离卷积模块,并在编码器下采样的卷积层后引入注意力机制模块,让算法更好地探索分割对象特征,同时在编码器与解码器之间引入多尺度特征融合模块FPN.本文基于自制的咽后壁数据集,用于图像分割训练,并将训练后的BM-TransUNet网络与多种传统分割网络的效果进行对比.实验结果表明,相比于其他传统的深度学习模型,BM-TransUNet网络的识别方法具有较高的分类准确性和泛化能力,精确度Precision和Dice系数分别达到了93.61%和90.76%,显示出较好的计算效率,能有效地应用于分割任务.

关键词： BM-TransUNet网络图像分割注意力机制模块多尺度特征融合模块咽后壁数据集

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：