1 北方民族大学 计算机科学与工程学院，宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，宁夏银川75001
3 宁夏医科大学 理学院，宁夏银川750004
基于残差神经网络的新冠肺炎（Corona Virus Disease 2019， COVID-19）辅助诊断是最近的研究热点，但是COVID-19胸部X-Ray图像病变区域多样化，其大小、形状、位置因患者而异，且与周围组织的边界模糊，对比度较低，导致难以充分提取病变区域的有效特征。本文针对上述问题，提出一种COVID-19辅助诊断模型REC-ResNet，该模型以ResNet50为主干网络，引入三种特征增强策略，用来提高模型的特征提取能力。首先，采用残差自适应特征融合模块以自适应加权的方式有效地融合模型每个Stage中来自不同残差块的分层特征，该模块不仅建模不同通道之间的相关性，还学习自适应地估计不同层次信息的相对重要性；然后，在模型主干中引入高效特征增强Transformer模块，采用特征增强多头自注意力提取胸部X-Ray图像中的全局信息以增强模型的表达能力，有效地弥补了CNN捕获全局特征表示能力较弱的不足；其次，为了获得更丰富的上下文信息，提出跨层注意力增强模块，分别采用通道注意力和空间注意力对深层和浅层特征进行增强，并在充分考虑长距离特征依赖的情况下有效地融合高级语义信息和低级空间细节实现跨层注意力特征增强，使模型提取更多有效特征以进一步提高模型分类准确率。最终，在COVID-19胸部X-Ray图像数据集上的实验结果表明：本文模型与其他先进的CNN分类模型相比能够实现优异的分类性能，Acc，Pre，Rec，F1 Score和Spe指标分别为97.58%，97.60%，97.58%，97.59%和97.46%，进一步通过Grad-CAM可视化技术对模型进行解释，以增强特征的直观性。本文方法有助于临床医生做出正确的医学判断和更好的患者预后，为COVID-19的辅助诊断提供有效的帮助。
新冠肺炎 胸部X-Ray图像 残差神经网络 注意力机制 特征增强 COVID-19 chest X-Ray image residual neural network attention mechanism feature enhancement 光学 精密工程
2023, 31(14): 2093
针对复杂电磁环境中, 雷达干扰信号在低干噪比条件下识别率低, 干扰样本难以大量获取用于训练的问题, 提出一种基于Attention机制、迁移学习和残差神经网络的雷达干扰感知方法。模型以干扰与回波的时频域数据为输入, 自动提取特征并做出类型判断。实验结果表明, 模型实现了低干噪比、小样本训练条件下的雷达干扰有效感知识别, Attention机制和迁移学习能够有效提高感知识别正确率, 识别性能相较于传统机器学习模型与未改进过的神经网络模型鲁棒性更好, 更加精确。
雷达干扰 Attention机制 迁移学习 残差神经网络 radar jamming Attention mechanism transfer learning residual neural network
1 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
2 江南大学物联网工程学院，江苏 无锡 214122
在介质中传播的光的吸收系数、散射系数、各向异性因子和折射率可以用于介质物理与化学特性的检测，因此，这四种参数的反演方法研究非常重要，但目前缺乏能够同时识别这四种参数的算法。针对该问题，提出利用多个角度激发的漫反射光信号增加信息的丰富性，并通过残差神经网络实现浑浊介质吸收系数、散射系数、各向异性和折射率识别的方法。通过蒙特卡罗模型模拟了各种条件下的漫反射光信号，对所提方法进行了验证。在仿真过程中，考虑光纤大小和发散角，并在漫反射光强信号中加入不同等级的噪声以提高网络的泛化能力和抗噪性能。结果表明，当信噪比为40 dB时，所提方法对浑浊介质的吸收系数、散射系数、各向异性因子以及折射率的识别结果的平均相对误差分别为8.6%、4.6%、1.7%和0.9%，验证了所提方法的高精度。
生物光学 吸收系数 散射系数 各向异性因子 折射率 光学性能 残差神经网络 中国激光
2022, 49(15): 1507205
西安工程大学电子信息学院, 陕西 西安 710048
以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。
探测器 X光图像 深度学习 目标检测 特征融合 残差神经网络 激光与光电子学进展
2021, 58(4): 0404001
1 燕山大学河北省工业计算机控制工程重点实验室, 河北 秦皇岛 066004
