1 宁波大学信息科学与工程学院,浙江 宁波 315211
2 宁波大学医学院,浙江 宁波 315211
3 宁波市海曙区第二医院,浙江 宁波 315099
4 宁波大学附属第一医院,浙江 宁波 315000
在检测侧面脊柱关键点时,由于受到器官遮挡的影响,以往的热图回归方法难以区分不同椎骨上的关键点,容易出现关键点与对应椎骨的匹配错误。为了解决这个问题,提出了一个新的单阶段侧面脊柱关键点检测方法,该方法同时预测关键点热图和关键点匹配线索(椎骨中心热图和关键点offset),利用匹配线索建立关键点与对应椎骨的匹配关系。为了提升匹配效果,提出几何感知特征增强模块,通过提取关键点特征增强椎骨中心的特征表达。此外,利用加权损失函数缓解关键点热图和椎骨中心热图中正负样本比例失衡问题。实验结果表明,所提方法的平均检测误差为8.84,相较于性能第二的方法精度提升36%。
医用光学 关键点检测 卷积网络 可变形卷积 脊柱侧弯 激光与光电子学进展
2024, 61(4): 0417001
河北工业大学电子信息工程学院, 天津 300401
随着越来越多的大型光谱巡天计划的实施, 产生了海量的恒星光谱数据, 这对于恒星演化理论的研究具有重大意义, 但也给传统的光谱分类和处理带来极大挑战。 2021年发布的LAMOST DR7(v2.0版本)光谱数据集中, 恒星光谱总量为百万量级, 但其中O型星的数量仅为129条, 远远小于其他六类恒星光谱数量。 对于这种数据量大、 数据集严重不平衡的情况, 传统的机器学习分类方法达不到较好的效果, 因此多用于对相邻两类、 部分类或子类恒星光谱进行分类。 针对以上问题, 使用一维卷积神经网络(CNN)和一维生成对抗网络(GAN)相结合的半监督学习模式对七类恒星光谱进行全分类。 实验首先对每条光谱进行裁剪和去噪, 截取光谱波长范围为370.00~867.16 nm部分, 然后进行均匀采样和归一化, 生成大小为1×3 700的数据集样本, 送入CNN进行训练。 为了避免过拟合并提高模型对未知数据的预测能力, 在CNN的全连接层和池化层之间添加正则项Dropout。 使用该网络对除O型星以外的六类光谱进行分类, 平均分类准确率达到98.08%。 针对O型星数量严重偏少的问题, 采用GAN来扩充数据集。 GAN的输入是1×900大小的噪声信号, 经过生成器中全连接的三层跨步卷积运算, 输出大小为1×3 700的数据。 通过对生成器和判别器进行单独交替迭代训练使GAN收敛, 最终输出所需数量的O型星样本, 达到扩充数据集的目的。 和常见的通过过采样扩充数据集相比, 利用GAN扩充数据集, 结合一维CNN对恒星光谱进行全分类, 可以将O型星的分类准确率由72.92%提升至97.92%, 整个分类器的准确率达到96.28%。 实验结果表明, 使用这种半监督模式的恒星光谱自动分类方法可以实现对七类恒星光谱的快速、 准确分类, 也可以用于对标记为“Unknown”的未分类恒星光谱进行挖掘, 达到充分利用光谱的目的。
恒星光谱 自动分类 卷积神经网络 生成对抗网络 半监督模式 Star spectra Automatic classification Convolutional neural networks Generative adversarial networks Semi-supervised mode 光谱学与光谱分析
2023, 43(6): 1875
光学 精密工程
2023, 31(15): 2295
Author Affiliations
Abstract
QMatterPhotonics Research Group, Optics Area, Department of Applied Physics, Faculty of Physics / Faculty of Optics and Optometry, University of Santiago de Compostela, 15782 Santiago de Compostela, Galicia, Spain
The use of convolutional neuronal networks (CNN) for the treatment of interferometric fringes has been introduced in recent years. In this paper, we optimize and build a CNN model, based U-NET architecture, to maximize its performance processing electronic speckle interferometry fringes (ESPI). The proposed approach is based on quick and light trainings to select the architecture parameters (network depth and kernel sizes) to maximize the performance of the neural network improving the visibility of ESPI images. To measure the performance, the structural similarity index (SSMI) will be the lead indicator, and the need for large datasets to train neural networks, unavailable for ESPI images, forces the use of a simulated ESPI image dataset along the process. This dataset is computed using Zernike polynomials to simulate local surface deformations in the specimen under test and simulated true speckle fields for the reference and object field involved in ESPI techniques.
