检索结果-内蒙古大学图书馆

计算机测量与控制 2025年第1期33卷 147-154,162页

作者：张倩楠王蒙昆明理工大学信息工程与自动化学院昆明650500

为减少图像融合在深层网络前馈过程中的空间细节损耗,提出一种基于条件可逆神经网络(CINN)的医学图像融合方法;通过应用可逆的分析-综合架构实现空间细节与关键语义互补的多模态融合;在前向分析阶段,将多分辨率特征嵌入CINN作为条件向... 详细信息

为减少图像融合在深层网络前馈过程中的空间细节损耗,提出一种基于条件可逆神经网络(CINN)的医学图像融合方法;通过应用可逆的分析-综合架构实现空间细节与关键语义互补的多模态融合;在前向分析阶段,将多分辨率特征嵌入CINN作为条件向量实现多模态表示学习;在反向综合阶段,使用一个基于小波的条件融合(WCF)网络引导CINN完成反向重构;在特征融合中应用相关激活模板(RAM),聚焦多模态医学图像中的关键结构区域与纹理细节一致性信息;构造前向分析-反向重构联合损失高效地优化网络参数,以获得高质量的融合图像;实验测试了CT-MRI及MRI-PET场景,与现有融合基线相比,提出方法在SCD以及VIFF等客观融合指标上性能分别提升了15.16%和46.53%,并且在主观视觉质量上均取得了优越的结果。

关键词：图像融合多模态医学图像条件可逆神经网络深度生成网络多分辨率分析

来源：评论

学校读者我要写书评

暂无评论

基于深度特征的无监督纹理表面缺陷分割方法研究

基于深度特征的无监督纹理表面缺陷分割方法研究

引用

作者：李昭华中科技大学

学位级别：硕士

中国作为世界上最大的制造业国家,每天都会生产大量的工业产品。其中,纹理表面是一种常见的属性。对于一些基础性材料,如织物、木材、瓷砖等,其表面缺陷不仅影响产品外观,对使用性能也会产生负面影响。随着质量检测需求的不断增长,如何... 详细信息

中国作为世界上最大的制造业国家,每天都会生产大量的工业产品。其中,纹理表面是一种常见的属性。对于一些基础性材料,如织物、木材、瓷砖等,其表面缺陷不仅影响产品外观,对使用性能也会产生负面影响。随着质量检测需求的不断增长,如何对大量产品表面进行及时的、高质量的缺陷分割成为了工业质量检测中的关键环节。传统的图像分析技术针对性太强,无法在多种纹理表面上建立统一的分割模型,而神经网络因其强大的表征能力成为纹理表面缺陷分割中的研究热点。在工业生产中,缺陷样本的产生、标注意味着较高的成本,并且缺陷的尺度多变,复杂的纹理背景也会增加缺陷分割的难度,这些因素限制了深度学习方法在工业缺陷分割中的广泛应用。本文以提高缺陷分割的速度、精度和泛化性为目的,研究基于无监督学习的纹理表面缺陷分割方法,内容总结如下:针对特征词典方法实时性差,高斯异常检测模型分割性能不高的问题,本文提出一种基于局部区域高斯分布建模的缺陷分割方法。该方法利用纹理是区域性质的特点,通过对正常样本每个位置的深度特征建立多元高斯分布模型,避免了在词典中的搜索操作。实验表明,该方法在五种纹理数据集上的平均分割AUROC达到92.9%,相较于特征词典方法,缺陷分割速度提升5.5倍。针对缺陷尺度多变的问题,本文提出一种基于典型相关分析(Canonical Correlation Analysis,CCA)特征融合的缺陷分割方法。该方法考虑到不同层级深度特征之间的联系,利用CCA计算不同层级特征之间的典型相关特征来进行特征的融合。实验表明,相较于第一种方法,该方法对大型或小型缺陷的分割能力明显增强,在五种纹理数据集上的平均AUROC提高2.4%。为了解决复杂纹理背景下缺陷分割性能不高的问题,本文提出一种基于CCA特征融合和条件可逆神经网络(Conditional Invertible Neural Network,CINN)建模的缺陷分割方法。该方法对特征向量进行位置编码,利用CINN为深度特征建立分布模型,相较于单峰高斯分布,提高了对复杂纹理背景的建模能力。实验表明,相较于第二种方法,该方法在复杂纹理背景下的缺陷分割能力明显增强,在五种纹理数据集上的平均分割AUROC提高1.8%,与目前先进的无监督算法相比至少提高2.9%。

关键词：纹理表面缺陷分割无监督学习典型相关分析条件可逆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习与可逆生成模型的多模态图像融合方法研究

基于深度学习与可逆生成模型的多模态图像融合方法研究

引用

作者：杨飞燕昆明理工大学

学位级别：硕士

多模态图像融合作为信息融合的一个热点,能够有效解决单一传感器成像能力有限,难以获得全面的空间信息的问题,在监控分析、军事安全、医疗影像等多个领域具有很高的应用价值。本文从两个方面出发分别对红外和可见光图像融合和医学图像... 详细信息

多模态图像融合作为信息融合的一个热点,能够有效解决单一传感器成像能力有限,难以获得全面的空间信息的问题,在监控分析、军事安全、医疗影像等多个领域具有很高的应用价值。本文从两个方面出发分别对红外和可见光图像融合和医学图像融合进行了深入的研究,一方面采用了浅层模型与深度学习相结合的方式;另一方面,使用了一种基于现有融合模式之外的深度生成式融合思路。具体工作如下:在基于深度神经网络和结构-纹理分解的红外与可见光图像融合算法中,针对当前红外与可见光图像融合方法中存在低频信息未利用充分,以及高频细节易混入噪声的问题。本文提出了一种三频带分解模式,首先采用均值滤波将输入图像分解为高低频子带,为了充分利用低频信息引入结构-纹理分解模型对低频子带二次分解,根据特征属性以平均法则与邻域空间频率分别对结构和纹理进行有效预融合;其次采用预先训练的深度网络提取源图像的多层特征映射进行Sigmiod归一化策略以获得最终权重图,由最终权重图作为权重系数进行高频子带的预融合对高频子带进行预融合;最后利用预融合的高频、低频结构和低频纹理三个频带进行图像融合重建。实验结果表明,该算法能够融合图像的深层细节特征,有效保留纹理细节并抑制了噪声的生成。在基于条件可逆神经网络的多模态医学图像生成式融合算法中,针对现有基于深度神经网络的医学图像融合通常编解码模块独立且模型不可逆,引起融合过程中源图像信息损耗较大,且模型训练不易收敛的困难。本文提出一种具有融合架构且无训练参数的条件融合网络,并将可逆神经网络与无约束条件融合网络相结合,通过精确的对数似然计算和潜在变量推理,从而实现高效、精确地指导空间显著特征的分析及重构。提出的算法框架具有可逆性和参数共享性,由此引入了一种具有正向分析和反向重建的双向重用损失,以实现高层语义信息和空间细节的有效集成。该算法对五类不同医学图像对的融合具有通用性,实验表明了提出的算法架构在高效训练的基础上可以生成更具有适应性和表现力的融合图像。

关键词：多模态图像融合结构-纹理分解生成式融合深度神经网络条件可逆神经网络

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：