融合ResNet结构的U-Net眼底视盘分割方法

由于亮度的相似性,带病灶眼底图像的视盘分割通常会受到亮病灶干扰.现有的视盘分割方法对正常的视网膜眼底图像具有较好的分割效果,但是在带病灶的眼底图像中表现不佳.在医学图像数据样本有限的情况下,U-Net网络能实现少样本训练生成较好的分割结果.提出一种将残差结构与U-Net网络融合的视盘分割方法.残差模块的跳跃连接能将浅层...     

基于深度学习的视网膜分支动脉阻塞分割

视网膜疾病如视网膜动脉阻塞等的早期诊断和治疗是预防永久性视力损伤的关键。为辅助临床眼科医生更快、更准确地诊断视网膜疾病,提出一种基于深度学习的视网膜分支动脉阻塞分割的方法。首先,将三维视网膜光学相干断层扫描图像转换为二维B超扫描图像,通过二值化、仿射变换等方法提取视网膜区域作为感兴趣区域|然后将感兴趣区域送入条件生成对抗网络进行训练,实现BRAO病变区域分割|最后,采用腐蚀、闭运算等形态学运算排除假阳性。在20张来自20双眼睛、包含BRAO急性期和萎缩期视网膜OCT图像上进行四折交叉验证,平均正确率、真阳性率、假阳性率分别为94.7%、92.1%、5.0%,表明BRAO分割方法有效。     

基于卷积神经网络的图像分类研究

结合现有基于卷积神经网络的图像分类算法,以CIFAR-10作为数据集,探究如何快速搭建一个满足分类精度要求的卷积神经网络模型,以及如何有目的且高效地进行网络训练与参数调整。实验以简单的三层卷积神经网络为基础,从数据增强、网络结构与优化训练3个方面对模型进行改进。实验结果表明,通过叠加这些改进方法,可使模型的拟合能力与泛化能力逐渐增强,最终获得更高的图像分类准确率。     

康柏西普治疗视网膜静脉阻塞黄斑水肿的临床观察

目的：观察玻璃体腔内注射康柏西普治疗视网膜静脉阻塞黄斑水肿的临床疗效.方法：对16例（16眼）接受玻璃体腔内注射康柏西普治疗的视网膜静脉阻塞黄斑水肿患者进行回顾性分析,通过常规眼科检查、光学相干断层扫描（OCT）、眼底荧光血管造影（FFA）等方法,观察治疗后1d,2w,4w,6w最佳矫正视力、黄斑中心凹视网膜厚度等变化.结果：玻璃体腔内注射康柏西普2w,4w,6w平均最佳矫正视力均有不同程度提高,差异有统计学意义（P〈0.05）.患者治疗后2w、4w、6w FFA显示黄斑区荧光素渗漏明显减少,即黄斑水肿明显消退.OCT图像显示黄斑中心凹视网膜厚度明显变薄,与治疗前相比差异有统计学意义（P〈0.05）.其中部分患者需要重复多次注射,随访中未见与注射及药物有关的眼部及全身不良反应.结论：玻璃体腔内注射康柏西普可以有效治疗视网膜静脉阻塞引起的黄斑水肿,且部分患者需要重复治疗,但长期治疗效果需要进一步观察.     

基于深度学习的指关节纹识别算法实验研究

针对传统机器学习算法特征提取烦琐且普遍存在特征单一、识别准确率低的问题,采用能够自行提取图像特征的卷积神经网络模型,对指关节纹识别分类的任务进行实验研究.首先对指关节纹图像进行预处理;其次,设计并搭建了一个9层卷积神经网络模型,对网络模型进行编译、训练后,发现网络的过拟合现象严重,并针对过拟合,提出了优化网络结构方案,...     

基于集成迁移学习的铝型材瑕疵识别研究

基于CNN的迁移模型用于铝型材表面瑕疵分类识别研究中，未考虑所提取的瑕疵特征图中冗余信息对分类性能的影响.针对该问题，提出了一种基于集成迁移学习的铝型材瑕疵分类方法，首先基于CNN的传统迁移模型自动获取铝型材瑕疵特征，再利用多尺度膨胀卷积对所提取的铝型材瑕疵特征进行稀疏采样，获取多组差异化的瑕疵特征，通过训练生成一组具有差异化的CNN分类器，并将其集成.实验结果证明，该方法相对于传统基于CNN的迁移模型，在铝型材瑕疵分类上，具有更高的分类准确率，性能更优.     

