修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

42 条数据
?? 中文（中国） ▾

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 基于深度信念网络与张量降维的PolSAR图像分类

    摘要： 本文提出了一种新的半监督极化合成孔径雷达（PolSAR）图像分类方法，该方法结合深度信念网络（DBN）和张量降维技术，利用多线性主成分分析（MPCA）对张量形式的PolSAR数据进行降维，并将PolSAR数据的多重特征作为DBN的输入。为充分利用PolSAR数据中每个像素的邻域信息，我们将每个像素及其邻域视为张量形式。研究表明，简单特征无法有效分类复杂地形，因此我们融合PolSAR数据的多重特征以获取更丰富的信息，从而反映PolSAR数据的某些空间结构。实验结果表明，基于所提方法的总体分类精度优于传统分类策略。

    关键词： 深度信念网络、图像分类、极化合成孔径雷达、张量降维

    更新于2025-09-09 09:28:46

  • [IEEE 2018年第24届国际模式识别会议(ICPR) - 中国北京 (2018.8.20-2018.8.24)] 2018年第24届国际模式识别会议(ICPR) - 通过自动层次化标签聚类提升图像分类性能

    摘要： 图像分类是计算机视觉中常见且基础的问题。在传统图像分类中，每个类别被赋予单一标签，这使网络难以学习更优特征。相反，层次化标签能更好地描绘类别结构，有助于网络学习更具层次性的特征并提升分类性能。尽管许多数据集包含多标签图像，但这些数据集中的标签通常缺乏层次性。为解决该问题，我们提出通过自动层次化标签聚类（AHLC）来提升图像分类性能的新方法：首先，AHLC利用预训练分类器计算原始类别间易混淆程度以评估相似性；其次，通过层次聚类合并相似类别获取层次化标签；最后，基于层次化标签训练新分类器以改进原始分类性能。我们在MNIST和CIFAR-100数据集上验证该方法，结果表明其具有优越性。本工作主要贡献在于无需额外信息或重大架构调整，仅通过AHLC即可简单提升现有分类网络的性能。

    关键词： 分层标签，AHLC，图像分类，深度学习，卷积神经网络

    更新于2025-09-09 09:28:46

  • 基于自适应窗口和滤波器尺寸的卷积神经网络高光谱成像分类

    摘要： 近年来，卷积神经网络（CNN）在图像处理与模式识别等多个领域的图像分类任务中展现出卓越性能；但仍存在改进空间。CNN的主要问题在于滤波器数量与尺寸的初始化设置，这会显著影响分类结果。本文基于CNN模型提出三项主要贡献：(1) 滤波器数量的自适应选择；(2) 窗口尺寸的自适应调整；(3) 滤波器尺寸的自适应优化。在不同高光谱数据集（SalinasA、帕维亚大学和印度松）上的测试结果表明，该框架能有效提升高光谱图像分类精度。

    关键词： 自适应滤波器、卷积神经网络、图像分类、高光谱成像

    更新于2025-09-09 09:28:46

  • 多视角完整判别空间学习用于图像分类

    摘要： 同一物体的不同视图通常代表该物体的不同方面，单一视图难以全面描述该物体。在多视图学习中，充分利用多视图信息具有重要价值。本文提出一种新颖的监督式潜在子空间学习方法——多视图完整判别空间学习（MIDSL），通过高效整合不同视图的互补信息实现。该方法运用Fisher判别准则构建潜在完整判别空间，充分挖掘带标签训练样本的类别信息以指导有效判别特征的提取。MIDSL能在学习到的潜在空间中同步最小化同类样本特征离散度并最大化异类样本特征离散度。为利用无标签样本挖掘更多有用信息以优化判别空间学习，我们进一步扩展出半监督版本（SMIDSL）。通过核技术延伸得到核化多视图完整判别空间学习（KMIDSL）和核化半监督版本（KSMIDSL）。在Caltech 101、LFW、MNIST和RGB-D数据集上的实验验证了所提方法的有效性。

    关键词： 子空间学习、图像分类、多视图学习、半监督多视图学习、费希尔判别准则

    更新于2025-09-09 09:28:46

  • 利用深度神经网络开发用于广角视网膜图像的早产儿视网膜病变自动筛查系统

    摘要： 背景：早产儿视网膜病变（ROP）是儿童失明的主要原因之一。然而，具备ROP筛查资质的眼科医生数量不足。目的：评估深度神经网络（DNN）用于ROP自动筛查的性能。方法：训练集和测试集来自420,365张ROP筛查的广角视网膜图像。采用迁移学习方案训练DNN分类器：首先对预处理图像进行分类，随后由儿科眼科医生将每张图像标记为ROP阳性或阴性。使用标记的训练集（8090张阳性图像和9711张阴性图像），通过迁移学习方法微调三种候选DNN分类器（AlexNet、VGG-16和GoogLeNet）。在1742个样本的测试数据集上评估所得分类器，并与五位独立儿科视网膜眼科医生进行对比。分析测试数据集上的ROC曲线、AUC值及P-R曲线，在不同灵敏度截断值下评估准确率、精确率、灵敏度（召回率）、特异度、F1分数、Youden指数和MCC值。将五位儿科眼科医生的数据绘制于ROC和P-R曲线以可视化其表现。结果：VGG-16性能最佳。在精确率-召回率曲线中F1分数最大化的截断点，最终DNN模型达到98.8%准确率、94.1%灵敏度、99.3%特异度和93.0%精确率，与儿科眼科医生水平相当（98.8%准确率、93.5%灵敏度、99.5%特异度和96.7%精确率）。结论：在通过广角视网膜图像评估进行ROP筛查时，DNN具有高准确率、灵敏度、特异度和精确率，与儿科眼科医生表现相当。

