检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

110 篇 期刊文献
54 篇 学位论文
6 篇 会议

馆藏范围

170 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

153 篇 工学
- 45 篇 计算机科学与技术...
- 45 篇 软件工程
- 43 篇 机械工程
- 40 篇 控制科学与工程
- 33 篇 环境科学与工程（可...
- 31 篇 测绘科学与技术
- 31 篇 地质资源与地质工...
- 21 篇 信息与通信工程
- 16 篇 仪器科学与技术
- 14 篇 农业工程
- 7 篇 生物医学工程（可授...
- 6 篇 交通运输工程
- 5 篇 材料科学与工程（可...
- 5 篇 土木工程
- 5 篇 水利工程
- 3 篇 电子科学与技术（可...
- 3 篇 矿业工程
- 3 篇 生物工程
- 2 篇 光学工程
- 2 篇 电气工程
30 篇 管理学
- 29 篇 管理科学与工程(可...
25 篇 农学
- 13 篇 农业资源与环境
- 7 篇 作物学
- 4 篇 水产
- 3 篇 林学
17 篇 医学
- 12 篇 临床医学
- 4 篇 医学技术（可授医学...
12 篇 理学
- 5 篇 生态学
- 2 篇 大气科学
8 篇 艺术学
- 8 篇 设计学（可授艺术学...
1 篇 经济学

主题

170 篇 u-net模型
58 篇 深度学习
21 篇 注意力机制
14 篇 图像分割
12 篇 语义分割
10 篇 卷积神经网络
7 篇 建筑物提取
6 篇 遥感影像
6 篇 高分辨率遥感影像
6 篇 生成对抗网络
6 篇 图像处理
4 篇 跳跃连接
4 篇 残差网络
4 篇 医学图像分割
3 篇 inception模块
3 篇 小麦
3 篇 深度特征
3 篇 残差模块
3 篇 注意力
3 篇 图像语义分割

机构

7 篇 中国科学院大学
4 篇 中国地质大学
4 篇 昆明理工大学
4 篇 浙江大学
3 篇 华中科技大学
3 篇 江西理工大学
3 篇 云南省计算机技术...
3 篇 辽宁师范大学
3 篇 山东理工大学
3 篇 吉林大学
3 篇 中国矿业大学
3 篇 贵州民族大学
3 篇 东北大学
2 篇 西南大学
2 篇 华南师范大学
2 篇 中国石化地球物理...
2 篇 中国科学院空天信...
2 篇 广东省土地调查规...
2 篇 地球内部多尺度成...
2 篇 贵州师范大学

作者

3 篇 易三莉
3 篇 佘芙蓉
3 篇 杨丹
3 篇 王天伟
3 篇 张博源
3 篇 杨雪莲
2 篇 万林江
2 篇 陈芸芝
2 篇 由金浩
2 篇 闫星宇
2 篇 邓光校
2 篇 范剑超
2 篇 刘军
2 篇 纪思奇
2 篇 黄成泉
2 篇 柯丽娜
2 篇 刘威
2 篇 苗和平
2 篇 郭新萍
2 篇 杨俊

语言

169 篇 中文
1 篇 英文

检索条件"主题词=u-net模型"

共 170 条记录，以下是121-130 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于卷积神经网络高分辨率城市遥感影像分类研究

基于卷积神经网络高分辨率城市遥感影像分类研究

引用

作者：周越东华理工大学

学位级别：硕士

随着遥感技术的不断发展,传统图像分类方法在高分辨率遥感影像中表现欠佳,随着深度学习的兴起,基于深度学习的方法对遥感影像进行分类成为了研究人员关注的热点之一,尤其是卷积神经网络在图像分类上的优异表现,使得其在遥感影像分类中... 详细信息

