摘要：近年来,深度学习技术被广泛应用。由于移动设备同时受到算力和功耗的限制,很多轻量级的网络被提出,比如Xception、MobileNet系列等。在这些轻量级网络中,深度卷积的层数占网络中所有卷积层数的31%~50%,故如何优化深度卷积的运算是一个值得研究的问题。通用中央处理器(CPU)、固定运算器长度的单指令多数据流(SIMD)处理器均无法高效处理神经网络中的各种规模的深度卷积,性能较低。针对这一问题,本文提出了一种软硬件结合的方法优化深度卷积的计算,通过一个多种权值传输模式的硬件架构设计,结合软件模式选择、数据拆分等优化方式,在提高运算效率的同时减少了访存量。实验结果表明,使用该方法实现的深度卷积加速器,相比通用CPU最大可达9.3倍的性能加速,相比运算器长度为64的单核SIMD处理器最大可达29.3倍的性能加速。

摘要：为进一步探究人体姿势估计方面的准确度提升路径,本文以深度卷积神经网络为核心,首先,设计其整体框架;其次,综合考虑效率和准确度要求,从全局和细节两个层面着手设计模型;最后,初步测试该模型。测试结果表明,相较于当前主流的几种模型,该模型在准确度上具有一定优势。

摘要：目前研究的沉降监测方法普遍存在监测不准确以及监测范围过小的问题,因此文章基于深度卷积神经网络研究面板堆石坝体沉降监测方法。利用神经网络采集面板堆石坝体沉降数据,确定神经元基本结构,分析神经元网络间隔,通过高压喷灌灌浆实现沉降处理,选择合适的传感器对数据进行监测,完成数据传输,对监测器磁环进行定位,实现沉降监测。实验结果表明,本文设计的监测方法能够很好地提高监测准确率,扩大监测范围。

摘要：室外拍摄图像由于受雾气、雾霾、沙尘等大气颗粒杂质的影响呈现出图像灰白化,而现有的图像去雾算法存在过度依赖先验信息、透射率计算不精确的问题。针对上述问题,文中提出了一种基于深度卷积神经网络的自适应图像去雾算法。该算法基于大气散射模型实现了有雾图像的去雾,设计浅层提取、并行提取和深度融合共3个全卷积网络实现图像浅层特征与深层特征的融合,大幅提高了透射率图的准确性。去雾实验测试结果表明,文中所提出的算法对室外露天雾图具有良好的去雾效果,且去雾细节效果更加理想。

摘要：目前深度学习模式下的图像超分辨率重建存在对纹理感知不够精确、重建图像不够真实等问题,为了改善重建图像质量,提出一种基于多感受野拉普拉斯生成对抗网络的单幅图像超分辨率算法.首先,利用多感受野特征提取、可分离拉普拉斯滤波和复合残差密集块构建生成网络,使网络提取更全面的图像信息;其次,利用多维软标签对抗网络,可使生成对抗网络更容易训练且重建图像纹理更加丰富;最后,网络预训练采用L1损失函数和VGG低层特征,使重建图像获取整体特征,训练使用VGG高层特征、Charbonnier损失和生成损失,使重建结果更加精细,纹理更加充分.实验使用Div2k和Flickr2K进行模型训练,使用Set5等数据集进行测试.结果表明,该算法比USRNet等相关算法的网络规模减小40%,感知指数比USRNet平均降低0.76%,图像重建结果具有更多细节且真实性更强.

摘要：针对化妆棉棉片缺陷人工检测效率低、精度低的问题,提出一种改进Mask R-CNN的化妆棉棉片缺陷检测方法。在Mask R-CNN的基础上使用ResNet50作为特征提取网络,引入深度卷积网络来提高缺陷特征的学习能力。通过设计多信息融合特征金字塔网络来提高小面积缺陷的检测,引入注意力机制模块来减少漏检和误检现象,构造优化的损失函数来降低样本不平衡对结果的影响。通过试验验证了该算法的有效性,结果表明,改进后的Mask R-CNN模型平均检测精度达95.7%,召回率达88.1%,整体性能明显优于原始的Mask R-CNN、Faster R-CNN、SSD和YOLOv5算法模型,能准确检测出常见的化妆棉棉片缺陷。

摘要：为有效去除真实图像噪声并保留图像边缘信息,提出一种结合密集网络思想和并行极化自注意力机制的真实去噪算法。使用3条并行结构处理不同尺度的特征信息,其中每条分支由两个密集注意力块串联而成,形成残差结构。使用选择性核融合机制,获取不同深度下的特征信息,将其融合并使用注意力机制去除冗余信息,获取干净图像。实验结果表明,该算法在SIDD、DND、PolyU测试集上的峰值信噪比分别为39.32 dB、39.52 dB和37.36 dB,结构相似性分别为0.908、0.951和0.952,在SIDD和PolyU测试集上的图像通用质量指标值为0.992和0.982,在去噪任务上可以达到较好的性能,提高了图像视觉的质量。

摘要：在深度学习中,数据是三大核心要素之一。尤其在某些领域,数据的稀有、人工标注造成大量人力的浪费、数据好坏对产出结果的影响,都显现出数据的重要性。鉴于在动漫领域中,人物的制作需要花费大量的人力和时间,所以从动漫头像出发,基于生成对抗网络,结合编码器、残差网络、解码器,经过编码器改变图像的维度,最后利用解码器将提取到的特征数据生成近似于原始图像的数据集。生成对抗网络本身固有的缺点会导致最后的效果并不是很好,于是尝试对生成对抗网络进行深度卷积的改进,再加上WGAN的梯度惩罚思想来优化自编码器基础上的生成对抗网络。

摘要：急性淋巴细胞白血病(ALL)图像数据集中有着类间形态学相似、数据不平衡的问题。文中设计了一种包含多尺度空间注意力和通道注意力的卷积模块,可以更好地提取不同类别图像的细颗粒特征信息,用于分类器的预测分类。使用加权交叉熵损失函数惩罚样本数量多的类,让模型学习不会偏向多数类。在此基础上引入累积学习策略,随着训练进程动态地调整正常损失函数和加权损失函数的比重,避免了加权损失函数对表征学习的损害,保持了对分类器的促进效果。最终在开源白血病细胞图像数据集C-NMC验证该设计方法的可行性,实验结果表明,测试集F1分数达到96.2%,对白血病细胞图像有着良好的识别效果。

摘要：为提高糖尿病视网膜病变(diabetic retinopathy, DR)的诊断效率,本研究提出了一种基于VOLO网络的DR分类模型。首先在Outlook attention中添加深度卷积模块,以提高注意力的表达能力;然后在注意力机制后端嵌入归一化的注意力模块突出显著特征,完成DR严重程度的分类。实验结果表明,模型的分类准确率达到89.10%,本研究设计的网络模型具有较好的可行性,可在临床上更好地辅助医生精准治疗。