    关键词： 图像分类、早产儿视网膜病变、迁移学习、深度神经网络、广角视网膜图像、计算机辅助诊断

    更新于2025-09-09 09:28:46

  • 医学生众包组织学图像标注与目标勾画

    摘要： 病理学领域的众包工作此前主要针对非专业人士可处理的任务。目前对数字显微图像中更复杂元素（如解剖结构）的标注需求仍然很高。因此，本研究探讨了实现高水平图像对象众包标注的条件——这类复杂任务通常被认为需要专业知识。76名无特定领域知识的医学生自愿参与了三项实验，完成了两项组织病理学图像相关标注任务：(1) 标记显示组织区域的图像；(2) 勾画形态学定义的图像对象。我们重点研究了确保标注质量的方法，包括多次测试所需参与者数量及参与者在不同任务间表现的关联性。在模拟有限金标准图像标注的设置中，我们验证了使用完整金标准计算置信分数的可行性：通过基于贡献者个体评估的加权因子，与病理学家标注的分散金标准进行多数表决比对。结论为数字病理学时代获取精准标注的众包方案提供了任务设计与质量控制指南。

    关键词： 注释、图像分类、置信度分数、图像勾画、人类决策、众包、数字病理学、多数投票

    更新于2025-09-09 09:28:46

  • 利用模糊C均值聚类结合NLM各向异性滤波减少视网膜眼底图像中的假性微动脉瘤

    摘要： 糖尿病视网膜病变研究和分级中，微动脉瘤（MAs）的识别是重要环节。我们提出一种聚类策略，用于从视网膜眼底图像中的视盘和视杯区域识别微动脉瘤。采用模糊C均值（FCM）聚类方法对信息进行分组，其中信息要素按不同隶属度水平归类。首要阶段是预处理功能，该过程会对反馈图像中的视杯和视盘进行旋转。原始视盘先旋转至特定位置，计算信息要素间距后根据质心建立分组。在先前工作中，我们曾使用SVM分类滤波器结合模糊C均值聚类来检索所有视网膜图像中的微动脉瘤。本文提出一种视网膜图像预处理中检测微动脉瘤的有效滤波技术，技术层面改用非局部均值各向异性滤波器（NLM）处理视网膜图像。经结合旋转与缩放变换的多种模拟视网膜数据库测试，该方法呈现良好效果，并展现出对旋转和尺度变化的鲁棒性。

    关键词： 生物医学图像处理、模式识别、模糊C均值聚类、眼底图像、图像分类、各向异性扩散滤波、医疗决策、非局部方法、空间信息

    更新于2025-09-09 09:28:46

  • [ACM出版社第三届国际会议 - 中国桂林（2018年5月19日-2018年5月20日）] 第三届智能信息处理国际会议论文集 - ICIIP '18 - 基于核稀疏表示的降维方法及其在图像分类中的应用

    摘要： 稀疏表示是一种统计图像建模技术，在图像分类中已成功应用。本文提出一种适用于核空间稀疏表示的降维方法。该方法通过最大化核空间中的类间重建残差并最小化类内重建残差，从而提升基于稀疏表示的分类器识别精度。在PIE、扩展Yale B和USPS数据库上的实验验证了所提方法的有效性。

    关键词： 降维、稀疏表示、核方法、图像分类

    更新于2025-09-09 09:28:46

  • 基于火焰成像与机器学习的燃烧状态监测

    摘要： 一种基于卷积神经网络和标记数据的火焰图像自动判定燃烧状态的方法正在研究中。研究表明，在燃气燃烧器的火焰图像上，燃烧状态分类的准确率可达98%。研究对比了卷积神经网络的运行结果与采用不同线性模型进行分类的效果。

    关键词： 图像分类、卷积神经网络、计算机训练、监控、火焰

    更新于2025-09-09 09:28:46

  • SS-HCNN：用于图像分类的半监督分层卷积神经网络

    摘要： 大规模标注数据的可用性以及不同数据类别间不均衡的可分离性，成为图像分类深度学习的两大障碍。本文提出半监督层次化卷积神经网络（SS-HCNN）来解决这两个挑战。我们设计了一种大规模无监督最大间隔聚类技术，通过迭代将图像分割为多个层次化聚类，在父节点学习聚类级卷积神经网络，在叶节点学习类别级卷积神经网络。该分割利用卷积神经网络特征的相似性将视觉相似的图像归入同一聚类，从而缓解数据可分离性不均衡的约束。由于层次化聚类级卷积神经网络能捕捉特定高级图像类别信息，类别级卷积神经网络仅需少量标注图像即可训练，这缓解了数据标注的约束。我们还设计了新颖的聚类分割准则，可自动终止树形结构中的图像聚类过程。所提出的SS-HCNN已在CIFAR-100和ImageNet分类数据集上进行评估。实验表明，使用部分标注训练图像训练的SS-HCNN能达到与其他使用全部标注图像训练的完整卷积神经网络相当的性能。此外，使用全部标注图像训练的SS-HCNN明显优于其他完整卷积神经网络。

    关键词： 层次化、半监督、SS-HCNN、无监督、图像分类

    更新于2025-09-09 09:28:46