检索结果-内蒙古大学图书馆

中国图象图形学报 2019年第12期24卷 2111-2125页

作者：崔帅张骏高隽合肥工业大学计算机与信息学院

目的颜色恒常性通常指人类在任意光源条件下正确感知物体颜色的自适应能力,是实现识别、分割、3维视觉等高层任务的重要前提。对图像进行光源颜色估计是实现颜色恒常性计算的主要途径之一,现有光源颜色估计方法往往因局部场景的歧义颜... 详细信息

目的颜色恒常性通常指人类在任意光源条件下正确感知物体颜色的自适应能力,是实现识别、分割、3维视觉等高层任务的重要前提。对图像进行光源颜色估计是实现颜色恒常性计算的主要途径之一,现有光源颜色估计方法往往因局部场景的歧义颜色导致估计误差较大。为此,提出一种基于深度残差学习的光源颜色估计方法。方法将输入图像均匀分块,根据局部图像块的光源颜色估计整幅图像的全局光源颜色。算法包括光源颜色估计和图像块选择两个残差网络:光源颜色估计网络通过较深的网络层次和残差结构提高光源颜色估计的准确性;图像块选择网络按照光源颜色估计误差对图像块进行分类,根据分类结果去除图像中误差较大的图像块,进一步提高全局光源颜色估计精度。此外,对输入图像进行对数色度预处理,可以降低图像亮度对光源颜色估计的影响,提高计算效率。结果在NUS-8和重处理的Color Checker数据集上的实验结果表明,本文方法的估计精度和稳健性较好;此外,在相同条件下,对数色度图像比原始图像的估计误差低10%15%,图像块选择网络能够进一步使光源颜色估计网络的误差降低约5%。结论在两组单光源数据集上的实验表明,本文方法的总体设计合理有效,算法精度和稳健性好,可应用于需要进行色彩校正的图像处理和计算机视觉等领域。

关键词：视觉光学颜色恒常性光源颜色估计深度残差学习对数色度

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的乘性噪声去噪方法

引用

激光与光电子学进展 2018年第3期55卷 197-203页

作者：张明吕晓琪吴凉喻大华内蒙古科技大学信息工程学院内蒙古包头014010

图像去噪是数字图像处理中最基本的研究内容,也是一项十分关键的技术,一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响,提出一种深度残差... 详细信息

图像去噪是数字图像处理中最基本的研究内容,也是一项十分关键的技术,一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响,提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化,解决了卷积神经网络在层数较多时,随着层数加深,梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较,结果表明,该方法在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息,为后续的图像分割、配准和目标识别等奠定基础。

关键词：图像处理深度残差学习卷积神经网络乘性噪声去噪方法

来源：评论

学校读者我要写书评

暂无评论

基于信息修正的深度残差学习

引用

数据采集与处理 2020年第3期35卷 441-448页

作者：谢烟平谭晓阳南京航空航天大学计算机科学与技术学院南京211106 模式分析与机器智能工业和信息化部重点实验室南京211106 软件新技术与产业化协同创新中心南京211106

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压... 详细信息

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。

关键词：深度残差学习深度神经网络机器学习信息修正

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的风电齿轮箱故障诊断

基于深度残差学习的风电齿轮箱故障诊断

引用

作者：赵明航重庆大学

学位级别：博士

风电齿轮箱是风电机组核心组成部分之一,一旦发生故障,因其结构复杂、体积较大,维修困难,导致停机时间较长,造成经济损失,因此风电齿轮箱的早期故障诊断是一个重要的课题。目前多采用包含丰富的风电齿轮箱状态信息的振动信号进行风电齿... 详细信息