基于迁移学习技术的面部表情识别算法

针对面部表情识别算法存在模型结构复杂、训练参数过多等问题，在对卷积神经网络各层分析的基础上，将迁移学习算法融入到面部表情识别模型中，从而对面部表情进行识别和分类.该文提出的算法首先通过数据增强的方法扩充面部表情图片的数量，然后将VGG16模型在ImageNet图像数据集上训练得到的权重参数，通过参数微调的方法，传递到面部表情识别模型中.最后采用全局平均池化层代替传统的全连接层，对表情图片通道信息进行求和运算实现降维，减少模型的网络参数.实验结果表明：提出的模型在KDEF数据集中取得了优异的识别效果，平均测试准确率达到96.23%.     

基于DenseNet迁移学习的年龄相关性黄斑变性图像的分类方法研究

针对年龄相关性黄斑变性图像的分类研究,提出采用DenseNet迁移学习的图像分类方法.对原始图像进行归一化、限制对比度自适应直方图均衡化等预处理方法,采用旋转、剪裁等数据增强方法扩增数据.在DenseNet网络模型基础上,采用数据集ImageNet首先对DenseNet网络模型进行预训练,然后将训练后得到的网络模型予以...     

基于迁移学习的GoogLenet煤矸石图像识别

已有的煤矸石识别方法具有一定效果,但无法满足实际需求。为了寻找新的煤矸石识别方法,提出了基于深度学习的煤矸石图像识别方法。采用Inception模型,并通过迁移学习共享已训练模型卷积层权值和偏差。从煤矸石图像库中随机抽取煤矸石图像作为训练集和测试集,最后将该方法与传统图像识别方法进行比对。实验结果表明,该模型可以有效识别煤矸石,准确率为93.5%,有效提高了煤矸识石别准确率。     

基于人工神经网络的水下探测目标的自动识别

通过把人工神经网络引入到水下目标识别这一研究领域中,利用样本干涉图像对神经网络进行训练,用已训练好的神经网络对待识别的干涉图像来进行判别和分类从而达到自动识别的目的。然后根据这种方案设计出识别算法,运用VC++进行软件编程,在电子计算机上进行仿真实验;最后从识别准确率和识别速度两个方面对这种识别方案进行分析,实验结果表明这种识别方案具有可行性。     

基于随机森林和MR8滤波器的图像分类研究

将随机森林引入图像分类研究.首先利用MR8滤波器组进行纹理过滤,然后用随机子窗口对这些响应提取纹理特征,用随机森林进行训练.对待测图像采样后导入已训练完成的随机森林,用投票的方式为其预测类别.引入MR8滤波器组,将随机森林扩展为能处理滤波图像块,用于纹理图像的分类.在CURe T图像库上的实验表明,该方法能够取得优良的分类精度,并具有较高的分类效率.     

基于深度卷积神经网络的图像分类算法

针对传统的图像分类算法忽略图像多个对象之间的关系,同时存在人类感知高层语义信息和底层图像特征表达之间的障碍等不足,引入了基于深度卷积神经网络的人脸图像识别算法.该算法借助于深度学习,对经典的卷积神经网络分别从内部结构和网络框架上进行优化和改进,通过增加网络结构深度和优化训练模型提取出图像高层语义特征,继而提高图像分类的精确度.实验表明,改进后的深度卷积神经网络分类算法具有良好的有效性和鲁棒性.     

