检索结果-内蒙古大学图书馆

南京信息工程大学学报（自然科学版） 2023年第4期15卷 393-402页

作者：陈栋李明李莉陈淑文重庆师范大学计算机与信息科学学院重庆401331 西南大学计算机与信息科学学院重庆400715 重庆师范大学数学科学学院重庆401331

为了提高高光谱图像在有限训练样本下的分类性能,提出了一种基于双池化注意力机制的高光谱图像分类网络(DPAMN).首先,采用三维卷积提取高光谱图像的空间和光谱浅层信息.其次,为了增强网络的特征提取能力,在DPAMN中引入了一种双池化注意... 详细信息

为了提高高光谱图像在有限训练样本下的分类性能,提出了一种基于双池化注意力机制的高光谱图像分类网络(DPAMN).首先,采用三维卷积提取高光谱图像的空间和光谱浅层信息.其次,为了增强网络的特征提取能力,在DPAMN中引入了一种双池化注意力机制.最后,在网络的深层引入三维卷积密集连接模块,该模块不仅能够充分提取高光谱图像的空间和光谱特征,同时还能提高特征的判别能力.实验结果表明,在Indian Pines、University of Pavia、Salinas以及Houston 2013数据集上分别取得95.45%、97.11%、95.30%以及93.71%的整体平均精度,与目前主流的已有先进方法相比,所提出的方法在4个数据集上均有较大提升,表明所提方法具有较强的泛化能力.

关键词：卷积神经网络高光谱图像分类注意力机制空谱特征提取

来源：评论

学校读者我要写书评

暂无评论

基于低秩堆栈式语义自编码器的零样本学习

引用

计算机应用研究 2023年第2期40卷 539-543页

作者：冉瑞生董殊宏李进王宁重庆师范大学计算机与信息科学学院重庆401331

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈... 详细信息

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈语义自编码器(low-rank stacked semantic auto-encoder,LSSAE)。该模型基于编码-解码机制,编码器学习到一个具有低秩结构的投影函数,用于将图像的视觉特征空间、语义描述空间以及标签进行连接;解码阶段重建原始视觉特征。并通过低秩嵌入,使得学习到的模型在预见未见类别时能共享已见类的语义信息,从而更好地进行分类。本研究在五个常见的数据集上进行实验,结果表明LSSAE的性能优于已有的零样本学习方法,是一种有效的零样本学习方法。

关键词：图像分类零样本学习堆栈式自编码器低秩嵌入

来源：评论

学校读者我要写书评

暂无评论

融合先验式图卷积与Transformer的儿童肺炎CT图像分割网络

引用

光学学报 2024年第16期44卷 88-102页

作者：梁浩城吕佳于明楷陈欣重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆国家应用数学中心重庆401331 重庆医科大学附属儿童医院国家儿童健康与疾病临床医学研究中心儿童发育与疾病教育部重点实验室重庆400014

提出了一种融合先验式图卷积与Transformer的U型网络(GTU-Net)。该网络通过将图卷积和Transformer有机结合,从像素到块逐级建立网络所需的局部-全局信息。在此过程中,为应对低特异性导致背景无关组织干扰性强的客观挑战,在图卷积前设计... 详细信息

提出了一种融合先验式图卷积与Transformer的U型网络(GTU-Net)。该网络通过将图卷积和Transformer有机结合,从像素到块逐级建立网络所需的局部-全局信息。在此过程中,为应对低特异性导致背景无关组织干扰性强的客观挑战,在图卷积前设计了一种新型的图邻接矩阵构造方法,即先验图学习。该方法通过监督学习的方式学习标签中潜藏的像素级类别及位置先验信息,从而更精确地刻画出不同特征的类间及类内关系,进一步增强图卷积网络的局部推理能力。实验结果表明,GTU-Net在私有儿童肺炎计算机断层扫描(CT)数据集上的Dice相似系数、杰卡德系数、敏感性、马修斯相关系数和平均表面距离指标相较性能最优的Transformer对比网络分别提升了1.82%、2.91%、1.33%、1.85%和0.0268 pixel,同时也在2个公有新型冠状病毒感染CT数据集上取得了较好的表现,这有效验证了其良好的泛化性。

关键词：图像处理儿童肺炎 CT图像分割 U-Net 图卷积网络 Transformer 先验图学习

来源：评论

学校读者我要写书评

暂无评论

面向超大规模数据的自适应谱聚类算法

引用

智能系统学报 2023年第2期18卷 251-259页

作者：毕志臻杨德刚冯骥重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学教育大数据智能感知与应用重庆市工程研究中心重庆401331