随着遥感技术的不断发展,传统图像分类方法在高分辨率遥感影像中表现欠佳,随着深度学习的兴起,基于深度学习的方法对遥感影像进行分类成为了研究人员关注的热点之一,尤其是卷积神经网络在图像分类上的优异表现,使得其在遥感影像分类中越来越受欢迎,然而使用卷积神经网络进行遥感影像分类也同样面临如下几点问题:一方面增加卷积神经网络的深度,网络获取深层特征能力越强,进行影像的分类精度越高,但随着深度的增加池化造成的空间信息尤其是小目标空间信息丢失越严重问题;另一方面随着遥感技术的不断发展,遥感影像分辨率不断提升,高分辨率遥感影像包含大量的地面物体信息,例如纹理,形状和空间位置等,然而由于地面物体的多样性与复杂性,高分辨率遥感影像通常表现为较大的类内差异和较小的类间差异,从而给分类任务带来了巨大的挑战。针对以上问题,本文主要做了以下工作:(1)本文基于u-net模型,针对高分辨率城市遥感影像中小目标分类效果较差这一问题,采用空间金字塔池化模块替代原始u-net深层网络的池化与上采样层,有效缓解了池化造成的空间信息尤其是小目标空间信息丢失问题,并且利用不同扩张率的扩张卷积具有提取不同尺度信息的能力,在空间金字塔模块通过多个不同尺度的扩张卷积有效提取特征图中不同地物的多尺度信息,提高模型分类精度。实验结果表明,相对原始u-net模型总体精度提高了1.95%,达到了86.93%,在小目标“汽车”类别F1得分提升了最高为13.81%,在所有类别中F1得分最高,说明了池化造成的空间信息丢失情况得到了有效的缓解。(2)针对高分辨率城市遥感影像中较大的类内差异和较小的类间差异,基于边缘检测思想,提出与原始u-net网络并行的边缘注意力分支BA-unet模型,通过与分类网络共享编码卷积层权值,利用地物边缘轮廓信息改善分类效果。针对边缘注意力分支中,边缘像素与背景像素存在类别极度不平衡的问题,在边缘分支中采用Focal Loss作为损失函数,以改善类别不平衡导致分类器预测结果偏向背景像素问题。实验结果表明,其总体精度较原始u-net提高了2.06%,达到了87.04%,在小目标“汽车”类别F1得分提升了13.39%,提升效果较基于金字塔池化模块改进的模型稍差一点,同时通过对比分类结果图发现,其地物边缘轮廓尤其是建筑物边缘得到了一定改善。(3)为了得到更好的分类结果,本文使用空间金字塔池化模块与边缘注意力分支共同改进u-net模型,得到了本文最优的分类结果,总体精度达到87.40%,相对使用空间金字塔池化模块得SPP-unet和引入边缘注意力分支的BA-unet分别提高0.47%和0.36%。

关键词：遥感影像分类卷积神经网络 u-net模型空间金字塔边缘注意力

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的遥感影像建筑物提取方法研究

基于深度学习的遥感影像建筑物提取方法研究

引用

作者：黄敏华东交通大学

学位级别：硕士

建筑物作为城市重要的组成部分,对其进行自动化提取是快速获取城市建筑物数据的重要途径,对城市研究与管理具有重要的意义。研究利用两种模型提高建筑物的提取效果,针对遥感影像建筑物边缘分割不精确、小型建筑物的提取效果不佳等问题,... 详细信息

建筑物作为城市重要的组成部分,对其进行自动化提取是快速获取城市建筑物数据的重要途径,对城市研究与管理具有重要的意义。研究利用两种模型提高建筑物的提取效果,针对遥感影像建筑物边缘分割不精确、小型建筑物的提取效果不佳等问题,提出了改进的Deep Labv3+模型遥感影像建筑物提取方法和改进的u-net模型遥感影像建筑物提取方法。主要工作内容如下: (1)选取开源的建筑物数据集。本文引用了两个高分辨率遥感影像建筑物数据集,WHu建筑物数据集和Massachusetts建筑物数据集。对两种数据集的影像进行了预处理,将WHu建筑物数据集的影像格式进行转换和数据集的划分,将Massachusetts建筑物数据集影像进行数据增强、剔除损坏的影像、影像格式转换和数据集划分。 (2)提出了一种改进的u-net遥感影像建筑物提取方法。在u-net网络模型中,选择主干网络为Vgg16,在主干网络中加入了CBAM注意力机制。本文设计了三个模型的对比实验,并且设计了消融实验。实验结果表明本文改进的unet网络模型,其平均交并比值在两个数据集上,都比其他语义分割模型更高,其他精度评价指标也均表现为最佳。而与原模型相比,在两种数据集上平均交并比值分别提高了1.5%和1.61%。最后,做了三种数据集划分比例的消融实验,实验结果表明本文改进模型在不同的数据集划分比例中均有效。因此,本文改进的模型比原先的语义分割模型更具有应用价值。 (3)提出了一种改进的Deeplabv3+遥感影像建筑物提取方法。对ASPP模块中的空洞卷积进行了调整,设置了较小空洞率,加入了SP条形池化模块;选择主干网络为Mobile netv2,加入了CBAM注意力机制。本文设计了三个模型的对比实验,并设计了消融实验。在两种开源建筑物数据集中,本文改进模型的平均交并比值都比原先模型提高了两个多点,其他三个精度评价指标在两个建筑物数据集上也都有一定的提高。因此,本文改进的模型相比原先的基础模型,在模型提取建筑物的性能上更具有优势,模型训练影像数据所需要的时间更少,实际应用效率更高,能够更快速的提取建筑物,具有一定的应用价值。

