导读:本文包含了多通道解卷积论文开题报告文献综述及选题提纲参考文献，主要关键词:MR脑部图像分割,卷积神经网络,深度可分离卷积,多通道融合
多通道解卷积论文文献综述
郭彤宇,王博,刘悦,魏颖[1]（2019）在《多通道融合可分离卷积神经网络下的脑部磁共振图像分割》一文中研究指出目的卷积神经网络方法可以提取到图像的深层次信息特征,在脑部磁共振图像(MRI)分割领域展现出优秀的性能。但大部分深度学习方法都存在参数量大,边缘分割不准确的问题。为克服上述问题,本文提出一种多通道融合可分离卷积神经网络(MFSCNN)模型分割脑图像。方法首先,在训练集中增加待分割脑结构及其边缘像素点的权重,强制使网络学习如何分割脑结构边缘部分,从而提升整体脑结构分割的准确率。其次,引入残差单元,以避免梯度弥散,同时使用深度可分离卷积代替原始的卷积层,在不改变网络每个阶段特征通道数的情况下,减少了网络训练的参数数量和训练时间,降低了训练成本。最后,将不同阶段的特征信息合并在一起,进行通道混洗,得到同时包含深浅层次信息的增强信息特征,加入到网络中进行训练,每个阶段的输入特征信息更丰富,学习特征的速度和收敛速度更快,显着地提升了网络的分割性能。结果在IBSR(internet brain segmentation repositor)数据集上的分割结果表明,MFSCNN的分割性能相对于普通卷积神经网络(CNN)方法要明显提高,且在边缘复杂的部分,分割效果更理想,Dice和IOU(intersection over union)值分别提升了0. 9%6. 6%,1. 3%9. 7%。在边缘平滑的部分,MFSCNN方法比引入残差块的神经网络模型(Res CNN)和引入局部全连接模块的神经网络模型(Dense CNN)分割效果要好,而且MFSCNN的参数量仅为Res CNN的50%,Dense CNN的28%,在提升分割性能的同时,也降低了运算复杂度,缩短了训练时间。同时,在IBSR、Hammer67n20、LPBA40这3个数据集上,MFSCNN的分割性能比现有的其他主流方法更出色。结论本文提出的MFSCNN方法,加强了网络特征的信息量,提升了网络模型的训练速度,在不同数据集上均获得更精确的MR脑部图像分割结果。(本文来源于《中国图象图形学报》期刊2019年11期）
袁和金,张旭,牛为华,崔克彬[2]（2019）在《融合注意力机制的多通道卷积与双向GRU模型的文本情感分析研究》一文中研究指出文本情感分析作为自然语言处理领域的一大分支,具有非常高的研究价值。该文提出了一种基于多通道卷积与双向GRU网络的情感分析模型。该模型首先使用多通道卷积神经网络对文本不同粒度的特征信息进行提取,提取后的特征信息经过融合送入双向GRU中,结合注意力机制获得文本的上下文情感特征,最后由分类器给出文本的情感倾向。注意力机制自适应的感知上下文信息进而提取对情感极性影响较强的特征,在模型的基础上引入Maxout神经元,解决模型训练过程中的梯度弥散问题。模型在IMDb及SST-2数据集上进行实验,实验结果表明本文模型较CNN-RNN模型在分类精确度上有了一定程度的提升。(本文来源于《中文信息学报》期刊2019年10期）
查少均,金炜,何彩芬,符冉迪,李新征[3]（2019）在《多通道特征融合Y型全卷积网络的对流云检测》一文中研究指出强对流天气具有生命周期短、突发性强、破坏性大等特点,并时常伴随着多种灾难性天气,给经济发展、环境保护、人民生命财产安全等带来巨大威胁。目前目视解译的卫星云图对流云检测方法依赖于人的经验和知识,存在难于界定对流云团边界、云图的多光谱信息利用不足、小尺度对流云易出现漏检与误检等问题。本文基于FY-2G卫星的红外1通道云图及水汽与红外通道的亮温差,并借鉴U-net网络在图像分割中所具有的精确定位能力,提出了一种新的多通道特征融合Y型全卷积网络的对流云检测方法。