- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2018 OCEANS - MTS/IEEE神户海洋技术会议(OTO) - 日本神户 (2018.5.28-2018.5.31)] 2018 OCEANS - MTS/IEEE神户海洋技术会议(OTO) - 基于生成对抗网络与相似度测量的水下图像生成
摘要： 水下环境的复杂性使得获取水下图像较为困难，因此无法为基于深度学习的图像处理提供大量所需的训练数据。传统颜色迁移方法只能将源图像的颜色分布逐一映射到目标图像，未考虑水下成像环境的复杂性，导致效果和性能存在缺陷。本文提出的基于生成对抗网络（GANs）的方法具有优势，其通过引入水下成像模型来训练生成网络，将空气图像批量转换为水下图像，从而实现数据增广的目的。此外，我们阐述了若干提升GANs性能的实现细节。最后，我们首次利用SIMILATION、结构相似性指数（SSIM）和多尺度结构相似性指数（MS-SSIM）计算颜色与结构相似度水平，以评估生成样本的质量。结果表明，该方法在数据增广方面表现良好。
关键词： 生成对抗网络、水下成像、相似性度量、数据增强
更新于2025-09-23 15:22:29
-
[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 - 2018年IEEE国际地球科学与遥感研讨会 - 基于Gabor滤波器的数据增强在SAR目标识别的深度卷积神经网络中的应用
摘要： 深度卷积神经网络（DCNNs）因大规模数据集的可用性而被广泛应用于目标识别领域。该网络具有学习高度层级化图像特征的能力，为合成孔径雷达自动目标识别（SAR-ATR）提供了重要机遇。然而直接将DCNNs应用于SAR目标识别时，有限的SAR图像训练数据会导致严重过拟合问题。为此我们提出伽柏深度卷积神经网络（G-DCNNs）：首先采用多尺度多方向的伽柏特征进行数据增强作为训练集，而非直接基于有限原始SAR图像训练深层网络；继而基于该数据增强方法设计SAR图像目标识别DCNNs。在运动与静止目标获取与识别（MSTAR）数据集上的实验结果验证了本方法的有效性。
关键词： SAR、Gabor滤波器、深度卷积神经网络、数据增强
更新于2025-09-23 15:21:21
-
基于有限标注数据的多时相SAR（哨兵1号）图像深度学习分类应用：以韩国水稻田检测为例
摘要： 随着卫星影像时空分辨率的提升，深度学习在遥感领域的适用性正快速增强。然而与近实时获取的大范围卫星影像不同，用于模型训练的标注数据量十分有限。本文通过测试数据增强、半监督分类和领域自适应架构这三种深度学习应用，尝试突破标注数据不足的限制。在众多可开展分类的任务中，选择韩国稻田检测作为研究对象——该任务既能充分发挥深度学习优势，又能充分利用高时空分辨率影像特性。在设计各应用方案时，我们整合了遥感领域知识与水稻物候学信息，并通过像素级对比（涵盖多种环境场景）和国家统计数据支持的城际级对比，全面评估了三种应用的所有可能组合方案。研究结果表明：尽管模拟或利用未标注数据仍存在不确定性，但所有应用组合都能提升分类性能。随着这些应用方案的有效性得到实验验证，深度学习在各类遥感场景中的适用性有望增强。特别是当应用于大范围研究区域和高分辨率影像时（这类场景因类内异质性高而需要大量来自多元环境的训练数据），本文提出的应用方案将具有重要价值。
关键词： 遥感、半监督分类、数据标注、深度学习、数据增强、领域自适应
更新于2025-09-19 17:13:59
-
基于生成对抗网络的数据增强方法，用于提升电致发光图像中光伏组件缺陷电池分类的卷积神经网络性能
摘要： 电致发光（EL）成像是检测光伏（PV）组件的一种有效方法。与人工分析相比，使用卷积神经网络（CNN）进行分类更为便捷，但需要一定数量的标注训练样本，而这些样本不易获取。本文提出一种利用生成对抗网络（GAN）扩充现有EL图像数据集的方法，并为此设计了一个名为AC-PG GAN的模型。通过选用三种CNN模型验证该GAN模型的有效性，在经过调整后，使用扩充数据集的分类准确率得到了提升，最高提升幅度达14%。
关键词： 数据增强、电致发光、光伏组件、生成对抗网络、卷积神经网络
更新于2025-09-16 10:30:52
-
[计算机科学讲义] 视觉计算进展 第11241卷（第13届国际视觉计算研讨会，ISVC 2018，美国内华达州拉斯维加斯，2018年11月19-21日，会议录）|| 基于深度自编码器的道路使用者异常轨迹检测
摘要： 本文重点研究一种检测交通路口道路使用者异常轨迹的方法。其主要难点在于异常数据极少，而正常数据又不足以训练任何类型的机器学习模型。为解决这些问题，我们提出通过仅使用被视为正常的增强数据进行深度自编码器网络训练的解决方案。通过生成人工异常轨迹，本方法在四种不同的城市户外用户场景中进行了测试，其表现优于部分经典异常检测方法。
关键词： 深度自编码器、数据增强、异常轨迹检测、无监督学习
