【摘 要】
：
研究COVID-19低剂量CT图像质量评价算法具有重要意义,但基于深度学习的方法随着网络层数的增加会出现梯度消失问题,针对此问题,文中提出了基于混合域注意力的DenseNet算法。DenseNet通过特征重用和网络的紧密连接,在减少参数的同时解决了梯度消失问题;基于人眼的注意力机制,将自下至上和自上而下结构相结合以实现空间注意力;基于人眼视觉具有多通道特性,针对空间域注意力忽略通道域中的信息,研究
论文部分内容阅读
研究COVID-19低剂量CT图像质量评价算法具有重要意义,但基于深度学习的方法随着网络层数的增加会出现梯度消失问题,针对此问题,文中提出了基于混合域注意力的DenseNet算法。DenseNet通过特征重用和网络的紧密连接,在减少参数的同时解决了梯度消失问题;基于人眼的注意力机制,将自下至上和自上而下结构相结合以实现空间注意力;基于人眼视觉具有多通道特性,针对空间域注意力忽略通道域中的信息,研究混合域注意力,并将其引入至DenseNet。分别用斯皮尔曼等级次序相关系数、皮尔逊线性相关系数来衡量客观
其他文献
随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用。这些模型虽然有较高的精度,但通常计算量大且运行速度慢。为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型。首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化。其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模
能见度检测是计算机视觉与交通视频图像处理的热点问题。针对传统检测方法存在硬件成本高、适用范围小、检测效率低等不足,给出一种利用透射率和场景深度获取单幅图像能见度的检测方法。首先根据Koschmieder定律和ICAO推荐的对比阈值推导出能见度检测公式,然后根据大气衰减模型得到消光系数,利用暗通道先验理论获取透射率值,结合SFS(从阴影恢复形状)和双目模型获取场景深度值,最后通过求解消光系数反演图像
确定地震震级对中长期地震预报、震后应急救援和地震危险性评价具有重要意义。古地震学是研究地质记录中的地震事件,特别是它们的位置、时间和震级大小。然而,传统由地表破裂参数确定的古地震震级仍存在不确定性(大多数地震事件不会导致地表破裂,或位移小于0.3 m),尤其是由湖泊沉积记录的古地震事件。为了解决未发现明显位错地震震级问题,本文依据软沉积物变形构造的类型和形式,对确定地震震级/强度的方法(经验估算、
在暗光条件下拍摄的图像为细节较少的低照度图像,直接在该图像上进行增强会放大噪声。近年来,基于深度学习的方法在低照度图像增强以及图像去噪领域取得了出色的性能。然而,在同时进行去噪及增强方面的研究较少。文中构建了一个用于联合增强与去噪的低照度图像数据集,该数据集包含104组低照度图像和正常光照图像,每一组包含4种不同暗光程度的低照度图像。对应地,文中提出了一个渐进式图像增强网络,以自适应地处理不同光照
步态是远距离复杂视频监控场景下唯一可清晰成像的生物特征,具有识别范围广、难以伪装等优点。为探索视频图像智能化应用,发掘海量视频资源的潜在价值,开发了步态应用实战平台,利用步态识别技术破解视频监控条件下人员身份识别难和轨迹刻画难等难题,为侦查破案、人员管控等提供新手段。采用先进的深度学习步态识别方法,完成步态检测,序列跟踪,步态分割和识别比对等一系列关键环节和步骤。为验证步态识别技术的效果,在含10
随着智慧城市、公安大数据的发展,视频监控网络已成为城市治理的重要基础设施。但是,攻击者通过替换或篡改监控摄像头这一重要的前端设备,能够接入内部网络,实现设备劫持、信息窃取、网络瘫痪,威胁个人、社会与国家安全。为了提前识别非法或可疑的摄像头身份,提出了融合多维标识特征的摄像头身份识别方法。通过提取摄像头静态信息与动态流量信息,构建了融合显性、隐性、动态标识符的摄像头身份标识体系。为选择简洁有效的身份
随着电商的迅速开展,快递行业特别火爆。大量用户取完快递后习惯性将未经处理的快递盒随手扔掉,此时快递单上大量的用户明文隐私信息将面临被泄露的风险。AES算法是对称密码算法,具备算法简单易实现、加解密速度快、安全性高等特点,是加密快递业用户明文信息的理想算法。QR码(快速响应二维码)具有安全性高、读取数据速度快、可在小空间内打印、可从任意方向读取等优点。为了保证运输效率,快递基于用户明文信息运输,快递
光响应非均质性具有唯一性和相对稳定性,是对数字成像拍摄设备进行溯源取证的重要依据,被称为设备指纹。在图像的真实噪声中,除了PRNU设备指纹外,还包含大量的随机噪声。为有效提取PRNU设备指纹,提出一种基于对偶生成对抗网络的数字成像设备指纹提取算法。该算法基于生成对抗网络的思想进行训练,生成训练数据进行数据增强,有效地提高了训练效率;同时采用UNet的网络结构联合残差学习的策略,能够在减少GPU占用
为解决在GPS信号缺失的室内环境下无人机的定位和自主飞行问题,以多旋翼无人机为平台,基于机器人操作系统(Robot Operating System,ROS)和MAVROS构建了通信网络系统,并选用英伟达Jetson NANO运行该系统,采用Pixhawk4飞行控制板运行核心控制部分,结合基于英特尔追踪实感摄像头T265的位置信息,融合飞行控制板载传感器数据对无人机状态估计进行修正,提高了无人机室
道路是现代交通运输最主要的途径之一,道路缺陷对于道路安全有着巨大威胁。因此准确检测道路缺陷对道路养护修缮具有重要意义。道路缺陷具有低连续性和低对比度的特点,现阶段多采用人工检测方法,检测效率低,人力成本高,且检测人员的安全可能会遭受威胁。随着深度学习的发展,神经网络方法被广泛应用于工程实践。U-net是具有编码器-解码器结构的端到端深度学习模型,对微小对象检测能力强,适用于道路裂缝缺陷检测。利用U