一种改进的视网膜脱落图像分割算法研究

为实现对超声图像病灶的分割并提高目标分割精度,提出一种残差结构的深层尺度融合的分割网络模型RDFA-Net。使用改进的网络模型并使用可变形卷积来增大采样范围,使用通道和空间注意力机制捕获特征,融入深层尺度特征进行融合以捕获深层次图像特征,成功将视网膜脱落病灶的超声图片进行分割,并有了更好的分割结果。使用合作医院提供的眼底超声图像作为数据自制分割数据集来评价RDFA-Net。通过实验结果对比显示,RDFA-Net是有效的,可以对视网膜脱落进行图像分割,并实现了较好的分割精度。     

基于PCNN的视网膜血管分割系统设计与实现

在对视网膜眼底图像中的血管进行预处理并运用脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）算法迭代原理进行分割的基础上,利用MATLAB 的图形用户界面开发环境（GUIDE）,通过对各控件的布局设计及其回调函数的编写,实现了视网膜血管分割系统。系统具有界面友好、操作简单等特点,为医学图像研究提供了一种有效的视网膜血管分割方法,也为医学图像处理提供了一个操作方便的实验平台。     

基于稀疏表示的视网膜眼底图像血管检测

一般情况下,通过在血管中注入造影剂在X光下所显示的影像来检测血管会受背景噪声、血管形态模糊和目标混杂等影响,鉴于此,提出一种基于过完备字典的图像稀疏表示的血管检测方法。该方法先建立一个关于血管图像的背景图像的过完备字典,然后用SRC算法会得到一个系数矩阵,并利用系数矩阵与字典矩阵相乘,便能重构出一个底板图像。为了突出血管,只需将重构的底板图像与原图像做相减,这样得到的新图像就能去除噪声,使血管能在视网膜眼底图像中更清晰地显示出来。实验结果表明,该方法对于视网膜眼底图像处理效果良好,使视网膜眼底图像中的血管能更容易被检测到。     

基于情感主题的音乐分类研究

为确定歌词隐含的情感主题对音乐分类的作用,在传统主题模型中融入情感、语义元素,定义基于情感主题的音乐分类标准并进行音乐分类。结合文本情感词典、Word2vec词向量空间,将主题模型的基础主题进一步归类为情感主题,并通过爬取网易云音乐歌曲信息进行模型训练及测试。实验证明,该模型具有较好的分类效果,对音乐情感分类平均准确率达到80%。     

基于深度学习模型与稀疏表示的绝缘子状态分类

在输电线路中绝缘子的状态直接影响整个输电系统的可靠性,然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法,对于待检测的绝缘子图像,通过Faster-RCNN定位后,采用深度残差网络（ResNet）提取图像特征,最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比,对于绝缘子的状态分类具有更高的准确率,准确率可达98.67%。     

基于卷积神经网络和光谱敏感度的高光谱影像分类方法（英文）

目的:由于高光谱成像的特性,高光谱遥感影像较光学、多光谱影像具有更多的光谱信息,因此对高光谱影像地物的分类也相对困难。为提高分类精度,本文提出一个新的高光谱遥感影像分类模型。创新点:考虑到不同的地物覆盖对不同波段范围的电磁波有不同的敏感度,本文提出一个基于卷积神经网络和光谱敏感度的深度学习模型,以提高对高光谱遥感影像地物分类的准确率。通过在最终的分类器后添加一个光谱权重,该模型能够更准确地分类地物。方法:1.将带标记的样本在光谱维度上分为可见光和红外波段,并将部分样本作为训练集和测试集输入到网络中进行训练。2.训练完成后利用模型对全图进行预测,并通过部分预测结果计算出未识别率δ和误识别率γ两个参数。3.利用δ和γ可计算出不同光谱范围的光谱权重并将其置于分类器前(图5)。结论:1.模型加入光谱权重后的分类准确率较之前提高了约2%。2.利用公共数据集测试后显示,使用了光谱权重的卷积神经网络模型的分类精度比未使用光谱权重的模型高约1%。3.本文结果显示,利用不同地物对电磁波的敏感性差别可以增加不同地物间的差异,从而提升分类模型的性能。     

RBF网络在DNA序列分类中的应用

针对RBF网络易于陷入局部最小值和网络训练时间过长的问题,引入免疫多克隆遗传算子对RBF网络的权值进行优化。仿真结果表明,采用优化后的网络模型具有更高的分类效率和准确率。     

基于LBP方法的蛋白质二级结构分类技术

本文介绍了基于图像分类的技术进行蛋白质二级结构预测的方法.该方法从蛋白质氨基酸在空间的距离矩阵入手,将距离矩阵作为图像进行图像特征提取,并采用图像识别的方式进行分类.通过实验证实,该方法能够有效地提高二级结构预测准确率.