基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络（CNN）方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明：基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

Quality influencing factors of dispersion curves from short period dense arrays based on a convolutional neural network across the north section of the Xiaojiang fault area

The number of dispersion curves increases significantly when the scale of a short-period dense array increases. Owing to a substantial increase in data volume, it is important to quickly evaluate dispersion curve quality as well as select the available dispersion curve. Accordingly, this study quantitatively evaluated dispersion curve quality by training a convolutional neural network model for ambient noise tomography using a short-period dense array. The model can select high-quality dispersio...     

地震波数值模拟中的最优Shannon 奇异核褶积微分算子

如何有效协调地震波数值模拟过程中的计算精度和计算效率,一直是许多地球物理工作者密切关注且努力寻求解决的问题.这一问题求解的好坏,将直接影响到人们正确认识地下构造的地球物理响应.本文从离散Shannon奇异核理论出发,推导了基于Shannon奇异核的交错网格褶积微分算子,分析并求出了影响算子精度窗函数的最优化参数.通过将...     

基于辛格式奇异核褶积微分算子的地震标量波场模拟

本文在对地震波场进行模拟时,采用辛差分格式对波动方程进行时间离散,采用奇异核褶积微分算子对波动方程进行空间离散.该方法尽管增加了一些计算量,但提高了计算精度和稳定性;相对于其他非辛算法,它是全局保结构的,并且具有较强的长时间跟踪能力.该方法为解决大尺度、长时程地震波场的高精度模拟问题提供了一种新的、有效的选择.     

一种基于双通道的水下图像增强卷积神经网络

近年来各国对于海洋生物的保护意识日益强烈,用来监测海洋生物生存状态的水下机器人装备的研发是保护海洋生物资源的关键。水下相机是这类机器人在水下进行海洋生物监测时的光学感知设备。然而水下环境复杂,拍摄到的图像模糊不清,为解决水下图像模糊等问题,提出了一种基于双通道的水下图像增强卷积神经网络。在网络的编码器中采用双通道结构,其中一个通道采用了密集连接和高效通道注意力机制,提取水下图像的细节特征,另一个通道采用多尺度结构,提取原始图像的多尺度语义特征。接着,在网络中引入残差注意力模块和自适应特征融合模块,进一步优化了特征。最后将优化后的特征输入解码器重建出增强后的水下图像。试验表明：提出的网络算法在UIQM指标和Entropy指标上分别为3.005 6和7.654 7,较第二名的算法分别高出0.097 5和0.123 2。     

煤层气地质工程一体化平台的建设构想

钻井液流变性是钻井液流动和变形的特性,对于携带与悬浮岩屑、提高钻进速度至关重要,准确掌握钻井液流变参数是保证井眼清洁与高效钻进的前提。提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的钻井液流变参数智能识别方法,通过磁力搅拌产生稳定的钻井液流动图像,利用多种数据增强方法增加图像数量并建立数据库,增强模型的鲁棒性和泛化能力。优化AlexNet卷积神经网络算法,构建钻井液流变参数识别模型。将数据库划分为训练集：验证集：测试集=7：2：1,对训练集进行迭代训练并通过验证集调整参数获得最佳拟合模型。此外,运用混淆矩阵、卷积核可视化技术和类激活技术(Gradient-weighted Class Activation Mapping,Grad-CAM)对模型进行多方位评估。结果表明：(1)钻井液流变参数识别模型对钻井液塑性黏度测试的宏精确率为95.2%,宏召回率为94.7%,宏F₁值为0.95。(2)对钻井液表观黏度测试的宏精确率为91.6%,宏召回率为91.5%,宏F₁值为0.90。(3)利用卷积核可视化技术和Grad-CAM对特征提取进行可视化处理,发现钻井液波纹形状和大小会影响模型流变参数识别准确度。(4)室内测试结果表明,该模型的测试误差为±2 mPa·s,在设计允许范围以内,具有较高的识别精确度和稳定性。所提出的钻井液流变参数实时智能识别方法可为安全、快速和准确地进行钻井液流变性测试提供智能化技术思路。

     

基于残余插值的卷积神经网络去马赛克算法

在去马赛克问题中,为了精确插值倾斜边缘并提高结果图像的整体质量,提出一种基于残余插值的卷积神经网络去马赛克算法.针对Bayer格式的颜色滤波阵列,插值绿色平面时,对于红蓝通道信息不全的问题,采用同通道邻近像素值近似代替,综合考虑3个通道的梯度,运用倾斜方向的边缘检测算子,将倾斜边缘分为不同方向的边缘分别插值.在插值完成后,利用深度卷积神经网络,进一步训练插值结果.在标准的IMAX数据集上,与目前流行的算法相比,本文算法视觉上更接近原图,具有更高的峰值信噪比和更短的运行时间.     

基于雷达反射率因子和雷电定位数据的深度学习雷电预报模型

利用卷积神经网络和门控循环单元(Gated recurrent units)神经网络,基于雷达反射率因子和雷电定位数据开展了雷电预报研究。首先构建了引用注意力机制的基于卷积神经网络和门控循环单元神经网络的深度学习模型(Attention-ConvGRU);然后将雷达反射率因子数据和对应时间段(6 min)的雷电定位数据处理成图像数据后输入深度学习模型,训练出可预报雷电的模型,包括3种模型:单雷电数据模型、单雷达数据模型和雷电-雷达双数据模型;最后开展了预报试验和定量评估。综合评估表明,本文建立的雷电预报模型综合预报准确率达到96.74%,虚警率35.83%,关键成功指数(Critical Success Index,CSI)为0.2072。个例分析表明,预报模型对于具有明显移动趋势的雷暴过程(A类雷暴)的预报效果优于不具有明显移动趋势的雷暴过程(B类雷暴),且随着B类雷暴强度减弱模型预报能力逐渐减弱。     

江苏盐城滨海湿地净生态系统碳交换量模拟参数选择

滨海湿地净生态系统碳交换量受到多种环境因素的影响,在进行滨海湿地净碳交换量估算建模时,参数的选择至关重要,如何合理地选择输入参数不仅对于估算结果的精度有影响,同时也会影响预测模型的适用性。本研究使用了Pearson、Spearman、距离相关系数、最大互信息相关系数4种相关系数来计算各个环境因素与净碳交换量之间的相关性,基于相关系数来选择最佳的输入参数组合。利用实际测得的江苏盐城盐沼湿地数据,依次选择各个相关性中最高的8个参数组合,基于卷积神经网络对江苏盐城滨海湿地NEE进行建模,得到了4个预测模型,并使用均方根误差和平均绝对值误差来进行模型精度的验证。研究表明,使用基于最大互信息系数得到的参数组合进行滨海湿地NEE建模时模型的精度最好,误差最小;净光合有效辐射,净辐射,地表辐射与NEE在4个相关系数中都属于强相关,表明这一类辐射类参数对滨海湿地NEE的影响要大于其他参数;各参数与NEE之间的关系既包含线性关系也包含非线性关系,传统的单一线性分析手段无法完整准确地反应各个环境参数与NEE之间的响应关系;基于卷积神经网络的滨海湿地NEE预测模型在精度上要优于其它同类型模型,这表明使用该模型在进行NEE预测建模时具有很好的适用性。