更新于2025-09-10 09:29:36
-
[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 - 2018年IEEE国际地球科学与遥感研讨会 - 基于显著性定位回归网络的SAR图像飞机检测
摘要： 本文提出了一种用于合成孔径雷达（SAR）图像中高分辨率停机坪区域飞机检测的新框架，该框架结合了基于位置回归的卷积神经网络（CNN）框架的优势和SAR图像中目标的显著特征。具体而言，引入了一种基于恒定虚警率（CFAR）的目标预定位算法，与现有的区域提议方法相比，该算法能更准确地匹配SAR图像中目标的尺度。此外，为消除过拟合现象，我们探索了几种SAR数据增强策略，包括小范围平移、添加噪声和旋转。实验在TerraSAR-X卫星获取的分辨率为3.0米的数据集上进行。结果表明，所提出的检测框架能有效获得更准确的检测结果。
关键词： 合成孔径雷达，数据增强，卷积神经网络，飞机检测
更新于2025-09-10 09:29:36
-
基于多层特征聚合的可变形Faster R-CNN用于光学遥感图像中部分遮挡目标检测
摘要： 基于区域的卷积神经网络在光学遥感图像目标检测中展现出卓越能力。然而标准卷积网络因其构建?？橹械墓潭负谓峁梗局噬夏岩越＜负伪浠?。为此，我们引入可变形卷积这一新?？椴⒓傻街髁鞯腇aster R-CNN框架中——通过为标准卷积的规则采样网格添加二维偏移量，该?？槟艽幽勘耆挝裰凶灾餮霸銮康目占洳裳恢枚扌瓒钔饧喽?。本研究通过在最后网络阶段用可变形卷积层替换标准卷积层构建了可变形Faster R-CNN，同时采用自顶向下与跳跃连接生成高分辨率的单一高层特征图进行预测。为增强模型对遮挡的鲁棒性，提出了一种简单有效的数据增强技术用于神经网络训练。实验结果表明，我们的可变形Faster R-CNN在SORSI和HRRS数据集上显著提升了平均精度均值。
关键词： 更快的R-CNN，遮挡目标检测，数据增强，可变形卷积神经网络
更新于2025-09-10 09:29:36
-
基于深度卷积神经网络的高光谱图像分类数据增强方法
摘要： 卷积神经网络（CNN）已广泛应用于高光谱图像（HSI）分类。实践证明，在训练数据量较小时，数据增强技术具有显著效果。本文通过大量对比实验研究了常见数据增强方法，发现这些常规方法仅能产生有限且存在上限的性能提升。为解决该问题，本研究提出一种名为像素块对（PBP）的新型数据增强方法，可大幅增加训练样本数量。该方法利用深度CNN提取PBP特征，并采用决策融合技术进行最终标签分配。实验结果表明，本方法性能优于现有方案。
关键词： 模式分类，卷积神经网络（CNN），高光谱影像（HSI），数据增强
更新于2025-09-09 09:28:46
-
[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 - 2018年IEEE国际地球科学与遥感研讨会 - 基于CycleGAN迁移仿真样本的SAR目标分类
摘要： 目标分类是自动目标识别（ATR）系统的重要组成部分。深度学习方法在合成孔径雷达（SAR）目标分类中取得了最先进的性能。当用于训练的真实样本数量不足时，仿真是一种有效的数据增强方法。本文探讨了如何充分发挥仿真样本的潜力以提高SAR目标分类器的性能。所提出的方法基于循环对抗网络（CycleGAN），它可以将仿真样本在图像域上转换得更接近真实样本。实验表明，直接将仿真样本添加到训练数据集中无助于提高性能。然而，在设计的SAR飞机分类实验中，与不进行数据增强的训练相比，添加转换后的仿真样本进行训练可使准确率提高约10%。
关键词： 合成孔径雷达、数据增强、目标分类
更新于2025-09-04 15:30:14
-
[IEEE 2018年国际神经网络联合会议(IJCNN) - 里约热内卢(2018.7.8-2018.7.13)] 2018年国际神经网络联合会议(IJCNN) - 基于卷积神经网络的二维X射线透视下导丝尖端自动分割
摘要： 经皮冠状动脉介入治疗中导丝尖端检测至关重要。它辅助医生进行导航操作，也是手术技能评估、机器人辅助手术等临床应用的前提条件。然而，由于二维X光图像背景噪声干扰及尖端细长可变形的结构特性，实现精准检测并非易事。本文提出一种基于级联卷积神经网络的自动分割方法，其核心创新在于采用级联式检测-分割结构来应对背景噪声和尖端大形变问题，从而实现鲁棒的高精度分割。另一方面，卷积神经网络模型需要充足的标注训练样本，而像素级标注工作繁琐耗时。为此，本研究引入新型数据增强算法，在提升模型泛化性能的同时降低数据标注成本。评估实验采用包含22组不同二维X光序列的数据集（15组用于训练，7组用于测试），在测试集上该方法获得尖端定位精度0.532像素、F1分数0.939、误跟踪率0.800%及漏跟踪率9.900%的指标，运行速度达每秒4-5帧。
关键词： 导丝尖端检测、二维X射线透视、卷积神经网络、数据增强、分割
更新于2025-09-04 15:30:14