关键词： Deeplabv3+模型 u-net模型建筑物提取注意力机制改进ASPP模块

来源：评论

学校读者我要写书评

暂无评论

喀斯特山区复杂场景作物低空遥感识别与样本迁移研究 ——以烟草为例

喀斯特山区复杂场景作物低空遥感识别与样本迁移研究 ——以烟草...

引用

作者：黄有燕贵州师范大学

学位级别：硕士

中国南方喀斯特山区由于地表起伏大,耕地破碎,种植结构复杂,为精准农业的发展带来了挑战,快速、准确地提取典型作物植株信息有助于实现种植管理、精准施肥、产量预测等。文章以贵州省贞丰县北盘江镇烟草种植区和安龙县钱相街道烟草种植... 详细信息

中国南方喀斯特山区由于地表起伏大,耕地破碎,种植结构复杂,为精准农业的发展带来了挑战,快速、准确地提取典型作物植株信息有助于实现种植管理、精准施肥、产量预测等。文章以贵州省贞丰县北盘江镇烟草种植区和安龙县钱相街道烟草种植区为研究区,前者为山区的代表区域简称贞丰研究区,后者为坝区的代表区域简称安龙研究区,使用无人机(DJI-Mavic2 Prov 2.0)获取空间分辨率为6.4cm和2cm的无人机可见光影像,重点研究了复杂山区烟草生长场景解构与烟草识别,山区与坝区不同空间、坝区伸根期与旺长期不同时间样本迁移效果,探究不同复杂场景下烟草植株信息提取的精度差异及影响因素,探索不同时空样本迁移方法的适用性。研究结果如下: (1)贞丰研究区依据地块破碎、植株大小、有无杂草、阴影遮挡等4个主要因素,将研究区划分为地块平整无杂草(Ⅰ)、地块平整长势不均一(Ⅱ)、地块平整有杂草(Ⅲ)、地块平整株苗较小(Ⅳ)、地表破碎无杂草(Ⅴ)、地表破碎阴影遮挡(Ⅵ)、地表破碎有杂草(Ⅶ)、地表破碎株苗较小(Ⅷ)8个场景,分场景计算精度,8幅场景的Precision分别为0.76、0.74、0.49、0.58、0.85、0.73、0.77、0.77,整个研究区的Precision为0.68。 (2)烟株边缘错提、玉米植株、灌木丛、白色地膜、裸岩和杂草这6类因素对喀斯特复杂山区实验结果影响比较大,在样本优化前被模型错误提取部分占所有错提的百分比分别为:67.21%、24.50%、7.40%、0.51%、0.21%、0.17%。其中烟株边缘错提最多,占整幅影像错提的67.21%。文章从株苗较小、边界模糊、杂草伴生,阴影干扰4个方面进行了样本的优化,提高样本质量,增加训练样本的数量,从原始2300张增加到9200张,实验结果表明:使用优化后的样本识别8个场景的Precision分别提高了10.93%、3.82%、25.31%、22.81%、0.78%、16.92%、15.72%、4.59%。 (3)将安龙研究区根据烟草长势和有杂草,使用优化后的样本制作方法将研究区划分为有杂草、无杂草、长势较好和长势不均一4个场景,构建样本数据集训练u-net模型。通过分场景计算精度,各个场景的Precision为:长势较好(0.86)>无杂草(0.85)>长势不均一(0.84)>研究区(0.78)>有杂草(0.71)。不同场景识别精度比研究区整体精度高,说明复杂场景解构方法能降低识别难度提高识别精度在坝区一样适用。 (4)样本迁移方法在空间迁移和时间迁移有不同的效果。山区样本迁移到坝区预测烟草影像,识别精度:Precision为0.87、Recall为0.29、IOu为0.27、F1-score为0.43。坝区样本迁移到山区预测影像得到识别结果:Precision为0.17、Recall为0.65、IOu为0.16、F1-score为0.27。在安龙研究区不同生长期的样本迁移发现,伸根期样本迁移到旺长期识别烟草结果为Precision为0.99、Recall为0.97、IOu为0.90、F1-score为0.95,旺长期样本迁移到伸根期得到识别结果:Precision为0.48、Recall为0.90、IOu为0.46、F1为0.63。研究表明山区烟草样本复杂度高于坝区,二者样本数据集的相似度较低,但亦可实现识别,可根据研究需要增加研究区样本提高精度。同一研究区不同生长期的烟草样本迁移,精度要高于空间上的迁移,烟草伸根期样本迁移到旺长期烟草识别,能达到不错的效果。研究验证了u-net模型在喀斯特山区复杂生境对烟株单株识别的可行性,分解复杂场景分别建立样本数据集、通过优化样本方法优化模型性能,场景分类的研究方法在坝区使用亦能提高识别精度,对提高喀斯特山区复杂生境作物识别分类是一种新的尝试。样本迁移方法为获取样本困难提供方法支持,降低样本制作的工作量。

