为了解决人脸检测存在小目标人脸携带的特征信息少且相对较为模糊, 导致检测难度较高的问题, 采用将尺度不变人脸检测器(S3FD)网络与通道和空间注意力机制相结合的网络作为主干, 在通道和空间上建立了特征之间的权重关系, 强化特征提取能力, 将原本S3FD所输出的特征图经扩大感受野后进行上采样, 使得上一层特征图的输出包含了下一层特征图的特征。结果表明,widerface数据集的3个不同等级的验证集的平均精准率分别为95.0%, 93.7%, 86.4%, 与原S3FD相比分别提高了1.3%, 1.2%, 0.5%。本文中提出的算法在人脸检测中具有较好的检测效果。

为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。

针对传统机器学习中人工提取特征复杂度高,以及单卷积网络提取特征不充分导致识别率不高的问题,提出了一种基于集成卷积神经网络的面部表情识别新方法。该方法是将VGGNet-19改进后的VGGNet-19GP模型和ResNet-18模型进行集成,构建了集成网络(EnsembleNet)模型。该模型首先在训练集上对单模型进行训练,使单模型达到实验最优,然后在测试集上进行集成测试。在FER2013和CK+数据集上分别获得了73.854%和97.611%的平均准确率。与VGGNet-19GP和ResNet-18模型以及现有方法进行对比,结果表明,基于集成的面部表情分类方法具有分类更加准确和泛化能力更强的优点。

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

针对传统舰船检测算法难以适应复杂多变的海洋杂波环境,无法实现智能舰船检测的问题,提出了一种改进的基于区域全卷积网络(R-FCN)的检测方法。针对合成孔径雷达(SAR)图像的特点,对R-FCN中的特征提取网络ResNet进行混合尺度卷积核处理,使特征提取网络能够抑制相干斑噪声的影响,有效提取舰船特征。选取高分辨率GF-3与低分辨Sentinel-1卫星SAR图像进行测试,均取得了良好的检测效果,证明了本文算法的有效性。

基于Sentinel-1遥感数据,采用有效的预处理方法,得到较为准确的数据集,并提出一种基于三角剖分的特征跟踪与模式匹配结合算法,通过建立三角形网络并有效结合两者的优势,既提高了算法效率,又使海冰漂移矢量具有更均匀的空间分布。同时,研究了HH极化及其数据强噪声区域下该算法的适用性。不同极化数据的实验结果显示,本文算法所得海冰漂移矢量不仅有更高的覆盖率,而且均方根误差降低了约10%,提高了检测精度。面对噪声稳健性的增强,即使在条带噪声的干扰下,检测准确率仍可高达98%,可见该算法对两种极化方式具有普适性,从而证明该方法能够有效地应用于海冰漂移监测。

为了解决血细胞图像中白细胞与其它细胞色彩接近、亮度不均匀等问题, 采用了一种基于C-Y颜色空间的白细胞分割方法, 将原来的RGB图像转化为C-Y图像, 分离C-Y图像获得包含全部信息的B-Y颜色分量图像, 再根据连通域面积筛选、开运算、像素点操作得到完整的白细胞图像; 提取对比度拉伸后的G图像, 阈值分割得到细胞核的大概位置, 再用连通域面积筛选、开运算方法分割出完整的细胞核图像。结果表明, 本文中的算法对嗜酸性粒细胞、淋巴细胞、单核细胞和嗜中性粒细胞图像都具有较好的分割精度, 分别取得了94.33%, 91.60%, 97.72%, 98.66%的准确率。本文中的算法能较完整地分割出白细胞, 为后续分类研究奠定了基础。

基于Sentinel-1遥感数据,对合成孔径雷达(SAR)极化特征数据在海冰漂移检测中的应用进行了深入研究。研究了水平发射水平接收(HH)和水平发射垂直接收(HV)极化数据在海冰漂移检测中的差异,分析了两种极化数据的优劣,并发现由两种极化数据检测到的特征信息具有互补的特性。通过特征融合的方法,将由两种极化数据得到的特征信息有效地应用于海冰漂移检测中。实验结果表明,利用所提出的方法得到的海冰漂移矢量在空间分布和覆盖率方面均得到了提高。该方法能够有效地应用于海冰漂移检测。

分类是医学图像在计算机辅助诊断和模式识别领域的一个研究热点。精确地对人体解剖结构和病变区域进行分类能够最大程度辅助医生更精确、更快速地诊断病情。针对医学图像的特殊性,首先从图像预处理、图像分割、特征提取及分类方法4个方面对典型医学图像分类进行总结分析;然后介绍分析了深度学习理论在医学图像分类中的应用;最后提出现有的医学图像分类研究方法的不足,展望了深度学习领域的最新理论在医学图像分类领域的发展趋势。

为提高早期肺癌筛查过程中肺结节的检出率, 提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理; 接着, 利用改进三维区域生长与凸包算法相结合进行肺实质分割; 然后提取三维候选结节, 为了解决卷积神经网络对样本不平衡的敏感问题, 对三维候选结节正样本进行旋转和光照处理; 最后在不同的网络参数下, 对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明, 通过对网络参数的不断优化, 准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、8032%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测, 与文献所提出肺结节检测算法相比, 准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%, 综合性能较强, 可以为肺癌筛查提供有效的帮助。