期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于非对称卷积神经网络的图像去噪 被引量:4
1
作者 甘建旺 沙芸 张国英 《激光与光电子学进展》 CSCD 北大核心 2020年第22期193-198,共6页
由于图像的像素越来越小,数字成像传感器输出的信号对光子噪声的敏感性越来越强,使光子噪声成为数字图像传感器噪声的主要来源。鉴于此,提出一种基于非对称卷积神经网络的图像去噪算法。为了提高模型的泛化能力,将网络框架分为噪声评估... 由于图像的像素越来越小,数字成像传感器输出的信号对光子噪声的敏感性越来越强,使光子噪声成为数字图像传感器噪声的主要来源。鉴于此,提出一种基于非对称卷积神经网络的图像去噪算法。为了提高模型的泛化能力,将网络框架分为噪声评估网络和去噪网络两部分。为了减少编码器与解码器中网络特征映射之间的语义差距,对去噪网络中的跳跃连接进行改进,使特征在语义上更相似,以便于任务的优化处理。从定性和定量方面进行对比实验,实验结果表明,改进后的网络模型的去噪性能更佳。 展开更多
关键词 图像处理 非对称卷积神经网络 去噪 跳跃连接 光子噪声
原文传递
基于全卷积神经网络的非对称并行语义分割模型 被引量:11
2
作者 李宝奇 贺昱曜 +1 位作者 何灵蛟 强伟 《电子学报》 EI CAS CSCD 北大核心 2019年第5期1058-1064,共7页
针对RGB图像具有丰富的色彩细节特征,红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点,提出了一种非对称并行语义分割模型APFCN(Asymmetric Parallelism Fully Convolutional Networks).APFCN上路设计了一个卷积核尺寸非... 针对RGB图像具有丰富的色彩细节特征,红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点,提出了一种非对称并行语义分割模型APFCN(Asymmetric Parallelism Fully Convolutional Networks).APFCN上路设计了一个卷积核尺寸非统一的五层空洞卷积网络来提取红外图像目标高层轮廓特征;下路沿用卷积加池化网络提取RGB图像三个尺度上的细节特征;后端将红外图像高层特征与RGB图像三个尺度的细节特征进行融合,并将4倍上采样后的融合特征作为语义分割输出.结果表明,APFCN在像素精度和交并比等方面均优于FCN(输入为RGB图像或红外图像),适用于背景一致下地面目标的语义分割任务. 展开更多
关键词 语义分割 卷积神经网络 非对称并行全卷积神经网络 空洞卷积 空洞率
下载PDF
一种融合ACNN和Bi-LSTM半监督缩略语消歧方法
3
作者 张春祥 逄淑阳 高雪瑶 《哈尔滨理工大学学报》 CAS 北大核心 2022年第5期30-37,共8页
为了提高生物医学缩略语的消歧准确率,提出了一种融合ACNN和Bi-LSTM半监督缩略语消歧方法。以缩略语为中心,提取左右4个邻接词汇单元的词形信息、词性信息和语义信息作为消歧特征。使用Xgboost算法和LightGBM算法扩充训练语料,将扩充完... 为了提高生物医学缩略语的消歧准确率,提出了一种融合ACNN和Bi-LSTM半监督缩略语消歧方法。以缩略语为中心,提取左右4个邻接词汇单元的词形信息、词性信息和语义信息作为消歧特征。使用Xgboost算法和LightGBM算法扩充训练语料,将扩充完的训练语料输入到这个模型中,使用非对称卷积神经网络(asymmetric convolutional neural networks,ACNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)来提取特征,使用softmax函数进行语义分类。使用MSH语料来优化该模型并测试其消歧性能,实验结果表明:本文所提出模型只需使用少量的有标注语料,可以有效的提高缩略语消歧准确率。 展开更多
关键词 缩略语 Xgboost LightGBM 消歧特征 非对称卷积神经网络 双向长短期记忆网络
下载PDF
基于ACNN-BLSTM的环状RNA识别
4
作者 程威 王帅 +3 位作者 范锦江 彭景 林显光 陈恒玲 《中南民族大学学报(自然科学版)》 CAS 北大核心 2022年第6期697-705,共9页
环状RNA(circRNA)是一类新的内源性非编码RNA,广泛存在于真核转录组中,它的环状结构是在剪接过程中通过5'端和3'端共价键反向连接形成.在过去的20多年里,环状RNA可以作为miRNA海绵发挥作用并且在基因调控中,环状RNA与癌症也有... 环状RNA(circRNA)是一类新的内源性非编码RNA,广泛存在于真核转录组中,它的环状结构是在剪接过程中通过5'端和3'端共价键反向连接形成.在过去的20多年里,环状RNA可以作为miRNA海绵发挥作用并且在基因调控中,环状RNA与癌症也有密切关系.所以,检测环状RNA对于理解它们的生物作用和生物起源是非常重要的.目前检测环状RNA的一般方法是依赖高通量测序(RNA-Seq),通过在数据中检测RNA的反向剪接位点.然而,由于数据本身和识别的准确度不高,导致其结果假阳性和假阴性偏高.因此,找到一种更准确、更快速的方法识别环状RNA是非常有必要的.为此,提出了基于深度学习的环状RNA识别方法,使用非对称卷积神经网络(ACNN)加双向长短时记忆网络(Bi-LSTM)的架构,利用环状RNA自身的序列特征在长非编码(lncRNA)中进行识别.实验结果表明:所提出的ACNN-BLSTM模型,在各方面性能指标和识别准确率上,都为5种模型中最优,并且识别准确率也达到了90%以上,对比另外四种常见的单一神经网络模型,该方法具有一定的优势. 展开更多
关键词 环状RNA 非对称卷积神经网络 双向长短时记忆网络 RNA识别
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部