关键词：场景解构样本迁移 u-net模型无人机可见光遥感

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的波束形成无网格声源识别方法

基于深度学习的波束形成无网格声源识别方法

引用

作者：冯罗一重庆大学

学位级别：硕士

基于传声器阵列的波束形成声源识别方法具有计算效率高、适用于中远距离测量等优点,已成为工业领域噪声源识别的重要手段。传统波束形成的输出会产生主瓣和旁瓣,影响声源识别的空间分辨率,污染声源成像图;并且在不同工况下,目标声源的... 详细信息

基于传声器阵列的波束形成声源识别方法具有计算效率高、适用于中远距离测量等优点,已成为工业领域噪声源识别的重要手段。传统波束形成的输出会产生主瓣和旁瓣,影响声源识别的空间分辨率,污染声源成像图;并且在不同工况下,目标声源的不确定性会增加,影响声源识别算法的精度和适用性。因此,提高识别结果的空间分辨率,扩展波束形成算法的应用场景,成为目前声源识别方法研究的热难点。深度学习是一种基于深度神经网络(Deep nereul networks,DNN)的机器学习方法,广泛应用于各个领域。与传统的基于数学和物理模型的方法不同,基于深度学习的方法利用DNN从数据中学习到的特征表示来获得输入输出之间的映射关系,从而无需复杂的理论推导就能实现高精度的声源识别。相比于基于网格方法(Gridbased method,GBM),无网格方法(Grid-free method,GFM)是其中一种精度较高的深度学习方法。因此,论文基于GFM方法提升波束形成声源识别方法的精度,提出了基于Res net模型的分步无网格方法(Double-step grid-free method,DSGFM)和基于u-net模型阵列转换(Array Converted Method,ACM)的声源特征清晰化方法。针对现有无网格方法GFM的局限性,提出了一种分步无网格声源识别方法DSGFM。第一步训练识别声源数量的分类DNN,第二步训练定位和量化声源的回归DNN。使用残差神经网络(Residual neural network,Res net)作为预测模型,传统波束形成地图(Conventional beamforming map,CB Map)作为输入,输出随不同任务而变化。对两种数据集的分类精度进行分析,评估声源数目识别正确和错误情况下的定位和量化性能,表明针对不同任务训练的DNN模型是可靠的。此外,DSGFM和CLEAN-SC方法的比较表明,所提方法在近距离工况下具有较好的性能。仿真和实验结果验证了DSGFM方法的有效性和可行性。针对相控传声器阵列形式对于波束形成成像性能的影响,提出一种基于u-net模型的阵列转换法(Array converted method,ACM)进行声源特征清晰化,提升GFM方法的识别精度。首先使用18通道阵列CB Map作为输入、64通道阵列CB Map作为目标训练u-net模型,然后使用训练好的模型对于不同频率和不同声源数目的输入评估模型的预测性能。通过仿真的预测表现和误差评估结果表明ACM方法具有良好的旁瓣消除和主瓣宽度减小能力,并且提升了GFM方法的精度。最后通过实验验证了ACM方法的有效性和可行性。

关键词：声源识别深度学习波束形成 Resnet模型 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的医学图像分割方法研究

基于深度学习的医学图像分割方法研究

引用

作者：郭新萍山东理工大学

学位级别：硕士

医学图像分割对于医学图像的分析、解释和精确量化诊断扮演了至关重要的角色,它为临床疾病的诊断、术前规划、术中导航及术后评估等一系列智能医疗服务提供了关键信息。分割的准确性将直接决定诊断结果的可靠性、治疗方案及术后恢复评... 详细信息

