检索结果-内蒙古大学图书馆

传感技术学报 2025年第5期38卷 817-825页

作者：房禹池杨世波施麦克李宏杭州电子科技大学自动化(人工智能)学院浙江杭州310018 浙江水利水电学院自动化学院浙江杭州310018

传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿... 详细信息

传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿早期是否患龋的算法;采用u-net网络和注意力机制实现牙齿颌面识别分类,分别对颌面轮廓和窝沟形态的标准进行分类训练并对比效果,进而对两个模型进行加权融合,在α=0.5,γ=0.5时,模型融合效果最佳,AuC(Area under Curve)达到0.7792、准确率(ACC)达到0.9026、F1-score达到0.9061;实验结果表明:融合模型效果高于单独使用基于颌面轮廓的模型和单独使用基于窝沟的模型,为儿童预防龋齿提供了一种新的解决方案。

关键词：龋齿牙齿颌面图像 u-net网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于u-net网络的单细胞RNA测序数据插补算法研究

基于U-Net网络的单细胞RNA测序数据插补算法研究

引用

作者：崔可光天津师范大学

学位级别：硕士

近年来,随着生物信息技术的发展,单细胞测序技术应用在越来越多的场景中,并随之产生了大量单细胞RNA测序数据。然而由于单细胞测序技术的限制,单细胞RNA测序数据表现出很大的缺失性,其表现为RNA测序数据中存在超过70%的缺失值(零值)。... 详细信息

近年来,随着生物信息技术的发展,单细胞测序技术应用在越来越多的场景中,并随之产生了大量单细胞RNA测序数据。然而由于单细胞测序技术的限制,单细胞RNA测序数据表现出很大的缺失性,其表现为RNA测序数据中存在超过70%的缺失值(零值)。这些缺失值可能真的是未表达的“真零”,同时也有大量计数在细胞中本应具有低、中表达,但由于测序失败导致了这种“假零”计数现象。后一种由测序失败导致的零被称作“漏失”(dropout)现象。针对“dropout”现象,基于不同的原理和模型,已经存在几种不同的数据插补算法,但普遍效果并不理想,甚至一些基于深度学习的插补算法准确度低于非深度学习算法。本文通过对图像修复技术和单细胞插补算法的综合研究和分析,提出一种具有较高插补精确度且运算速度较快的基于深度学习的单细胞插补算法。由于单细胞下游分析(包括细胞分型、轨迹推断、差异表达等)都是基于高可变基因的,算法首先将基因表达矩阵进行标准化,随后进行基因过滤,保留高可变基因,这一过程可以使基因表达矩阵规模减小,进而提升后续算法的执行效率;接着将矩阵每个含有全部高可变基因的细胞转化为图像;同时,我们使用Numpy类库批量随机生成大量掩码(mask)数据集,用以覆盖基因表达矩阵部分数据,创造对照组以方便后续数据训练;而后将细胞图像送入u-net架构的部分卷积神经网络进行训练,u-net架构中的全卷积神经网络改良成带有mask更新的部分卷积神经网络,每一层网络都会对mask区域进行更新填充,mask区域最终会被全部赋值;训练结束后对原始细胞图像进行修复,这一过程中只对原始数据中的dropout区域进行修复,而没有发生dropout事件的区域不再进行修复;最后,将所有图像重塑成表达向量并整合在一起完成修复。为了提升算法效率,我们使用Py Torch进行了GPu的并行化编程,极大地优化了算法的运行时间。相比于基于概率统计的经典插补算法和深度学习插补算法,通过实验分析,本文算法针对单细胞RNA测序的基因表达矩阵的插补具有更高的准确度及速度,可以很好的针对dropout事件进行修复,并且可以有效地提升下游分析的结果。

关键词：插补算法单细胞RNA测序基因表达数据 u-net网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于u-net网络的高分辨率遥感影像地理信息提取方法

引用

信息记录材料 2023年第5期24卷 102-104页

作者：舒斯红江西核工业测绘院集团有限公司江西南昌330038

针对使用传统方法提取边缘信息受到光线动态变化影响,导致提取完整度低的问题,本文提出了基于u-net网络的高分辨率遥感影像地理信息提取方法,并构建了基于u-net网络的提取模型,采用128 d特征矢量来表示特征点的信息,结合高斯法对特征向... 详细信息