风电齿轮箱是风电机组核心组成部分之一,一旦发生故障,因其结构复杂、体积较大,维修困难,导致停机时间较长,造成经济损失,因此风电齿轮箱的早期故障诊断是一个重要的课题。目前多采用包含丰富的风电齿轮箱状态信息的振动信号进行风电齿轮箱故障诊断。由于风电齿轮箱的振动信号传递路径复杂、运行工况持续变化、环境噪声干扰大,其振动信号的频率成分极为复杂、存在大量的冗余信息,不仅会导致传统的基于振动信号处理的诊断方法难以检测出故障频率,而且会造成浅层机器学习方法中常用的统计特征难以准确表征风电齿轮箱的健康状态,最终引起风电齿轮箱故障的误判和漏判。由于深度学习方法,特别是卷积神经网络,能够从高维数据中自动地学习出判别性的特征以替代传统的统计特征,基于深度学习的风电齿轮箱故障诊断方法在近年来开始得到研究。然而,由于深度学习算法的层数普遍较深、参数规模较大,传统的深度学习方法经常会遭遇难以训练的问题。深度残差学习是一种新型的卷积神经网络,又称深度残差网络,它通过引入恒等映射的方式,有效降低了深度神经网络的训练难度。因此,本文将深度残差学习引入风电齿轮箱的故障诊断之中,针对风电齿轮箱所存在的工况交变、强噪声干扰以及多传感器等特点,开展了如下方面的研究:(1)研究了一种基于小波包分解和深度残差学习的风电齿轮箱故障诊断方法。该方法首先对振动信号进行小波包分解,然后借助于深度残差网络优异的参数训练能力,让深度残差网络自动地从小波包分解所获得的小波包系数中学习出判别性的特征集,以替代人工构建的传统特征集,进行风电齿轮系统的故障识别。实验结果验证了“小波包分解→深度残差网络”这一思路的有效性,为后续章节提供了研究基础。(2)由于工况交变情况下类别内样本的差异将会增大、类别间样本的差异将会相对减小,提出了一种动态加权小波系数深度残差网络的风电齿轮箱故障诊断方法。该方法以小波包分解所获得的小波系数矩阵作为算法的输入,采用逐个子频带分别加权的方式来增加类别内差异较小的频带的贡献、缩减类别内差异较大的频带的贡献,并且让深度学习算法自动地学习各个子频带所需分配的权重,以增强深度学习算法对于工况交变情况下振动数据的特征学习能力。(3)针对强噪声背景下深度残差学习算法的故障识别效果有所降低的问题,提出了一种可训练小波阈值化深度残差网络的故障诊断方法。该方法以小波系数矩阵作为算法的输入,将一种可微分软阈值化函数作为独立的非线性变换层嵌入每一个残差模块之中,将所涉及的阈值作为可训练的参数随其他权重和偏置一并进行训练,并且将批量标准化置于每一个可微分软阈值化函数之前以加速训练过程,在网络结构的内部实现“信号降噪、特征学习和故障识别”的一体化。(4)针对单个传感器所采集的振动信号经常难以全面表征风电齿轮箱整体的健康状态、多个传感器所采集的数据之间难免存在大量冗余的问题,提出了一种多传感器多组小波系数融合深度残差网络的故障诊断方法。该方法以小波系数矩阵作为算法的输入,采用逐元素最大值输出层对来自于不同传感器和不同小波包变换的信息进行特征融合,在深度学习算法的内部实现冗余信息的自适应削减,并且学习到更具判别性的特征集。最后总结了全文的研究工作并展望了下一步的研究方向。

关键词：风电齿轮箱故障诊断深度神经网络深度残差学习小波包变换

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的彩色图像去噪研究

引用

包装工程 2019年第17期40卷 235-242页

作者：王晓红刘芳麻祥才上海理工大学上海200093 上海出版印刷高等专科学校上海200093

目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后... 详细信息

目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。

关键词：图像去噪深度残差学习残差单元模块去噪方法

来源：评论

学校读者我要写书评

暂无评论

IRS辅助MU-MISO系统中基于深度残差学习的信道估计

引用

电讯技术 2024年第7期64卷 1079-1087页

作者：陈发堂朱鹏云杨涛孙宸重庆邮电大学通信与信息工程学院重庆400065 中国人民解放军72506部队河南驻马店463200

针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪... 详细信息

针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪性能。网络主体包含两个模块:拼接信息保留模块将每一层卷积输出相融合,防止信道特征丢失,有效提取信道噪声的主体特征;扩张卷积稀疏模块通过扩大感受野范围获得信道的重要结构和细节特征,恢复信道噪声的边缘细节特征。仿真结果表明,归一化均方误差约等于0.45时,所提方法在不明显增加复杂度情况下,相比于线性最小均方误差算法获得3.7 dB的信噪比增益,更为接近最小均方误差信道估计器的性能,表现出了更好的性能和可用性。

关键词： MU-MISO系统智能反射面信道估计深度残差学习扩张卷积

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的自动驾驶道路场景理解

引用

计算机应用研究 2019年第9期36卷 2825-2829,2871页

作者：宋锐施智平渠瀛邵振洲关永首都师范大学信息工程学院成像技术北京市高精尖创新中心北京100048 首都师范大学信息工程学院轻型工业机器人与安全验证北京市重点实验室北京100048 田纳西大学诺克斯维尔分校工程学院田纳西美国37996

随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码... 详细信息

随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。

关键词：道路场景理解深度残差学习编/解码器结构全卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的图像超分辨率重建方法研究

基于深度残差学习的图像超分辨率重建方法研究

引用

作者：朱海军江西财经大学

学位级别：硕士

在图像处理领域中，超分辨率（Super Resolution，SR）重建目的在于恢复降质的低分辨率（Low Resolution，LR）图像的细节信息来尽可能还原原始的高分辨率（High Resolution，HR）图像，这对图像后续处理及实际应用有重要帮助，因此对... 详细信息

