武汉第二船舶设计研究所, 湖北 武汉 430000
在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。
舰船识别 舰船轨迹 合成孔径雷达图像 多模态特征 深度残差网络 ship identification ship trajectory SAR image multi-modal features deep residual network
鉴于深度学习在图像识别领域的重大进展，在无人直升机自主着舰的应用背景下，针对较为复杂的着舰环境和着舰标志设计，采用单级多区域检测(SSD)网络对着舰标志进行识别。针对SSD网络对小目标识别率低的缺点，基于深度残差网络和特征金字塔网络结构对SSD网络进行了改进，使用ResNet101代替VGG-16网络，并利用特征金字塔网络结构改进传统上采样结构，将检测网络的高层语义信息融入低层特征信息中，最后通过实验验证了改进网络的识别效果。
着舰标志识别 SSD网络 图像识别 深度残差网络 特征金字塔网络结构 identification of landing mark SSD network image recognition deep residual network feature pyramid network structure
红外与激光工程
2021, 50(8): 20200363
点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定。基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性。
机器视觉 深度学习 点云分类与分割 图卷积神经网络 深度残差网络 激光与光电子学进展
2021, 58(12): 1215008
1 郑州经贸学院 计算机与人工智能学院, 河南 郑州 451191
2 河南理工大学 计算机科学与技术学院, 河南 焦作 454003
针对传统图像描述方法存在提取图像关键信息精度不高、描述不准确等问题, 提出了一种结合残差学习和双模态CAE的图像描述方法。提出一种新型双模态卷积自动编码器（CAE）结构, 包括图像和文本两个输入, 以及编码、隐藏层交互、解码等处理环节, 完成对输入图像的文本描述;在经典CAE中加入残差学习, 与CAE的卷积层构成深度残差网络(DRN), 增加了学习深度, 以提高方法的准确率;将文本和图像的隐藏层进行交叉重构, 以最小化损失函数为目的, 训练得到图像-文本的关系, 从而实现图像的描述。利用COCO和Flickr30k数据集对所提方法进行定性和定量的仿真实验, 其结果论证了所提方法的有效性, 与其他方法相比, 评价指标Med r最低, 且R@K（K=1,5,10）最高, 运算时间仅为0.183s, 能够更为精准地描述图像。
残差学习 双模态CAE 图像描述 深度残差网络 交叉重构 最小化损失函数 residual learning bimodal CAE image description deep residual network cross reconstruction minimizing loss function
基于Johoson等的图像风格转换网络模型,在保证网络性能的前提下,在原有的网络结构上,通过运用更高效的网络计算方法对原有残差网络进行优化。实验结果表明,改进后的方法在几乎不降低图像质量的前提下,一定程度上克服了图像风格迁移模型存储量大、计算代价高、计算资源消耗大、难以移植到移动端的问题。
图像处理 图像风格迁移 卷积神经网络 深度残差网络 模型压缩 激光与光电子学进展
2020, 57(6): 061021
1 上海海洋大学 信息学院, 上海 201306
2 农业部渔业信息重点实验室, 上海 201306
针对当前商品河蟹质量安全问题逐渐增多、真假阳澄湖大闸蟹难辨、深度残差网络提取特征维度大的问题, 提出一种基于改进深度残差网络的河蟹精准溯源系统。系统由养殖环节、检测环节、销售环节、溯源环节4部分组成, 养殖、检测、销售环节将河蟹的养殖、检测、销售数据保存到溯源数据库, 溯源环节通过基于改进深度残差网络的河蟹识别技术, 识别溯源数据库中是否存在待溯源河蟹, 并根据识别结果输出待溯源河蟹在养殖、检测、销售环节的数据, 最终实现每一只商品河蟹从消费者到养殖场的精准溯源追踪。实验结果表明, 改进深度残差网络的河蟹识别技术将提取的蟹壳特征向量从2 048维降至156维, 识别耗时降低了92%, 识别准确率为92.1%。
特征提取 深度残差网络 河蟹识别 河蟹溯源 feature extraction deep residual network crab recognition traceability of crab
哈尔滨理工大学测控技术与通信工程学院，黑龙江哈尔滨 150080
深度卷积神经网络的提出引发了图像处理算法的一系列突破。但是，使用更深入的网络并不总是有帮助，训练它们的巨大障碍是逐渐消失的梯度、大量增长的参数和过长的时间。本文提出了一种基于深度残差网络的图像混合噪声去除算法。通过全局残差学习与局部残差学习，有效地解决了梯度消失与网络参数的增长，提升了模型对图像特征的选择与提取能力，减少了训练时间。实验结果表明，深度残差网络在图像混合噪声去除中效果显著，本文提出的算法得到的去噪图像更好地恢复图像的原始结构，信息丰富，对比度高，鲁棒性强，并且可以更好地保持图像的细节。
深度残差网络 混合噪声去除 梯度消失 残差学习 deep residual network，mixed noise removal，gradie
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
堆场烟雾检测对于火灾预警、保障人员与财产安全具有重要意义。针对传统烟雾检测方法特征提取不充分,误报率偏高以及稳健性较差的问题,提出一种基于并行深度残差网络的堆场烟雾检测方法。该方法利用目标场景烟雾RGB图像的R、G、B分量以及图像HSI变换的H、S、I分量构建并行深度残差网络,自适应获得烟雾特征;同时通过样本扩边、负样本强化学习策略来加强模型对类烟物体的判别能力。实验结果表明,该算法能有效降低因类烟物体产生的误报率,且提升了网络的检出率和稳健性。
图像处理 图像识别 堆场 烟雾检测 并行深度残差网络 激光与光电子学进展
2018, 55(5): 051008
1 上海交通大学航空航天学院, 上海 200240
2 上海卫星工程研究所十五室, 上海 201108
3 上海市气象科学研究所卫星遥感应用技术研究室, 上海 200030
霾监测是环境治理中的关键技术之一。目前地面观测站进行霾监测的耗费较大,基于多光谱遥感的霾识别精度较低。将深度学习用于高光谱遥感数据的霾监测,提出一种基于深度残差网络的高光谱霾监测方法,利用深度网络提取霾光谱曲线特征,再使用残差学习等方法降低网络训练难度,得到了霾监测模型。苏州地区Hyperion高光谱数据集上的实验表明,与其他遥感霾监测方法相比,所提方法的霾识别精度更高。
遥感 大气污染监测 霾监测 深度残差网络 高光谱遥感 深度学习 机器学习 光学学报
2017, 37(11): 1128001