针对使用传统方法提取边缘信息受到光线动态变化影响,导致提取完整度低的问题,本文提出了基于u-net网络的高分辨率遥感影像地理信息提取方法,并构建了基于u-net网络的提取模型,采用128 d特征矢量来表示特征点的信息,结合高斯法对特征向量进行加权处理,克服光线动态变化的影响,获取高分辨率遥感影像地理边缘特征描述子。利用Hough转换技术对目标轮廓进行了检测,确定地理信息区域轮廓。设定滑动视窗大小,分离出噪声,将地理边缘特征描述子合并,得到地理信息特征点集。结果表明,该方法提取完整度最高可达到99%,能够有效提取大部分的地理信息。

关键词： u-net网络高分辨率遥感影像地理信息提取

来源：评论

学校读者我要写书评

暂无评论

基于改进u-net网络的隧道裂缝分割算法研究

引用

计算机工程与应用 2021年第22期57卷 215-222页

作者：常惠饶志强赵玉林李益晨北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学城市轨道交通与物流学院北京100101

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进u-net网络的隧道裂缝分割算法。将u-net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结... 详细信息

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进u-net网络的隧道裂缝分割算法。将u-net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结构基础上引入挤压和激励(Squeeze and Excitation,SE)模块来提升重要特征,抑制无用特征,加强对裂缝边缘和形状等特征的权重分配;采用组合损失函数来处理裂缝像素正负样本不平衡的问题,进一步获得更加精细的分割结果。在公共隧道裂缝数据集和自制数据集上设计对比实验来验证改进模型的有效性。结果表明:该算法对裂缝的分割精度均优于其他方法,F1-Score分别达到了76.36%和75.46%,并且运行速度也有明显的提升,可以很好地满足实际工程的应用需求。

关键词：隧道裂缝分割 u-net网络残差模块 SE模块组合损失函数

来源：评论

学校读者我要写书评

暂无评论

基于优化的u-net网络掘进工作面煤岩识别方法研究

引用

采矿与岩层控制工程学报 2025年第1期7卷 94-108页

作者：栾恒杰杨玉晴刘建康蒋宇静刘建荣马德良张孙豪山东科技大学矿山灾害预防控制省部共建国家重点实验室培育基地山东青岛266590 内蒙古上海庙矿业有限责任公司院士专家工作站内蒙古鄂尔多斯016299 青岛知岩智控科技有限公司山东青岛266590

为了提高煤岩识别的精准度,采集了内蒙古上海庙矿业有限责任公司榆树井煤矿掘进工作面煤岩原始图像并制作了深度学习数据集,通过FCN全卷积神经网络(FCN网络)、unet语义分割网络(u-net网络)与加入Canny边缘检测算法改进后的u-net网络等3... 详细信息

为了提高煤岩识别的精准度,采集了内蒙古上海庙矿业有限责任公司榆树井煤矿掘进工作面煤岩原始图像并制作了深度学习数据集,通过FCN全卷积神经网络(FCN网络)、unet语义分割网络(u-net网络)与加入Canny边缘检测算法改进后的u-net网络等3种网络模型对数据集进行训练,并对训练结果进行对比分析。分析结果表明:在训练次数达到100次时,3种网络模型准确率分别为89.25%, 93.52%及94.55%,改进u-net网络模型准确率相较改进前提高1.03%;在煤岩识别方面, u-net网络模型比FCN网络模型取得了更高的准确率,在测试环节中也表现出了更好的性能;在预测环节中,对煤岩边缘部分的识别做到了更为精准的处理。该方法可为煤岩识别的精准度的提高提供参考。

关键词：煤岩识别深度学习 u-net网络 Canny边缘检测算法

来源：评论

学校读者我要写书评

暂无评论

基于CCS u-net网络模型的建筑物提取研究

基于CCS U-Net网络模型的建筑物提取研究

引用

作者：艾云婵江西理工大学

学位级别：硕士

随着现代社会的逐步发展,城镇的变化也越来越快,为了丰富城市空间数据库,研究建筑物的自动提取技术必不可少。其中,使用高分二号结合深度学习技术对建筑物进行提取成为一种可行的方法,其鲁棒性较强。尤其是卷积神经网络,如FCN(全卷积神... 详细信息