该方法将U-net网络改造成具有双路输入的Y型全卷积网络,并将红外1通道云图和亮温差图像分别作为Y型网络的两路输入,经过卷积及下采样处理,提取不同通道的特征信息;为了使网络具有精细的目标检测能力,Y型全卷积网络保留U-net网络的卷积及上采样结构,同时通过卷积和上采样将两个输入分支不同层次的特征图融合,从而实现一种多层次、多通道特征融合的对流云检测方法;不同层次特征图的可视化及其与融合特征图的对比,表明了所构造的Y型网络在利用云图不同通道特征信息中的有效性。实验结果表明,本文方法的对流云检测准确率为87.34%,精确率为89.77%,召回率为82.10%,F1-综合评价指标为84.82%,各项性能指标均优于基于DeconvNet、U-net等传统网络模型的对流云检测方法;与阈值法、亮温差法和SVM等传统对流云检测方法相比,本文方法不仅在对流云边缘界定及小尺度对流云的检测上具有明显优势,而且检测准确率和计算效率均得到了显着的提高。(本文来源于《光电子·激光》期刊2019年10期）
孙俊,谭文军,武小红,沈继锋,芦兵[4]（2019）在《多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草》一文中研究指出针对实际复杂田间环境下杂草与作物识别精度低和实时性差的问题,为减少弱光环境对分割识别效果的影响,实现甜菜与杂草的实时精确分割识别,该文首先将可见光图像进行对比度增强,再将近红外与可见光图像融合为4通道图像;将深度可分离卷积以及残差块构成分割识别模型的卷积层,减少模型参数量及计算量,构建编码与解码结构并融合底层特征,细化分割边界。以分割识别精度、参数量以及运行效率为评价指标,通过设置不同宽度系数以及输入图像分辨率选出最优模型。试验结果表明:本文模型的平均交并比达到87.58%,平均像素准确率为99.19%,帧频可达42.064帧/s,参数量仅为525 763,具有较高分割识别精度和较好实时性。该方法有效实现了甜菜与杂草的精确实时识别,可为后续机器人精确除草提供理论参考。(本文来源于《农业工程学报》期刊2019年12期）
李博,张洪刚[5]（2019）在《基于多通道小波卷积神经网络的路面异常检测算法》一文中研究指出为了保证路面质量和行人与驾驶员的安全,提出了一种利用传感器时序多变量信号数据进行路面异常检测的算法.针对行驶过程中需要结合多种传感器信号在不同尺度对路面特征进行分析的问题,提出结合小波卷积网络和多通道网络技术,实现路面异常检测.首先,在多级小波变换间加入卷积神经元网络,从多个尺度分析单个传感器信号的局部连续性;然后,构建多通道神经网络,将多个传感器信号分别作为不同通道的输入,计算多个信号相结合的特征向量;最后,使用多层感知机根据多通道小波网络的输出实现路面异常检测.实验结果表明,该检测算法相对于传统的时间序列分类方法,同时考虑了多尺度分析、信号局部连续性和多变量信号的结合,在分析多变量时序信号数据时,具有更低的误检率和漏检率,更高的F1值.(本文来源于《华中师范大学学报(自然科学版)》期刊2019年02期）
李金航[6]（2018）在《基于深度卷积神经网络的多通道图像超分辨方法》一文中研究指出多通道图像超分辨是图像分析、语义理解的基础。由于自然条件的影响以及成像设备器件的干扰,成像获得的多通道图像往往存在着分辨率降低、存在模糊噪声等情况。超分辨率重建就是运用算法将这些低分辨图像重建出高分辨图像。基于卷积神经网络的多通道图像超分辨率重建过程模拟人脑神经元突触的结构,运用海量的训练数据学习到低分辨图像与高分辨图像的映射权值矩阵。同时由于多通道图像相比单幅图像存在着时间或光谱维度,通过利用时空相关性或空谱相关性,将相邻图像应用到卷积神经网络训练中来补充中间图像的信息,以获得更好的超分辨效果。论文围绕基于深度卷积神经网络的多通道图像超分辨方法展开工作,取得如下成果:(1)研究了利用相邻帧间冗余信息进行视频超分辨的VSRnet模型,并将模型在叁个方面进行推广,得到DeepVSRnet模型。首先将模型输入图像数目从3帧推广到K帧,然后将卷积神经网络中图像级联前的特征提取层数从1层推广到N层,最后将卷积神经网络中图像级联后的重建层数从1层推广到M层。通过实验探讨了网络层数的变化、输入帧数的变化以及损失函数的优化方法对模型性能的影响。