- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2018年第七届计算机与通信工程国际会议（ICCCE）- 马来西亚吉隆坡（2018.9.19-2018.9.20）] 2018年第七届计算机与通信工程国际会议（ICCCE）- 基于AlexNet迁移学习的指纹静脉识别
摘要： 如今，基于手指静脉的验证系统因其卓越的数据保密安全性，在各类身份认证系统中正获得越来越多的关注。该系统通过识别手指静脉图像中的纹路模式进行工作，这些图像采用近红外技术相机采集。本研究使用我们自主建立的手指静脉数据集，通过迁移学习训练AlexNet模型，并利用测试图像进行验证。我们针对同一数据集开展了三组不同规模数据的实验，其中第二组实验获得了95%准确率的显著预测效果。
关键词： 生物识别技术，AlexNet，手指静脉，迁移学习
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
-
[IEEE ICASSP 2018 - 2018年IEEE国际声学、语音与信号处理会议（ICASSP） - 加拿大阿尔伯塔省卡尔加里（2018.4.15-2018.4.20）] 2018年IEEE国际声学、语音与信号处理会议（ICASSP） - 基于卷积神经网络表征的反射率与荧光图像中珊瑚分类
摘要： 珊瑚种类形态复杂且边界模糊，给自动化分类带来巨大挑战。卷积神经网络全连接层提取的激活特征（FC特征）已成功作为强大通用表征应用于诸多视觉任务。本文以典型深度网络（如VGGNet）为例，研究FC特征与卷积层提取的CONV特征在两种图像模态（反射光与荧光）珊瑚分类中的可迁移性及组合性能。我们采用局部聚合描述向量（VLAD）编码和主成分分析（PCA）将密集CONV特征压缩为紧凑表征。实验结果表明：相比FC特征，编码后的CONV3特征在反射光与荧光珊瑚图像上表现更优。两种特征的结合进一步提升了整体准确率，在具有挑战性的EFC数据集上达到最先进性能。
关键词： 深度卷积特征、迁移学习、珊瑚图像分类、VLAD编码、荧光
更新于2025-09-09 09:28:46
-
[IEEE 2018年第25届国际图像处理大会(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理大会(ICIP) - 利用变分自编码器实现从合成图像到真实图像的迁移学习以进行精确定位检测
摘要： 在现实世界中采集并标注相机图像是一项成本高昂的任务，而在仿真环境中合成带标签的图像则便于收集大规模图像数据。然而，仅依靠合成图像进行学习可能因合成图与实图的差异而无法达到预期性能。我们提出一种将物体位置检测能力从仿真环境迁移至现实世界的方法：该方法仅需极少量真实图像数据集，同时通过变分自编码器利用大规模合成图像数据集。此外，该方案在不同光照条件、存在干扰物及不同背景环境下均保持稳定表现。实验结果表明其平均精度达到1.5毫米至3.5毫米。我们还展示了该方法在"抓取放置"类机器人实际场景中的应用方式。
关键词： 变分自编码器、迁移学习、位置检测、深度学习、计算机模拟
更新于2025-09-09 09:28:46
-
CoinNet：多光谱影像语义分割的复制初始化网络
摘要： 遥感影像语义分割是指为每个像素分配一个标签。近年来，基于深度卷积神经网络（CNN）的方法在此任务中展现出卓越性能。由于缺乏足够标注的遥感影像，研究者通常采用迁移学习（TL）策略对在大型RGB场景数据集上预训练的网络进行微调。但若目标影像为多光谱/高光谱数据，这种方法可能失效。迁移学习的基本假设是：前层提取的低级特征在大多数数据集中具有相似性，因此用户只需训练针对不同任务的末层参数。然而，当使用RGB数据预训练的深度模型处理多光谱/高光谱语义分割时，必须调整输入层结构——此时首卷积层需用规模小得多的多光谱/高光谱数据集重新训练，这将显著降低该层特征表征能力并影响后续层性能。本文提出新型深度学习模型"初始参数复制网络（CoinNet）"用于多光谱影像语义分割，其核心优势在于能充分利用预训练网络首卷积层的初始参数。在具有挑战性的多光谱数据集上的对比实验验证了该改进方法的有效性。演示程序及训练好的网络将在我们的主页发布。
关键词： 深度卷积网络，CoinNet，迁移学习（TL），语义分割
更新于2025-09-09 09:28:46