医学图像分割对于医学图像的分析、解释和精确量化诊断扮演了至关重要的角色,它为临床疾病的诊断、术前规划、术中导航及术后评估等一系列智能医疗服务提供了关键信息。分割的准确性将直接决定诊断结果的可靠性、治疗方案及术后恢复评价的质量。近年来,随着卷积神经网络进入人们视野,越来越多的先进深度学习技术被应用于医学图像分割领域,相较于传统的分割技术,这些方法展现出了更优秀的性能。然而,与自然图像不一样的是,医学图像因为自身特性在分割时还会存在数据量少、大小、颜色以及各种噪声干扰等问题。因此,本文着重围绕以上问题,对基于深度学习的医学图像分割展开研究。具体内容如下所示: (1)为了解决超声图像存在噪声、以及普通卷积无法关注重点区域、无法捕获重点区域等问题,提出基于膨胀率注意力机制的unet(Dilation Rate Attention Based unet,DRA-unet)模型,并发展了基于此模型的超声图像分割方法。首先,在unet模型的基础上,引入膨胀率注意门和多尺度卷积(Multiscale Convolution,Conv Multi)模块。膨胀率注意门模块利用空洞卷积能得到更大的感受野,空洞卷积通过引入膨胀率这一参数使得同样尺寸的卷积核获得更大的感受野,但不会损失太多的分辨率。将编码器语义位置的局部区域像素联合到上采样区域,可以实现更加高效的跳跃连接。Conv Multi模块用来获取更加详细的高层特征信息,使编码器功能更强大。实验结果表明,该模型可以有效抑制图像噪声,能够大大提高特征的表达能力,具有很强的鲁棒性。 (2)为了解决因息肉图像对比度低、各种噪声干扰和结肠镜边界模糊造成的息肉定位不准确等问题,使用注意力机制来关注重点区域,因此提出基于注意力机制的VTAnet(Vision Transformer and Attention network for Polyp Segmentation)和ATFF(Advanced Transformer with Multiscale Contextual Fusion for Medical Image Segmentation)模型。首先,使用Transformer和BAM(Bottleneck Attention Module)注意力等模块解决息肉图像中某些像素难以准确分割等问题。其次,传统的变换器模块被改进为高级变换器模块,采用层后归一化来获得温和的激活值。并利用带有移动窗口的缩放余弦注意来获得准确的空间信息。其次,还引入了深度监督策略,引导模型融合多尺度特征信息。它进一步使得所提出的模型能够有效的跨层传播特征信息,得益于此,它可以实现更好的分割性能,同时更加稳健和高效。

关键词：医学图像深度学习图像分割 u-net模型注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于多示例多标签的心电图异常波段标记

基于多示例多标签的心电图异常波段标记

引用

作者：孙宜楠中国医科大学

学位级别：硕士

目的:心血管疾病的发病率和死亡率逐年上升,已成为重大的公共卫生问题。这类疾病尤其是心律失常表现出心电图上的形态学变化,仅依靠专业医师对这些振幅低且细微的形态学改变的评估是耗时且具有挑战性的。针对异常心电信号检测,目前主要... 详细信息

目的:心血管疾病的发病率和死亡率逐年上升,已成为重大的公共卫生问题。这类疾病尤其是心律失常表现出心电图上的形态学变化,仅依靠专业医师对这些振幅低且细微的形态学改变的评估是耗时且具有挑战性的。针对异常心电信号检测,目前主要根据固定长度信号给一个检测结果,但不会标明信号内具体的异常波段;或为了实现心周期分类先对信号进行定位、分割,再进行诊断,该过程需要大量医生标记的心周期标签。本研究中,针对不均匀分割的多标签心电信号,基于多示例多标签学习框架提出异常波段检测算法,利用信号的多标签注释训练模型针对未知信号段实现多标签分类和不同疾病对应的信号内异常心拍定位,辅助临床医生做出更精确的疾病诊断。方法:本研究在多示例多标签学习框架的基础上,进一步结合卷积神经网络设计MLNN+标记器,结合u-net模型设计MIMLu-net标记器。两种标记器利用聚合函数完成示例概率合并,实现未知信号的多标签分类和信号内异常心拍定位。本文针对MIT-BIH心律失常数据库,按照8种心周期类别截取A-E共5个包含不同心拍数量的数据子集。MLNN+模型利用A-D这四个数据子集进行训练和测试,MIMLu-net模型利用A-E这五个数据子集进行训练和测试。本文在包和示例两个级别上利用不同评价指标对模型的结果进行了评价。结果:在包级别上,MLNN+和MIMLu-net模型相比于对比算法在性能上都有所提升,所有指标上均呈现优于对比算法的结果。MLNN+模型,在四个包含固定心拍数的数据子集上针对所有指标均实现最好效果;MIMLu-net模型实现可变长度信号多标签分类。示例级别上,在包含固定心拍数的数据集上MLNN+模型也实现最好性能,且相比于ISR函数,结合Max函数的模型更适应于长时信号段,产生更少的假阴性错误。本文提出的模型对除心室融合心跳和房性早搏的类别上均实现较高的信号分类和异常心周期识别准确率。结论:本文针对多标签心电信号结合多示例多标签学习和深度神经网络提出新的模型,实现未知信号分类以及信号内异常心拍定位,预测生成的类别激活图如实反映了各个心动周期的状况,辅助临床医生做出更精确的疾病判定。