针对超大规模数据聚类过程中人为设定邻域参数及计算量庞大等问题,提出了一种基于近似自然近邻的自适应超大规模谱聚类算法(approximate natural nearest neighbor based self-adaptive ultra-scalable spectral clustering algorithm, AN^(3)-SUSC)。该算法首先通过混合代表选取缩小数据规模,在此基础上利用近似自然近邻自适应地确定局部邻域参数并构建相似矩阵,最后运用二部图进行迁移分割将数据空间映射到原超大规模数据空间中并完成谱聚类分析。超大规模数据集实验结果表明,该算法对超大规模数据集聚类效果有所提升,并且降低计算规模同时具有较高的鲁棒性和较强的自适应性。

关键词：数据聚类超大规模近似自然近邻谱聚类自然邻居二部图自适应无参数

来源：评论

学校读者我要写书评

暂无评论

面向民国档案印章分割的改进U-Net

引用

计算机应用 2023年第3期43卷 943-948页

作者：杨有张汝荟许鹏程康慷翟浩重庆国家应用数学中心(重庆师范大学) 重庆401331 重庆师范大学计算机与信息科学学院重庆401331

精准分割民国档案图像中的印章,有助于该类档案的智慧应用。针对民国档案印侵严重和过多噪声的问题,提出用于印章分割的网络UNet-S。该网络在保留U-Net的编解码器结构和跳跃连接的基础上从三个方面进行改进:一是使用多尺度残差模块替代U... 详细信息

精准分割民国档案图像中的印章,有助于该类档案的智慧应用。针对民国档案印侵严重和过多噪声的问题,提出用于印章分割的网络UNet-S。该网络在保留U-Net的编解码器结构和跳跃连接的基础上从三个方面进行改进:一是使用多尺度残差模块替代U-Net原有的卷积层,使UNet-S既能有效提取多尺度特征,又能避免网络退化和梯度爆炸等问题;二是在多尺度残差模块中将普通卷积替换为深度可分离卷积(DSConv),大幅减少网络的参数量;三是使用BCEDiceLoss并根据仿真实验结果优选权重因子,以解决民国档案数据不平衡的问题。实验结果表明,相较于U-Net、DeepLab v2等网络,UNet-S的Dice相似系数(DSC)、平均交并比(mIoU)、平均像素准确率(MPA)取得了最优结果,最多提高了17.38%、32.68%和0.6%,参数量最多下降了76.64%。可见,UNet-S在民国档案数据集中分割效果更佳。

关键词：深度可分离卷积 U-Net 多尺度特征提取民国档案印章分割

来源：评论

学校读者我要写书评

暂无评论

双路径合作的原型矫正小样本分类模型

引用

计算机科学与探索 2024年第3期18卷 693-706页

作者：吕佳曾梦瑶董保森重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

基于度量的元学习在学习过程中存在由于稀缺数据分布导致习得的先验知识不足、从样本中提取到的单一视图特征易受弱相关或无关特征的干扰以及因分类造成的代表性特征偏差的问题。针对这些问题,提出了一种双路径合作的原型矫正小样本分... 详细信息

基于度量的元学习在学习过程中存在由于稀缺数据分布导致习得的先验知识不足、从样本中提取到的单一视图特征易受弱相关或无关特征的干扰以及因分类造成的代表性特征偏差的问题。针对这些问题,提出了一种双路径合作的原型矫正小样本分类模型。首先,通过双路径合作模块从多视图角度自适应地突出关键特征和弱化弱相关特征,充分利用特征信息获得先验知识来提升特征的表达能力;其次,通过基于查询集样本特征信息的原型矫正分类策略来解决类内原型的偏差问题;最后,通过损失函数反向更新模型参数,模型分类准确率得以提升。在五个公开的数据集上进行了5-way 1-shot和5-way 5-shot对比实验,较基准模型而言,在miniImageNet数据集上,准确率提升了5.57个百分点和3.90个百分点;在tieredImageNet数据集上,准确率提升了5.68个百分点和3.93个百分点;在CUB数据集上,准确率提升了6.93个百分点和3.13个百分点;在CIFAR-FS数据集上,准确率提升了8.03个百分点和1.65个百分点;在FC-100数据集上,准确率提升了4.25个百分点和4.89个百分点。实验结果表明,提出的双路径合作的原型矫正小样本分类模型能在小样本学习领域有良好的性能,且模型中的模块可迁移到其他模型中使用。

关键词：小样本学习元学习度量学习自适应双路径合作学习原型矫正

来源：评论

学校读者我要写书评

暂无评论

多尺度语义学习的人脸图像修复

引用

南京信息工程大学学报（自然科学版） 2023年第5期15卷 534-540页

作者：左心悦郝子娴杨有重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆国家应用数学中心重庆401331

