期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于UNet3+生成对抗网络的视频异常检测 被引量:1
1
作者 陈景霞 林文涛 +1 位作者 龙旻翔 张鹏伟 《计算机工程与设计》 北大核心 2024年第3期777-784,共8页
为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别... 为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。 展开更多
关键词 生成对抗网络 视频异常检测 U型卷积网络 全尺度跳跃连接 密集跳跃连接 光流模型 多尺度特征提取
下载PDF
基于RNN与级联损失函数的图像超分辨率研究
2
作者 曾强 刘晓群 郝娟 《信息技术与信息化》 2024年第10期81-84,共4页
为了获取具有更丰富细节和更清晰纹理的超分辨率图像,提出一种融合循环神经网络(RNN)与级联损失函数的超分辨率重建网络(RLNN)。相较于传统的RNN方法,所提出的网络架构主要实现了两大创新。首先,将RNN的每一次迭代与级联损失函数紧密集... 为了获取具有更丰富细节和更清晰纹理的超分辨率图像,提出一种融合循环神经网络(RNN)与级联损失函数的超分辨率重建网络(RLNN)。相较于传统的RNN方法,所提出的网络架构主要实现了两大创新。首先,将RNN的每一次迭代与级联损失函数紧密集成,通过这种方式,不仅提高了网络在超分辨率重建过程中的精度,还增强了其对复杂图像特征的捕捉能力。其次,设计了一种新颖的隐藏模块(HM),结合了空间-通道注意力机制与局部密集跳跃连接网络,有效提升了网络在特征提取与重用方面的性能。为了进一步优化网络的学习过程,还引入了一种课程学习策略,使网络能够逐步适应并处理更加复杂的任务。实验结果证明,所提出的RLNN网络在图像超分辨率任务上表现出极好的重建效果。 展开更多
关键词 卷积神经网络 超分辨率重建 循环神经网络 级联损失函数 密集跳跃连接 空间-通道注意力机制 课程学习策略
下载PDF
基于深度学习的位场边界识别方法 被引量:7
3
作者 张志厚 姚禹 +7 位作者 石泽玉 王虎 乔中坤 王生仁 覃礼貌 杜世回 罗锋 刘慰心 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2022年第5期1785-1801,共17页
边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非... 边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非线性映射能力和监督式学习优点的启发,本文提出了基于深度学习的位场边界识别方法,深度学习网络结构是一种融合了多尺度特征和全局注意力机制的密集跳跃连接网络(PFD-Net).该网络结构首先以改进的U-net为骨干网络获取位场边界特征信息,然后在嵌套的标准卷积模块之间进行密集跳跃连接来缩减编码阶段到解码阶段的语义鸿沟,以及减少训练阶段梯度消失等问题,随后再采用全局注意力机制模块将多尺度的高低层特征信息进行融合,以此进一步加强边界的全局及细节定位.模型试验表明,PFD-Net网络能够准确识别出异常体的边界信息,且对于含噪声数据,其预测结果的质量不会降低,该网络表现出较强的泛化性和鲁棒性.最后将本文方法应用于藏东南某铁路隧道西段的航空磁测数据,取得了良好的边界识别结果并能够获得更多的构造信息. 展开更多
关键词 位场边界识别 多尺度 注意力机制 密集跳跃连接
下载PDF
基于改进U-Net的磁共振成像脑肿瘤图像分割 被引量:11
4
作者 牟海维 郭颖 +2 位作者 全星慧 曹志民 韩建 《激光与光电子学进展》 CSCD 北大核心 2021年第4期257-264,共8页
针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码... 针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。 展开更多
关键词 图像处理 脑肿瘤分割 残差模块 密集跳跃连接
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部