关键词：心电信号多示例多标签学习卷积神经网络 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习和条件随机场的桥梁裂缝识别方法

基于深度学习和条件随机场的桥梁裂缝识别方法

引用

作者：王松河北工业大学

学位级别：硕士

钢筋混凝土桥梁表面裂缝是影响桥梁安全性能的主要病害之一,裂缝的检测是钢筋混凝土桥梁外观检测中十分重要的环节。目前广泛采用的检测方法主要以人工检测手段为主,基于人工检测的传统检测方法,存在着精度不足、效率低下、安全性差等... 详细信息

钢筋混凝土桥梁表面裂缝是影响桥梁安全性能的主要病害之一,裂缝的检测是钢筋混凝土桥梁外观检测中十分重要的环节。目前广泛采用的检测方法主要以人工检测手段为主,基于人工检测的传统检测方法,存在着精度不足、效率低下、安全性差等问题。因此,亟需一种基于机器视觉和图像识别的桥梁裂缝自动检测方法,代替目前的人工检测方法,从而高效地对钢筋混凝土桥梁的健康状况进行更为准确、全面的评估。近年来,计算机硬件性能的不断提升,以及人工智能的快速发展,为桥梁表面裂缝的检测提供了新的思路。本文参考u-net模型结构,搭建了一个基于全卷积神经网络（Fully convolutional networks,FCN）的钢筋混凝土桥梁裂缝识别模型,利用FCN模型初步提取裂缝特征,并将条件随机场（Conditional Random Fields,CRFs）作为后端优化模块,对FCN的分类结果进行修正,具体工作如下:1、建立钢筋混凝土桥梁表面裂缝数据集。对800张在实际工程环境中采集的钢筋混凝土桥梁表面裂缝照片原图进行标注,对原图和标签进行剪裁,并通过旋转、镜像、模糊、噪声等手段进行数据扩充,最终得到128像素×128像素的裂缝原始图像和标签图像各3750张的钢筋混凝土桥梁表面裂缝数据集。2、提取混凝土表面裂缝特征。参考u-net模型结构,基于FCN模型搭建了包含特征收缩阶段和特征扩展阶段改进型全卷积神经网络（Revised Fully Convolutional network,Re-FCN）模型,并采用特征融合的方式增强模型的识别能力,模型训练的验证精度最高可达98.77%。3、修正FCN的裂缝分割结果。基于混凝土裂缝图像,建立全连接条件随机场（Fully connected condition random fields,CRFs）模型,将前端分类器Re-FCN的裂缝分割结果作为输入,CRF作为后端优化模块完成对前端分类器的分割结果进行优化。4、在实验室条件下,采用Re-FCN模型+CRF模型的识别方法,对混凝土裂缝宽度进行识别,最终宽度误差可控制在5.64%。本文通过Re-FCN网络模型对钢筋混凝土桥梁表面裂缝进行像素级别的特征提取,并通过CRF模型对提取结果进行优化,较好地完成了钢筋混凝土桥梁表面裂缝的识别任务。

关键词：混凝土裂缝数据集增强全卷积神经网络 u-net模型条件随机场

来源：评论

学校读者我要写书评

暂无评论

成渝地区双城经济圈城市建设用地扩张时空演变特征与趋势模拟研究

成渝地区双城经济圈城市建设用地扩张时空演变特征与趋势模拟研究

引用

作者：李春西南大学

学位级别：硕士

城市化进程中日趋剧烈的城市建设用地变化是影响地区乃至全球社会经济发展与生态稳定的重要因素。如何掌握城市扩张时空演变特征,并模拟未来城市的空间动态格局,已成为城市寻求可持续发展的重要研究内容。成渝地区双城经济圈城市建设用... 详细信息