针对卷积神经网络在图像修复过程中难以兼顾修复结果的局部细节和全局语义一致性问题,以生成对抗网络为基础,提出一种多尺度语义学习的编解码人脸图像修复模型.首先,将人脸图像用门控卷积分解为具有不同大小的感受野和特征分辨率的分量... 详细信息

针对卷积神经网络在图像修复过程中难以兼顾修复结果的局部细节和全局语义一致性问题,以生成对抗网络为基础,提出一种多尺度语义学习的编解码人脸图像修复模型.首先,将人脸图像用门控卷积分解为具有不同大小的感受野和特征分辨率的分量,用不同尺寸的卷积核提取多尺度特征,通过提取合适的局部特征来提升修复结果的细节;其次,将提取的多尺度特征输入至语义学习模块,从通道和空间两个角度学习特征之间的语义关系,从而增强修复结果的全局一致性;最后,引入跳跃连接将编码端的特征补充到解码端中减少采样造成的细节信息损失,改善修复结果的纹理细节.在CelebA-HQ人脸数据集上进行实验,结果表明提出的模型在峰值信噪比、结构相似性、l_(1)三个性能指标上均有显著提升,修复的结果在视觉上局部细节和全局语义更合理.

关键词：图像修复多尺度语义学习卷积神经网络生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

结合局部密度样本合成和类间插值的协同训练

引用

武汉大学学报(理学版) 2024年第6期70卷 687-696页

作者：吕佳王雨李帅军重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

协同训练算法突破了单视角学习的局限,利用多视角特征学习两个分类器,相互补充、增益学习,以获得更好的分类性能。然而,有标记样本不足以及无标记样本无法有效利用的问题制约着协同训练算法性能的进一步提升。为了解决上述问题,提出一... 详细信息

协同训练算法突破了单视角学习的局限,利用多视角特征学习两个分类器,相互补充、增益学习,以获得更好的分类性能。然而,有标记样本不足以及无标记样本无法有效利用的问题制约着协同训练算法性能的进一步提升。为了解决上述问题,提出一种结合局部密度样本合成和类间插值的协同训练算法。该算法先利用局部密度样本合成方法扩充有标记样本集完善数据的空间结构,得到性能较好的两个初始分类器;再利用K-means聚类算法对两个分类器预测类别不一致的无标记样本聚类,从中随机选取不同类别的样本插值生成新样本,将新样本分别加入到两个分类器中,将决策边界推离类边界,以获得大边距决策边界,重复该过程直至得到最终分类器。在12个UCI数据集上的实验结果验证了本文算法的有效性。

关键词：协同训练局部密度样本合成插值决策边界

来源：评论

学校读者我要写书评

暂无评论

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

引用

光电子．激光 2023年第6期34卷 654-662页

作者：吕佳梁浩城王泽宇重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆国家应用数学中心重庆401331

针对传统卷积神经网络(convolutional neural network,CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视... 详细信息

针对传统卷积神经网络(convolutional neural network,CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network,Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network,U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。

关键词：视网膜血管分割卷积神经网络(CNN) 图卷积网络(GCN) 不确定度分析轮廓提取

来源：评论

学校读者我要写书评

暂无评论

UG_2F2F:多特征深度融合的人脸图像修复

引用

小型微型计算机系统 2023年第11期44卷 2552-2557页

作者：杨有边雅琳重庆国家应用数学中心重庆401331 重庆师范大学计算机与信息科学学院重庆401331

利用现有深度学习方法实现人脸图像修复存在特征挖掘不充分、语义表达不完整等问题,导致输出图像容易存在伪影或模糊纹理等现象.为了解决这个问题,提出一种多特征深度融合的人脸图像修复模型.以融入门控卷积的U-Net作为主干网络,来提取... 详细信息

利用现有深度学习方法实现人脸图像修复存在特征挖掘不充分、语义表达不完整等问题,导致输出图像容易存在伪影或模糊纹理等现象.为了解决这个问题,提出一种多特征深度融合的人脸图像修复模型.以融入门控卷积的U-Net作为主干网络,来提取结构和纹理这两种特征.再对两特征依次使用双向门控特征融合和门控注意特征融合进行两次融合,以充分挖掘图像高级语义及特征间上下文关系,实现精准而且有效的空洞填充.在训练过程中,定义一种修正的重建损失函数,强调保持结构完整时生成更多纹理细节.在CelebA-HQ数据集上的实验结果表明,与CA、EdgeConnect和CTSDG等代表性模型相比,所提出的图像修复模型在峰值信噪比、结构相似度和FID指标上均得到提升,它能够有效修复人脸图像.

关键词：人脸图像修复特征融合多尺度特征重建损失门控卷积

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：