1 北京语言大学信息科学学院, 北京 100083
2 中国科学院新疆天文台, 新疆 乌鲁木齐 830011
随着观测设备的不断完善, 人们获得的光谱数量持续上升, 如何进一步提高光谱自动分类的性能引起广泛关注。 为此, 以恒星光谱为研究对象, 在近年来新出现的BERT和CNN等深度学习模型的基础上, 试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势, 提出高性能混合深度学习网络BERT-CNN, 用以探讨该模型在提升光谱分类性能方面的有效性。 该模型首先将恒星光谱数据输入BERT模型; 然后, 利用BERT模型中的Transformer进行特征提取, 得到特征向量; 最后, 将特征向量输入CNN模型, 通过softmax分类器获得分类结果。 该实验的编程语言为Python3.7, 引入TensorFlow1.14作为深度学习模型框架, 并以SDSS DR10中的K型、 F型、 G型的恒星光谱数据作为实验数据集。 使用min-max方法对恒星光谱数据做归一化处理, 通过与SVM、 CNN等分类模型的比较来验证BERT-CNN混合模型在恒星光谱分类中的有效性。 引入网格搜索和10折交叉验证来获得模型的实验参数。 实验包括两部分: 一是利用精准率P、 召回率R、 调和平均值F1等指标对BERT-CNN模型的恒星光谱分类性能进行评价。 当训练数据集占比实验数据集的30%~70%时, BERT-CNN模型处理K, F和G型恒星光谱数据集的精准率P、 召回率R、 调和平均值F1随训练样本数的增加而提升。 在相同规模的训练样本条件下, BERT-CNN模型在K型恒星光谱数据集上的P, R和F1值均最高, 其次是G型恒星光谱数据集, F型恒星光谱数据集上的分类效果较差。 二是利用准确率对SVM, CNN和BERT-CNN等模型的对比实验结果进行评价。 对K, F和G型恒星光谱数据集上, BERT-CNN模型分类效果最优, 其次是CNN模型, SVM模型分类效果较差。 表明, BERT-CNN模型有助于提升光谱分类性能。
光谱分类 深度学习网络 BERT模型 CNN模型 Spectra classification Deep learning network BERT model CNN model
1 西安建筑科技大学理学院, 陕西 西安 710055
2 空间电子信息技术研究院, 陕西 西安 710100
针对深度学习在计算机视觉上的良好表现,提出一种基于深度学习的多聚焦图像融合算法,在原有的AlexNet网络模型基础上改进了卷积核大小、步长等;利用改进后的深度学习网络特有的得分机制分类了聚焦图像块与散焦图像块;使用矫正矩阵矫正了误判图像块,并细分、修复了融合后的图像聚焦与散焦分界区域,得到了融合图像;选取6组多聚焦图像验证了本文算法的有效性。实验结果表明:与其他算法相比, 运用本文算法进行图像融合,能够保存较多的图像原始高频信息,并在互信息、边缘信息保持度、平均梯度和熵等评价指标上取得了较好的表现。
图像处理 多聚焦图像融合 深度学习网络 矫正矩阵 图像块分类 边界修复 激光与光电子学进展
2018, 55(7): 071015