城市化进程中日趋剧烈的城市建设用地变化是影响地区乃至全球社会经济发展与生态稳定的重要因素。如何掌握城市扩张时空演变特征,并模拟未来城市的空间动态格局,已成为城市寻求可持续发展的重要研究内容。成渝地区双城经济圈城市建设用地的时空变化特征及未来发展方向的预测研究,对优化成渝经济圈城市建设用地布局、推动西部大区的发展具有一定的理论和实践指导作用。本文以1990-2019年以3年为周期的Landsat系列遥感影像及其衍生数据提取的成渝地区城市建设用地数据为基础,借助Arc GIS10.2、Fragstate4.2、Origin2021b、Excel等软件,综合运用城市扩张指数、城市扩张差异指数、圈层梯度分析和标准差椭圆分析模型,对成渝双城经济圈各城市扩张时空动态演化特征进行剖析,研究,并对研究区各城市进行扩张类型划分。同时,利用u-net模型对2035年成渝地区双城经济圈城市建设用地扩张的时空格局进行预测模拟。本研究为进一步揭示西部典型城市群城市建设用地扩张时空演变特征及景观变化内在差异,以及为成渝经济圈城市建设用地布局与调控提供可靠的科学依据。研究结果表明:（1）借助GEE平台有效获取了成渝地区双城经济圈长时序、高精度、大范围的城市建设用地数据。研究区城市建设用地整体分类精度高于94%,得到的分类数据为后续研究成渝经济圈城市扩张时空特征以及模拟预测经济圈2035年城市建设用地奠定了坚实的基础。（2）采用城市用地扩张强度差异指标、圈层梯度分析法和城市用地密度函数等方法,对比分析不同规模城市用地的时空扩张特征。具体表现在:（1）研究区城市扩张具有明显的空间差异,成都、重庆双核的扩张速度较快,带动了沿线及周边城市的发展。（2）研究区各城市之间建设用地扩张存在显著差异,总体上呈现出不均衡布局的趋势,高速扩张区域主要分布在东部地区。城市扩张强度东部高于西部,整体经济圈快速扩张的中心由东向西移动。（3）从城市紧凑度（Kp）、扩张速度（D）来看,城市半径随时间而扩大,多数大中城市的紧凑度下降,而小城市趋于紧凑。（3）基于u-net模型对2035年成渝地区双城经济圈的城市建设用地空间分布进行模拟,具体表明:（1）使用u-net深度学习模型预测城市建设用地扩张能很好的捕捉到线性特征并且对城市形态特征的学习非常有效。大城市的扩张潜力远高于周边中小城市并且预测的城市区域遵循特定的模式,而不是向各个方向扩展。（2）景观扩张指数反映出城市建设用地扩张模式的动态变化。1990-2035年间,成渝地区双城经济圈飞地式扩张模式减少,填充式和边缘式模式增加,区域城市建设用地更加集聚。（3）景观格局指数表明研究时期内（1990-2035年）成渝地区双城经济圈城市建设用地呈景观破碎度增大、景观异质性增强、斑块形状趋于复杂的趋势。

关键词：成渝地区双城经济圈城市扩张时空特征 u-net模型城市形态

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的腺体细胞分割算法的研究

基于深度学习的腺体细胞分割算法的研究

引用

作者：贝琛圆杭州电子科技大学

学位级别：硕士

丰富的形态学统计信息是腺癌早期诊断的重要依据,精确的腺体分割是获得可靠的形态学统计信息的一个关键的先决条件,因此腺体分割在医学图像处理领域占有重要地位。医学图像处理的发展趋势预示着,基于深度学习的分割模型是腺体分割的重... 详细信息

丰富的形态学统计信息是腺癌早期诊断的重要依据,精确的腺体分割是获得可靠的形态学统计信息的一个关键的先决条件,因此腺体分割在医学图像处理领域占有重要地位。医学图像处理的发展趋势预示着,基于深度学习的分割模型是腺体分割的重要方法。目前,深度卷积网络应用于腺体图像分割存在三大难点,包括特征分辨率不断降低的问题、待分割的腺体细胞存在多个尺度的问题和深度卷积网络固有的不变性问题。针对上述三个问题,本文提出了两种基于改进u-net模型的分割方法。第一种分割方法是将传统u-net模型和全连接条件随机场相结合的非端到端改进方法。第二种分割方法是改变传统u-net模型的内部结构的端到端改进方法。本文提出的非端到端改进方法,通过将全连接条件随机场直接作用于传统u-net模型输出的分割图,将目标边缘精细化;端到端改进方法则通过添加空洞残差模块、空洞金字塔池模块和注意力模块改善上述的三大问题。为使两种改进模型拥有较好的性能,通过多个测试实验选取模型的参数,包括全连接条件随机场的参数和空洞卷积层的空洞比例。最后,基于Warwick-Qu数据集、uCSB breast cancer cell数据集和MoNuSeg数据集验证了两个改进模型的分割性能,基于PatchCamelyon数据集和DIC-HeLa数据集验证了两个改进模型的泛化性能。实验结果显示,本课题的非端到端分割方法的分割性能相对于其他优秀模型没有突出性的优势,而端到端分割方法则表现了比其他模型更为精细的分割结果。