随着现代社会的逐步发展,城镇的变化也越来越快,为了丰富城市空间数据库,研究建筑物的自动提取技术必不可少。其中,使用高分二号结合深度学习技术对建筑物进行提取成为一种可行的方法,其鲁棒性较强。尤其是卷积神经网络,如FCN(全卷积神经网络)、u-net、Seg net等,这些网络模型对于特征抽取有着极其显著的优势,应用于建筑物目标提取的研究时,能够更加充分的利用影像信息,使结果更加精细。但网络本身的机制会令提取的边缘信息模糊,为了克服这个问题,本文提出一种基于Canny算法与SLIC(Simple Linear Iterative Clustering,简单线性迭代聚类)超像素分割结合u-net网络的模型,用于增强建筑物边界再进行提取。本文选取的研究区域位于江西省南昌市新建区,该地区中建筑物类型多样,结合高分二号高分辨率遥感影像对其中的建筑物进行精确提取,能更好的体现建筑物提取技术的优势。为了进行研究,本文制作人工标签及多种数据集,并使用FCN、u-net、Seg net三种传统神经网络先进行实验的基本分析评价。结果表明:(1)u-net网络在建筑物特征提取方面较其他两种网络的精度高,评价指标中的MPA大多在90%左右,而m Io u、OA指标也不低于84%。(2)对于多种数据集来说,RGB组合数据集和全波段数据集提取时的精度相差不大,指数数据集的精度最低。探讨u-net网络的内部计算机制,对建筑物特征进行分析。本文将u-net网络中第一层、第二层的卷积核进行抽取和归一化操作后,计算出图像中的每条通道的贡献值(即每条通道对于建筑物特征的贡献),对结果逐层分析,判断相关特征,获取最高特征权重链。结果表明:(1)u-net网络在进行特征提取时,通过不断调整参数权重以获取不同地物特征,期间不会直接消除其他特征。在计算过程中运用相减,使得边界信息容易消失。(2)对每层节点中的相关成果和分析进行保存,发现第三通道的贡献值最高,为2.49。(3)以此为基础结合Canny边缘检测算法,增强边界,结果发现边缘检测效果较好,尤其是对于形状鲜明和排列规律的建筑物边界,纹理分明,只是对于亮度相似的边界检测较为模糊。利用SLIC超像素算法进行初始分割,通过新的边界检测保证位于边界两边的区域不会被错误连接,并结合u-net网络检测出目标区域的类别划分(CCS u-net模型),对于处于待定区域的区域,放大区块,上采样后,基于贡献度算法结合Canny算法基础上,重新判断,以保证增强边界。这种策略得到的结果表明:(1)从数据集的方面来说,不同数据集对于不同类型的建筑物有不同的适用性,对于大型或规则建筑物,RGB123和RGB234组合的数据集提取效果较好;对于密集建筑物更适用于RGB123组合的数据集,不规则建筑物和高层建筑物,分别更适用于RGB124组合和RGB234组合数据集。(2)从网络对比上来说,CCS u-net在各个不同的数据集上对建筑物的提取精度都较好于u-net,RGB124组合数据集中的OA精度相差最大,CCS u-net比u-net的总体精度高出9.9%,CCS u-net模型提取建筑物时,MPA和OA的精度都在92.1%以上,m Iou都在86.1%以上,精度较高。

关键词：高分二号遥感影像 u-net网络超像素分割边界增强建筑物提取

来源：评论

学校读者我要写书评

暂无评论

ADS-u-net网络在端到端语音增强中的应用研究

ADS-U-Net网络在端到端语音增强中的应用研究

引用

作者：武瑞沁苏州大学

学位级别：硕士

语音增强作为语音处理任务的前端处理技术,通过去除含噪语音中的背景噪声,尽量提升语音纯净度,达到提高语音质量和可懂度的目的。在过去的研究中,传统的语音增强算法基于某些先验假设,在低信噪比、非平稳噪声环境下会出现较严重的语音... 详细信息