ESPI Convolutional neural networks Image denoising Journal of the European Optical Society-Rapid Publications
2023, 19(1): 2023015
电子科技大学光纤传感与通信教育部重点实验室,四川 成都 611731
拉曼光纤随机激光结合无源传感单元可以实现超长距离的准分布式传感。然而,受限于光谱探测速度,该传感方案通常只适用于静态传感领域。针对该问题,将拉曼光纤随机激光与拍频光谱探测技术相结合,提出了一种新型的拉曼光纤随机激光长距离动态传感技术。首先,基于含时光谱稳态模型论证了光谱快速测量对长距离动态传感的适用性。随后,在原理性验证实验中通过处理本振光与光纤随机激光拍频后的时域信号,实现了对光纤随机激光光谱的快速测量,并突破了光波往返时间对传感带宽的限制。同时,利用去噪卷积神经网络对光谱的中心波长变化进行标定,大幅提高了扰动信号探测的信号质量,实现了对不同频率、不同波形的扰动信息的准确测量。该研究为进一步拓展光纤随机激光的应用领域提供了新的思路。
光纤传感 光纤随机激光 拉曼散射 瑞利散射 去噪卷积神经网络 激光与光电子学进展
2023, 60(11): 1106027
1 信息工程大学地理空间信息学院,河南 郑州 450001
2 智慧中原地理信息技术河南省协同创新中心,河南 郑州 450001
3 时空感知与智能处理自然资源部重点实验室,河南 郑州 450001
4 河南建筑职业技术学院,河南 郑州 450001
针对小目标占有像素少导致检测精确率低的问题,提出一种基于超分辨率重建的小目标检测算法。首先,通过图像预处理对高分辨率图像分块并筛选出含有目标的子图像;其次,构建超分辨率锐化增强模块,引入锐化图像和锐化损失,以获得边缘更清晰的高分辨率子图像;然后,采用多尺度锐化目标检测模块检测目标,该模块添加边缘锐化模型,在深层特征层中进一步锐化图像边缘,弥补深层卷积对细节的损失;最后,根据子图像编号将小目标检测结果回归到原图像中,完成小目标图像检测。在PASCAL VOC数据集和COCO 2017数据集上的实验结果表明,所提算法的平均精确率(mAP)分别为85.3%和54.0%,对COCO数据集的小目标检测精确率为43.5%,高于次优值9.7个百分点。因此,所提算法可以有效减少小目标漏检的次数,提高检测精确率。
图像处理 小目标检测 超分辨率增强 卷积神经网络 多尺度特征融合 边缘锐化 激光与光电子学进展
2023, 60(12): 1210002
1 武汉科技大学 信息科学与工程学院,湖北 武汉 430081
2 湖南大学 信息科学与工程学院,湖南 长沙 410082
3 北京航空航天大学 仪器科学与光电工程学院,北京 100191
VGGNet能提供高精度的火星图像分类,但需消耗大量内存资源。鉴于器载计算机内存资源有限,为解决这一矛盾,本文提出了基于迭代剪枝VGGNet的火星图像分类方法。首先,采用迁移学习训练网络的连通性,以便评估神经元的重要性;其次,通过迭代剪枝方法修剪不重要的神经元,以便将全连接层的参数量和内存占用量减少;最后,采用K-means++聚类实现权重参数的量化,利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数,达到减少存储量和浮点数运算量的作用。此外,通过5种数据增强方法进行数据扩充,目的是解决类别不平衡的问题。实验结果表明,压缩后的VGGNet模型的所占内存、Flops和准确率分别为62.63 Mb、150.6 MFlops和96.15%。与ShuffleNet、MobileNet和EfficientNet等轻量级图像分类算法相比,所提模型具有更好的性能。
图像分类 卷积神经网络 迭代方法 聚类算法 VGGNet image classification convolutional neural networks iterative methods clustering algorithms VGGNet