关键词：腺体分割深度卷积网络 u-net模型端到端

来源：评论

学校读者我要写书评

暂无评论

基于高分一号卫星数据的大豆种植区提取

基于高分一号卫星数据的大豆种植区提取

引用

作者：严豪安徽大学

学位级别：硕士

大豆是中国最主要的粮食作物和油料作物,准确提取种植区对掌握种植面积、长势营养、空间分布等具有重要意义。基于遥感技术的探测范围广、数据类型丰富、动态监测等优点,可以客观有效地对大豆种植区进行大范围监测和提取,便于及时准确... 详细信息

大豆是中国最主要的粮食作物和油料作物,准确提取种植区对掌握种植面积、长势营养、空间分布等具有重要意义。基于遥感技术的探测范围广、数据类型丰富、动态监测等优点,可以客观有效地对大豆种植区进行大范围监测和提取,便于及时准确地掌握大豆的种植情况,对于我国大豆产品的存储和进出口具有重要意义。本文利用国产高分一号(GF-1)卫星影像作为数据源,选取安徽省北部典型大豆种植区临湖镇和标里镇为研究区,开展大豆种植区提取方法研究。主要工作如下: (1)基于机器学习算法的大豆种植区提取对比研究。本文基于经过正射校正、大气校正、图像融合裁剪等预处理操作得到的空间分辨率为2米(m)研究区影像,通过目视解译的方式,进行五类地物类型的标注,包括大豆种植区、水体、建筑物与道路、裸地和其他作物,选取实验所需的训练样本。通过J-M距离和转换分离度来判定所选样本是否满足要求,通过ISODATA非监督分类图作为辅助图像为样本标注提供支持。在ENVI遥感处理平台中,采用支持向量机、最大似然法、人工神经网络和CART决策树四种分类器进行大豆种植区分类提取实验,结果显示最大似然法分类器的总体分类精度最高,达到了79.28%,大豆种植区的提取精度达到了89.59%。利用传统机器学习算法对大豆种植区提取具有快速方便的特点,在大范围提前识别大豆种植区方面具有较大的应用前景。 (2)基于u-net网络的大豆种植区提取方法。传统机器学习方法在大豆种植区提取方面表现提取精度不足,不能满足高精度提取的要求,为了进一步改善大豆提取效果,本文采用深度学习中应用广泛的u-net网络提取大豆种植区,通过设置128×128、256×256和512×512三种裁剪尺寸,对比并计算网络20、40、60、80、100个迭代周期训练得到的模型来对比测试提取结果的影响,为了验证u-net网络在大豆种植区提取中的效果,作为对比实验,本文选用基于Seg net网络和Deeplabv3+网络来对比实验,结果显示提取的整体精度最高的是u-net网络,其中总体精度达到了92.31%,重要的评价指标平均交并比达到了81.35%,比Seg net网络整体精度高出了近四个百分点,平均交并比高出了十个百分点。比Deeplabv3+网络平均交并比高出了8.89%,验证了u-net网络在大豆种植区提取方面的性能优于Seg net网络和Deeplabv3+网络。u-net网络作为语义分割网络的一种,在提取大豆种植区这种二分类问题中,展示了良好的效果,比其他两种网络在遥感提取中表现更为突出。本文基于国产高分一号卫星影像,对比了机器学习和深度学习算法在大豆种植区提取中的效果。结果表明,采用机器学习中的监督分类方法提取大豆种植区时,具有快速、高效的特点,而基于深度学习的u-net网络提取大豆种植区时,具有网络简单、识别准确等特点,且取得了更好的提取效果。本研究成果可以为与试验区条件相似的地区提取大豆种植区提供借鉴,也可为研究区大豆的种植、生长、田间管理等提供依据。

关键词：大豆种植区提取高分一号机器学习监督分类 u-net模型

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共17页 << < 8 9 10 11 12 13 14 15 16 17 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：