语音增强作为语音处理任务的前端处理技术,通过去除含噪语音中的背景噪声,尽量提升语音纯净度,达到提高语音质量和可懂度的目的。在过去的研究中,传统的语音增强算法基于某些先验假设,在低信噪比、非平稳噪声环境下会出现较严重的语音失真。为了解决上述问题,近年来基于深度学习的语音增强算法开始兴起,其能够突破先前传统算法的某些限制,对于不同条件下的语音增强任务具有更好的适应能力。其中,u-net网络能够保证去噪效果的前提下大幅度减少模型的参数量,得到了研究人员的广泛关注。然而,由于采样和卷积运算的感受域有限,不利于增强语音的恢复,因此很难对整段语音进行建模,限制了模型的进一步发展。针对上述问题,本文首先提出了一种改进的u-net网络—ADC-u-net。其中,为了扩大卷积运算的感受域,尽可能的获取全局语义信息,本文设计了一种新的线性混合空洞卷积块,具体做法是将普通卷积与空洞卷积先后经过归一化和非线性激活处理后再进行线性联合运算。这样既减小由普通卷积带来的信息损失,增大了感受野,获得多尺度的特征信息,又避免了单独使用空洞卷积所造成的语音局部和起止特征信息丢失的问题,进而改善语音失真。此外,为解决语音细节特征在网络最深层进行解码时丢失导致语音质量和可懂度下降的问题,将一种新的双路复合注意力机制应用到u-net网络中,具体做法是将编码区域和解码深层部分的特征输出进行二次融合,提取了含噪语音更多的上下文信息,为解码模块提供了更深层次和更丰富的语音细节特征信息,有利于增强语音的恢复。然而,本文在实验中发现,随着网络层数加深,可能会出现梯度消失错过最优点的问题,同时卷积操作增多会导致前后卷积层之间的联系较弱。针对这一问题,本文进而提出了一种基于短时多尺度密集残差模块的端到端语音增强模型ADS-u-net。短时多尺度密集残差模块通过不同类型的卷积操作和快捷连接的运算,不仅使网络的拟合能力更强,不易错过最优结果,而且为各个卷积层之间建立了更为紧密的联系,使上下文特征信息间的相关性加强,网络能够获取到更多的语音细节信息,有利于最终进一步提升语音的质量和对噪声的抑制能力。接着,本文采用多个主客观指标对增强语音的质量和可懂度进行了评价。实验结果显示本文所提算法在噪声抑制能力、泛化性等方面均表现出良好的性能,与基线u-net网络及其他网络模型相比,表现出更好的语音质量和可懂度,证明所提网络有一定的优势。最后,本文探究了语音增强中的可视化方法,并通过网络模型的可视化分析了所提语音增强模型的不足之处,为后续研究提供了方向。

关键词：语音增强 u-net网络混合空洞卷积块注意力机制短时残差模块

来源：评论

学校读者我要写书评

暂无评论

基于改进u-net网络的光学卫星影像云检测方法研究

基于改进U-Net网络的光学卫星影像云检测方法研究

引用

作者：刘飞武汉大学

学位级别：硕士

近年来,快速发展的光学卫星已成为稳定、高效的对地观测系统中不可或缺的组成部分,这给人类观测地球带来了极大的便利。光学卫星影像有覆盖范围广、获取成本低、重复观测周期短、信息数据量大等优点,被广泛用于国防安全、渔业监测、环... 详细信息