(2)结合卷积神经网络在光流估计中取得的良好效果,将FlowNet2网络运用于运动补偿,构建基于卷积神经网络的端到端的视频超分辨模型DeepVSRnet2。(3)为了更好的利用相邻帧间的补充信息,构造了一个基于时空相关性的损失函数。首先分别计算超分辨后的视频图像与真实视频图像的运动轨迹,然后利用运动轨迹一致性来作为新的损失函数,最后将构造的损失函数应用到视频超分辨率重建算法DeepVSRnet2模型的训练中,得到更优的视频超分辨效果。(4)将视频超分辨中的DeepVSRnet模型推广到高光谱图像超分辨中。由于高光谱图像与视频图像既有相似性,也有不同,于是将DeepVSRnet模型进行修改,以适应高光谱图像超分辨的需求,提出一种基于空谱联合和深度卷积神经网络的高光谱图像超分辨率重建模型。(本文来源于《南京理工大学》期刊2018-12-01）
曹璐,陈明,秦玉芳[7]（2018）在《基于多通道稀疏卷积神经网络的行人检测算法》一文中研究指出针对传统卷积神经网络(CNN)的输入是原始图像,冗余信息多,对局部边缘和纹理的刻画不明显的问题,提出了一种基于多通道输入的稀疏卷积神经网络(MCS—CNN)检测算法。将图像方向梯度直方图(HOG)特征构成的HOG特征图和色差(YUV)颜色空间组成3个通道,通过卷积层提取特征,并采用稀疏自动编码器稀疏化;使用Softmax分类器进行行人检测。模型充分利用图像的像素级特征,同时还融合HOG对于行人轮廓显着描述的优点。实验结果表明:与CNN,HOG结合支持向量机(HOG—SVM)检测算法相比,MCS—CNN模型检测准确度和检测速度均明显提高。(本文来源于《传感器与微系统》期刊2018年10期）
陈昌红,刘彬,张浩[8]（2018）在《基于多通道和卷积神经网络的极光分类》一文中研究指出目前,极光图像分类领域多采用传统特征来进行分类。但传统特征提取图像的某种特定特征,比如纹理特征、局部特征、全局特征等,导致或多或少丢失极光图像的某些重要分类信息,造成分类效果不够好。对此,提出一种基于多通道融合和卷积神经网络的极光图像分类方法。采用多通道融合技术将原图信息和指定有效传统特征信息加以融合形成融合图像,利用预训练卷积神经网络自动提取融合图像的有效特征信息,实现多通道特征与深度学习相结合,得到高效表征极光图像的特征。在2003年北极黄河站越冬观测的4种日侧极光图像数据库上进行实验。在8 001幅典型极光图像数据库上,与人工标记对比分类准确率高达95. 2%,高于其他同类方法。实验结果表明该方法能有效用于极光图像分类。(本文来源于《计算机技术与发展》期刊2018年12期）
刘红[9]（2018）在《基于多通道约束的图像解卷积方法研究》一文中研究指出图像解卷积技术一直是学者们潜心研究而又历久弥新的课题,有着广阔的发展前景,它是一种降质图像复原技术,其通过相关算法可将退化的图像还原成高质量的图像。但由于图像解卷积问题本身的病态性和复杂性,其在研究过程中遇到了很多的难点,虽然目前已取得了很大的发展,但几乎每种方法都存在不足。所以为了使复原效果更理想,在原有算法上不断改进、提出更有效的方法就显得尤为重要。本论文从图像解卷积着手,阐述了其研究现状及重要意义,重点对目前已有的核心方法、关键技术和需解决的主要难题进行了深入的研究。在理论研究的基础上,本文从修补图像边界信息以及充分利用图像叁通道之间的信息共享两方面出发做出了有价值的改进工作,主要创新工作和研究成果如下:(1)针对图像边界条件假设法的局限性,通过整合图像修补和图像解卷积技术,提出了基于边界修补条件的图像解卷积方法。该方法在边界未知的情况下进行解卷积,避免了人为设定的边界条件的影响。同时,在图像解卷积过程中自动生成更为自然的、符合成像系统的边界信息。实验数据表明,该方法提升了边界恢复效果,不仅增强了适用性,同时也保证了图像复原速度。(2)针对图像通道间信息缺失问题,利用Retinex SSR算法作用后的图像叁通道之间相似性增强的性质,提出了一种Retinex通道先验正则化项。该正则化项使得图像通道间相互约束,因而模糊通道的图像在清晰通道的帮助下可以获取更多的先验知识。