在图像处理领域中，超分辨率（Super Resolution，SR）重建目的在于恢复降质的低分辨率（Low Resolution，LR）图像的细节信息来尽可能还原原始的高分辨率（High Resolution，HR）图像，这对图像后续处理及实际应用有重要帮助，因此对图像超分辨率重建方法的研究具有重要的意义。近年来深度学习方法在计算机视觉领域取得了很大突破并且已经被广泛运用，其中图像增强领域中运用深度学习技术主要在图像SR重建、去噪、去模糊等方面，其效率和效果上都展现出了明显的优势。本文对基于深度学习方法的单帧图像SR重建方法展开研究，主要针对深度网络中存在的网络冗余及较大计算代价方面进行了深入研究，并提出了有效地改进方法。本论文主要创新性贡献如下：　　1. 基于U-Net网络的优点，利用残差卷积神经网络(Convolutional Neural Network, CNN) 的学习能力，设计了一种基于收缩-扩展深度残差网络的图像SR重建新方法。该方法主要采用多级残差学习(Residual Learning)结构来实现残差信息传递及降低深度网络的训练难度。网络中利用下采样和上采样结构对图像卷积的感受野进行逐级改变，构建了收缩子网络和扩展子网络;收缩子网络通过逐级下采样的方式来提取不同尺度的特征信息，扩展子网络采用多级上采样重建方式输出不同层次细节特征以提升模型效果。实验结果表明，本方法重建的效果达到了现有的多种图像重建方法的效果，并且在网络速度方面具有较大优势。　　2. 考虑人眼视觉特性，研究人眼视觉注意力机制(Attention Mechanism)对CNN中特征提取的影响，设计了一种基于通道注意机制的深度残差CNN的图像SR重建算法。该方法通过减少特征图空间分辨率的方式构建一种残差学习模块来有效地减少网络计算量;并充分考虑网络不同深度卷积层学习到的特征对图像重建的贡献不同，构建了一种基于人眼注意力机制的量化模块来实现残差学习模块的连接;并通过残差连接构建多尺度残差学习的方式来缓解网络深度带来的过拟合问题。实验结果表明，本文方法进一步提高了SR重建的图像质量，并有效地减少了网络计算量。

关键词：低分辨率图像超分辨率重建注意力机制 U-Net结构深度残差学习

来源：评论

学校读者我要写书评

暂无评论

基于大数据深度残差学习的特征提取算法

引用

科技通报 2019年第4期35卷 89-92页

作者：谭翔纬广州大学华软软件学院广东广州510990

针对当前算法在进行目标数据特征提取时存在提取准确率不高、效率低、特异性和灵敏度较差,以及网络节点能耗较高的问题,提出一种基于大数据深度残差学习的特征提取算法,将深度学习的灰色神经网络与残差学习方法进行有机结合,求得了深度... 详细信息

针对当前算法在进行目标数据特征提取时存在提取准确率不高、效率低、特异性和灵敏度较差,以及网络节点能耗较高的问题,提出一种基于大数据深度残差学习的特征提取算法,将深度学习的灰色神经网络与残差学习方法进行有机结合,求得了深度残差学习网络模型的微分方程以及时间响应公式,并计算了网络初始权值和阈值;根据深度学习的灰色神经网络拓扑结构获得深度残差学习网络各层的输出参量,采用误差反向传播方法和附加动量法对深度残差学习网络的阈值和权值进行实时更新和调整,完成深度残差学习的网络模型构建,并采用模型精度和后验差比值对该模型进行精度检验,将经过检验合格的网络模型用于目标数据特征提取。通过多组实验测试,证明所提算法相比于其他对比算法有效减少特征提取错误率、提高了执行效率,具有较高的灵敏度和特异性,大大减小了网络节点总体能量消耗,延长了网络生存寿命。

关键词：大数据深度残差学习特征提取

来源：评论

学校读者我要写书评

暂无评论

基于深度残差学习的地震随机噪声衰减

基于深度残差学习的地震随机噪声衰减

引用

作者：赵全波包乾宗柯翔长安大学地质工程与测绘学院

传统的依赖模型及其先验假设的地震数据随机噪声衰减通常会受到模型假设、参数设置等约束,存在着噪声衰减效率低、有效信号的保真度与噪声衰减效果很难兼顾的缺点。随着深度学习在语音识别、视觉目标识别、目标检测等方面取得了重大突破... 详细信息

传统的依赖模型及其先验假设的地震数据随机噪声衰减通常会受到模型假设、参数设置等约束,存在着噪声衰减效率低、有效信号的保真度与噪声衰减效果很难兼顾的缺点。随着深度学习在语音识别、视觉目标识别、目标检测等方面取得了重大突破,文中将深度学习用于地震数据随机噪声衰减,对比找出去噪效果较好的网络深度和patch size两个网络超参数,并将最适宜参数下的深度学习噪声衰减结果与传统的F-X预测滤波、Curvelet变换的噪声衰减结果比对,提出的去噪方法具有较高的信噪比和较好的保真度。

关键词：深度残差学习随机噪声衰减卷积神经网络网络超参数

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：