近年来,快速发展的光学卫星已成为稳定、高效的对地观测系统中不可或缺的组成部分,这给人类观测地球带来了极大的便利。光学卫星影像有覆盖范围广、获取成本低、重复观测周期短、信息数据量大等优点,被广泛用于国防安全、渔业监测、环境保护、自然灾害预警、资源调查等诸多领域。然而,云作为卫星影像中大范围存在的一种污染物,极大地降低了卫星影像的质量和利用效率。国际卫星气候项目(International Satellite Cloud Climatology Project)研究表明,云层覆盖了全球超过65%的面积。云的存在会反射光学卫星诸多波段信号,使得光学卫星难以获取云层下面完整的地表信息,造成卫星影像信息缺失,使用困难。因此,云检测是提高遥感影像利用率和应用范围的必要措施。光学卫星影像的云检测实际上是以云为前景,其他地物目标为背景的影像分割任务,深度学习算法的快速发展给高效准确的影像分割带来了机遇。目前的多数云检测算法通常依据大量的先验知识,进行复杂的模型构建和特征提取,在面对复杂下垫面时往往需要人工干预才能有效地捕捉影像特征,以达到云检测的目的。而以u-net网络为代表的深度学习算法可以较为准确的挖掘数据集的特征,依靠人工标记的样本进行模型参数迭代更新,通过不同的网络层提取影像中蕴含的浅层次和高层次语义特征,从而对影像中的云进行有效的检测。因此,本文从深度学习的理论出发,以轻量化的u-net网络为基础,对光学卫星影像云检测中的问题进行研究。本文的主要研究内容和创新点包括以下两个方面:1.针对多数深度学习算法需要海量人工标记的数据样本且对雪/冰等复杂下垫面区分效果不佳的问题,本文以轻量级u-net网络为基础,构建了基于注意力机制的u-net网络云检测模型。该方法通过在网络的上采样层添加空间注意力模块,提高了网络对云的关注能力,以期提升云检测的精度。首先,编码层通过多次降采样操作来获取不同尺度下影像的浅层次和深层次语义特征;然后在上采样层加入注意力模块,与网络同一层降采样获得的特征图经过全卷积操作后进行融合;最后,将获得的分类结果输出,实现了端到端的云检测目标。实验结果表明,该模型在Landsat8 CCA数据集上验证的总体精度为92.91%,高出仅使用u-net模型8.12%、MLP(Multilayer Perceptron)模型13.48%、RF(Random Forest)模型13.17%,实现了高效的光学卫星影像云检测。2.在基于注意力机制的u-net网络模型的基础上,从加强对边缘信息的捕捉能力的角度出发,引入了可形变卷积操作,构建了融合注意力机制和可形变卷积的u-net网络云检测模型。云的形状千变万化,是进行云检测时不能忽略的一个要素,而可形变卷积可以适应多样化的形状,对于不规则对象的边缘特征学习更加有效。因此,本文以可形变卷积替代普通卷积,以期提高对云的形状的关注,实现对云边缘特征的有效提取。实验结果表明,该模型在Landsat8 CCA数据集中验证的总体精度达到了93.10%,高出仅使用u-net模型8.31%、MLP模型13.67%、RF模型13.36%。研究表明,本文基于u-net模型改进的两种算法能够实现小数据集(训练数据集少于300个256×256像素的样本)、复杂下垫面类型下的云检测目标。基于注意力机制的u-net网络具有总体精度高、误检率和漏检率更低的优点;融合注意力机制和可形变卷积的u-net模型总体精度更高,同时对厚云的检测更为有效,为实现云检测精度提供了新视角。

关键词：云检测 u-net网络注意力机制可形变卷积端到端

来源：评论

学校读者我要写书评

暂无评论

兼顾连通性的u-net网络高分辨率遥感影像道路提取

引用

遥感学报 2020年第12期24卷 1488-1499页

作者：王斌陈占龙吴亮谢鹏范冬林付波霖中国地质大学(武汉)地理与信息工程学院武汉430078 西安测绘研究所西安710054 地理信息工程国家重点实验室西安710054 桂林理工大学测绘地理信息学院桂林541004

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于u-net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复... 详细信息

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于u-net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善u-net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为u-net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。

关键词：遥感形态完整性 u-net网络高分辨率遥感影像连通性道路断线

来源：评论

学校读者我要写书评

暂无评论

多尺度空洞u-net网络的电影CMR图像分割

引用

计算机技术与发展 2022年第11期32卷 177-182页

作者：王建军李婉晴张敏河北经贸大学信息技术学院河北石家庄050061

在电影心脏核磁共振(CMR)图像上准确分割左心室、右心室和心肌是心脏功能评估和诊断的重要步骤。然而,大多数带标注的CMR图像数据量较少,无法满足训练需求,同时CMR图像中心脏结构复杂,心室及心肌边界不清晰,导致分割效果欠佳。因此,该... 详细信息

在电影心脏核磁共振(CMR)图像上准确分割左心室、右心室和心肌是心脏功能评估和诊断的重要步骤。然而,大多数带标注的CMR图像数据量较少,无法满足训练需求,同时CMR图像中心脏结构复杂,心室及心肌边界不清晰,导致分割效果欠佳。因此,该文提出了一种基于迁移学习和多尺度空洞u-net网络的CMR图像分割方法,使用迁移学习,将预训练模型得到的网络参数迁移到目标模型上作为目标模型的初始化参数,提高网络的特征学习能力,解决CMR图像数据量不足的问题;在u-net网络中引入多尺度空洞卷积模块,使用空洞卷积代替普通卷积在参数不变的情况下扩大了感受野,并且采用多尺度特征融合提取更加精细的特征,解决CMR图像边界曲线欠分割的问题。实验结果表明,该方法能有效实现心脏中左心室、右心室和心肌的准确分割,平均Dice系数和Hausdorff距离平均值分别为0.902和4.219 mm,对比其他网络分割模型明显提高了分割精度。

关键词：心脏核磁共振图像 u-net网络迁移学习多尺度空洞卷积特征融合

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：