(3)针对复原图像的色差问题,通过整合(1)和(2),提出了基于Retinex通道先验的图像解卷积方法,该方法构建了一种新的图像复原模型,该模型在原模型的数据适定项部分加入了图像边界修补策略,在正则化项部分加入了图像先验信息和交叉通道先验(Retinex通道先验)信息,然后本文利用了拓展优化问题下的ADMM算法思想对该模型进行了求解,并通过实验证明,本文提出的方法相比于其它方法,如BM3D、HYP、YUV和第叁章方法,可以更有效地校正图像中的色差,且鲁棒性高。(本文来源于《西安电子科技大学》期刊2018-06-01）
陈珂,梁斌,柯文德,许波,曾国超[10]（2018）在《基于多通道卷积神经网络的中文微博情感分析》一文中研究指出近年来,深度学习在情感分析任务中的应用得到了越来越多的关注.针对以文本词向量作为输入的卷积神经网络无法充分利用情感分析任务中特有的情感特征信息,以及难以有效表示每个词语在句子中的重要程度等问题,提出一种基于多通道卷积神经网络(multi-channels convolutional neural networks,MCCNN)的中文微博情感分析模型.该模型针对情感分析任务中特有的情感信息来构建文本输入矩阵,使模型在训练过程中有效获取输入句子的情感特征信息.同时,该模型通过将不同特征信息结合形成不同的网络输入通道,使网络模型在训练过程中从多方面的特征表示来学习输入句子的情感信息,有效表示出每个词语在句子中的重要程度,获取更多的隐藏信息.最后在COAE2014数据集和微博语料数据上进行实验,取得了比普通卷积神经网络、结合情感信息的卷积神经网络和传统分类器更好的性能.(本文来源于《计算机研究与发展》期刊2018年05期）
多通道解卷积论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文本情感分析作为自然语言处理领域的一大分支,具有非常高的研究价值。该文提出了一种基于多通道卷积与双向GRU网络的情感分析模型。该模型首先使用多通道卷积神经网络对文本不同粒度的特征信息进行提取,提取后的特征信息经过融合送入双向GRU中,结合注意力机制获得文本的上下文情感特征,最后由分类器给出文本的情感倾向。注意力机制自适应的感知上下文信息进而提取对情感极性影响较强的特征,在模型的基础上引入Maxout神经元,解决模型训练过程中的梯度弥散问题。模型在IMDb及SST-2数据集上进行实验,实验结果表明本文模型较CNN-RNN模型在分类精确度上有了一定程度的提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多通道解卷积论文参考文献
[1].郭彤宇,王博,刘悦,魏颖.多通道融合可分离卷积神经网络下的脑部磁共振图像分割[J].中国图象图形学报.2019
[2].袁和金,张旭,牛为华,崔克彬.融合注意力机制的多通道卷积与双向GRU模型的文本情感分析研究[J].中文信息学报.2019
[3].查少均,金炜,何彩芬,符冉迪,李新征.多通道特征融合Y型全卷积网络的对流云检测[J].光电子·激光.2019
[4].孙俊,谭文军,武小红,沈继锋,芦兵.多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草[J].农业工程学报.2019
[5].李博,张洪刚.基于多通道小波卷积神经网络的路面异常检测算法[J].华中师范大学学报(自然科学版).2019
[6].李金航.基于深度卷积神经网络的多通道图像超分辨方法[D].南京理工大学.2018
[7].曹璐,陈明,秦玉芳.基于多通道稀疏卷积神经网络的行人检测算法[J].传感器与微系统.2018
[8].陈昌红,刘彬,张浩.基于多通道和卷积神经网络的极光分类[J].计算机技术与发展.2018
[9].刘红.基于多通道约束的图像解卷积方法研究[D].西安电子科技大学.2018
[10].陈珂,梁斌,柯文德,许波,曾国超.基于多通道卷积神经网络的中文微博情感分析[J].计算机研究与发展.2018