针对生成对抗网络生成火焰图像质量不高、颜色难以控制的问题，基于HistoGAN算法，提出一种新的火焰生成算法（fire-GAN）。首先，在图像预处理环节添加火焰图像分割，使网络不受背景的干扰，能有效减少生成火焰发生形状变形、颜色失真的情况；其次，提出圆形度损失函数，使网络在训练过程中更加关注火焰轮廓的复杂度；最后，在生成器和判别器中均采取数据增强，使网络在训练过程中保持稳定，避免发生梯度爆炸。经实验测试，fire-GAN生成的火焰与目标火焰的RGB平均误差为2.6%，Fréchet inception distance（FID）为59.23，inception score（IS）为2.81。实验结果表明，fire-GAN能生成与目标火焰图像颜色相近、清晰度好、真实性高的火焰图像。

乳腺炎是奶牛生产养殖中最为严重的疾病之一, 奶牛乳腺炎的早期检测可以为后续治疗提供依据, 从而提高疾病治疗效率, 降低养殖风险。 为了对自然行走的奶牛实现快速、 高精度的“一步式”乳腺炎疾病检测, 提出了一种基于热红外图像, 融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。 相对于现有的“多步式”奶牛红外图像乳腺炎检测方法, 该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等, 可有效避免“多步式”造成的误差累计, 从而实现更高效的乳腺炎检测。 首先, 将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片, 结合RandAugment数据增强方法扩增训练样本; 其次, 采用ResNet34残差网络作为实验的基础网络, 并根据热红外图像特性对模型进行如下改进: (1)精简网络内部冗余层使得模型更轻量化; (2)中间层添加辅助分类器弥补由于模型精简带来的特征损失; (3)将改进的多融合池化层代替原有单一池化层, 使得特征提取内容更丰富。 随机选取3 298张热红外图像(66头奶牛)作为实验对象, 并设置多组对比实验, 结果表明: 与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%, 基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%, 测试准确率为88.4%, 分类时间仅需3.39×10-3 s。 为了保证实验数据集的样本独立性, 进一步将奶牛个体数量按照3∶1∶1划分为训练集、 验证集和测试集, 测得模型测试准确率达到80.3%, 证明所提出模型具有很好的鲁棒性。 根据测试结果, 计算出模型查准率为91.2%、 查全率为91.6%、 F1分数为91.4%, 与前人所做实验相比准确率提高了5.1%, 特异度提升5.3%。 该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。

深度学习使辅助诊断的软件能够更积极有效地开发和应用，但是组织病理学图像的颜色变化降低了这些算法的性能。染色归一化可以解决扫描仪效应、不同的染色方法、患者的疾病状态、染色时间等因素产生的图像异质性。虚拟染色可以摆脱载玻片染色，减少载玻片的制备步骤，为临床缩短样本的制备时间，节省大量的成本。在缺乏注释训练数据的情况下，病理图像数据增强可用于创建具有纹理和颜色、样式逼真的人工样本来促进网络训练。本文就组织学病理图像在深度学习病理分析中染色处理的染色归一化、虚拟染色和数据增强等方面展开综述，为组织学病理图像在临床上的应用和研究提供参考。

提出一种基于 Transformer模型的通信信号调制识别方法: 在数据准备阶段, 构建一个不同符号速率调制识别(DSRMR)数据集; 在数据预处理阶段, 提出 I/Q数据增强方法, 用于满足模型训练在数量上和多样性的要求, 增强了模型泛化能力; 在模型构建阶段, 将切片序列化的方法引入调制识别 Transformer模型中, 用于优化 Transformer神经网络模型的输入问题。实验结果证明, 基于 Transformer模型的通信信号调制识别方法能够获得较高的信号自动调制识别准确率。

基于卷积神经网络的深度学习方法对钢轨表面损伤的自动化检测起到非常重要的推动作用,因此提出一种基于卷积神经网络的钢轨表面损伤检测方法。首先,在经典U-Net的收缩路径和扩展路径之间增加一个分支网络,可以辅助U-Net输出理想的分割图。然后,将Type-I RSDDs高速铁路轨道数据集作为检测样本,使用数据增强的手段扩增检测样本后馈入改进的U-Net中进行训练和测试。最后,采用评价指标对所提方法进行评估。实验结果表明,所提方法的检测准确率达到99.76%,相比于其他方法的最高水平提高6.74个百分点,说明所提方法可以显著提高检测准确率。

针对受控场景下人脸表情识别率低的问题, 提出了一种受控场景下基于残差整流增强卷积神经网络的表情识别算法。该方法以卷积神经网络为原型, 在训练模型的过程中, 引入残差网络的思想, 修正测试集效果与训练集效果之间的差。通过内嵌于卷积层中的激励函数对残差块的线性整流操作, 协助表达复杂特征。同时, 通过数据增强方法抑制深度神经网络模型在训练过程中过快的拟合, 提升其在给定识别任务上的泛化性能, 进而提高模型学习效果的鲁棒性。实验中通过将该方法运用于模拟在线授课环境中, 最终达到受控场景下有效人脸表情识别的效果。实验结果表明, 该方法可以有效对受控情况下的人脸图像输入进行表情分类, 最高准确率达到了91.7%。该研究对人脸表情识别领域及人机交互领域的发展具有积极意义。

由于受到水面的高反光性和波纹等边缘特征的影响,传统的水面目标识别算法不能很好地识别出目标。为此,提出基于深度学习的水面目标识别算法。首先采集大量的目标样本并对其进行标注,然后根据YOLOv3(You Only Look Once v3)算法的原理对算法的参数和网络结构进行优化,随后采用深度卷积神经网络的方法对目标样本进行训练。采用对目标样本进行数据增强的方式以适应不同环境进而提升算法的鲁棒性,采用相位相关性水岸线识别算法来提高识别速度。最后使用所提算法的网络结构训练所得的权重文件建立水面目标识别系统,该系统可以达到较高的识别率。实验结果验证所提算法的有效性和鲁棒性,对水面目标识别的后续研究有一定的参考价值。