2 燕山大学国家冷轧板带装备及工艺工程技术研究中心, 河北 秦皇岛 066004
基于深度卷积神经网络的人脸识别模型虽然能够取得较高的识别精度,但是模型中存在海量的计算数据并且需要占用大量的内存资源,因此无法满足资源受限和实时性的要求。针对此问题,设计两种轻量化递归残差神经网络,该网络能够有效地融合特征图中各层之间的信息,丰富特征图的语义信息进而提高识别精度。首先对原始数据集采用MTCNN人脸检测算法进行人脸对齐和裁剪;然后将ArcFace损失函数作为监督信号,此损失函数能够使得数据集类内聚合和类间分散,有效提高模型的分类效果;最后在LFW、AgeDB和CFP-FP数据集上对模型进行验证。实验结果表明,设计的网络模型在减少大量参数的情况下可以取得较高的人脸识别精度。
机器视觉 人脸识别 轻量化网络 残差神经网络 深度学习 激光与光电子学进展
2020, 57(22): 221506
1 中国科学院光电技术研究所自适应光学重点实验室, 成都 四川 610209
2 中国科学院大学, 北京 100049
目标的特征表达是目标跟踪过程的关键,人工特征相对简单,实时性强,但表征能力不足,在处理快速变化和目标遮挡相关问题时,容易产生跟踪漂移。深度神经网络(DNN)在目标检测和识别任务中的强特征表达能力,使DNN逐渐成为特征提取工具。采用更深层的残差神经网络(ResNet)替代VGG-19网络作为特征提取工具,首先将ResNet-50中的特殊附加层结构和卷积层特征进行融合,得到鲁棒性更强的目标表征特征。然后对特征进行相关滤波操作,根据最大响应值确定目标位置。最后,为扩展算法在局部目标跟踪领域的应用场景,采用基于图形的视觉显著性检测算法提高局部目标的权重值,抑制背景信息,以提升特征层的目标表征能力。
目标跟踪 残差神经网络 特征融合 基于图形的视觉显著性检测算法 激光与光电子学进展
2020, 57(18): 181025
1 内蒙古科技大学信息工程学院, 内蒙古 包头 014010
2 内蒙古工业大学信息工程学院, 内蒙古 呼和浩特 010080
为解决现有基于深度学习的行人重识别算法中网络深度过深,网络层间的特征关系利用率、时间效率低等问题,提出了一种基于压缩激励残差网络(SE-ResNet)与特征融合的改进算法。通过引入压缩激励(SE)模块,在特征通道上对特征进行压缩和激励,然后重新对各通道分配权重,以增强有用特征通道,抑制无用特征通道,降低网络的深度;为提高识别精度和运算效率,将浅层特征与深层特征融合,删除部分特征提取模块,并对卷积核的大小与运行时间、识别精度的关系进行建模,寻找最佳平衡点。实验结果表明,相比ResNet50,本算法的Rank-1提高了4.26个百分点,平均精度均值提高了17.41个百分点。与其他经典算法相比,本算法的识别精度也有不同程度的提高,且鲁棒性较好。
行人重识别 压缩激励残差网络(SE-ResNet) 深度学习 智能交通 激光与光电子学进展
2020, 57(18): 181007
高光谱影像是典型的高维数据,在光谱维和空间维都包含了大量信息。针对高光谱影像分类时光谱维数据量巨大的特点,提出一种基于三维空洞卷积残差神经网络的高光谱影像分类方法。该方法以高光谱像元立方体作为数据输入,使用三维卷积核同时提取高光谱数据的空间维和光谱维特征,并通过在卷积核中引入空洞结构,在不增加网络参数量和不消减数据特征的情况下提高卷积核的感受野,从而提高神经网络的分类的精度。该方法利用残差结构避免了由网络层数加深导致的梯度消失问题,最终使用Softmax分类器完成高光谱像元的分类工作。实验结果表明:所提方法在Indian Pines和Salinas数据集上分别取得了97.303%和97.236%的总体分类精度,与各对照组相比具有更好的分类效果,由此证明所提方法可以提升高光谱影像的分类性能。
遥感 高光谱影像分类 空洞卷积 三维卷积 残差神经网络 光学学报
2020, 40(16): 1628002
1 天津大学微电子学院, 天津 300072
2 天津市成像与感知微电子技术重点实验室, 天津 300072
为了提升多光谱图像语义分割的精度,提出了一种基于局部二值模式(LBP)特征增强的语义分割神经网络模型。该模型通过两个大小分别为3×3和5×5的LBP特征提取算子,对原始红外图像进行边缘信息提取,获得了边缘特征图。将原始RGB图像、红外图像和获得的LBP特征图输入到一个包含34层残差网络的模型中进行语义分割。实验结果表明,本文提出的基于LBP特征增强的神经网络模型,在RGB-Thermal数据集上取得了60.7%的平均准确率和51.9%的平均交并比,明显优于其他对比模型。同时在可视化结果上,本文模型的结果也更加清晰准确。
图像处理 多光谱语义分割 局部二值模式 残差神经网络 激光与光电子学进展
2020, 57(14): 141004
