首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    基于多尺度特征的地基云图分类检测算法

    孙继飞贾克斌
    305-310页
    查看更多>>摘要：地基云的自动识别方法和技术为气象分析中的云状识别和云量估计任务提供了重要的手段和依据.然而,对这两种任务的研究往往独立,互不相干,导致地基云图的分类与分割技术无法有效地结合使用.特别是当云图中出现多类云状时,现有技术难以按不同云类分别划分区域并进行云量计算.为了解决这一问题,提出用基于深度学习的语义分割方法实现对地基云图的按类分割.首先,构建了地基云图语义分割数据集GBCSS,该数据集包含3 000幅云图,共计11个类别.在此基础上,提出了一种基于U型神经网络的改进方案UNet-PPM作为地基云图语义分割模型.为了增强网络对云的轮廓特征提取能力,引入了金字塔池化模块.该模块提取并聚合了不同尺度的图像特征,提升了网络获取全局信息的能力.最后,将设计的网络在GBCSS上进行了训练以及评估,其在测试集上达到了91.5％的像素准确率.与U-Net相比,UNet-PPM在像素准确率上有5.4％的提升,表明该网络对云的轮廓特征提取的能力更强,以及语义分割应用在地基云图中的可行性.

    地基云图语义分割云图数据集全卷积网络金字塔池化模块

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于聚类优化学习的少样本图像分类

    苏如祺卞雄朱松豪
    311-317页
    查看更多>>摘要：少样本图像分类的目标是在训练少量标记训练数据的基础上实现新类别图像的分类,然而这一目的在现有条件下很难实现.因此,目前的少样本学习方法主要借鉴迁移学习的思想,其核心是利用情景训练式的元训练构建先验知识,从而解决未知新任务.然而,研究工作表明,相较于复杂的少样本学习方法,具有强大特征表示的嵌入模型学习方法更为简单、有效.受此启发,提出一种新的基于直推式聚类优化学习的少样本图像分类方法.该方法首先利用样本数据的内部特征结构信息实现每个类别的综合表示;然后优化每个类别的中心,形成更具区别性的特征表示,从而有效增加不同类别之间的特征差异.大量实验结果表明,所提的基于直推式聚类优化学习的少镜头图像分类方法有效提高了各种训练条件下的图像分类精度.

    少样本图像分类特征表示聚类优化

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于注意力机制与密集邻域预测的轻量化图像语义分割

    王国刚董志豪
    318-325页
    查看更多>>摘要：DeepLabv3+计算复杂度高,空洞空间金字塔池化模块难以突出重要通道特征,解码器生成的高语义化特征图缺乏足够的细节信息.针对上述问题,提出一种基于注意力机制与密集邻域预测的轻量化图像语义分割模型.该模型把MobileNet V2作为主干网络,减少了模型参数量;利用通道空洞空间金字塔池化提取多尺度信息,并对特征图的各通道加权,强化重要通道特征的学习;采用密集邻域预测融合高级特征与低级特征,细化分割结果.在PASCAL VOC 2012增强数据集上进行实验,结果表明,所提方法的平均交并比和平均像素精确度均高于其他7种主流对比算法.与DeepLabv3+相比,参数量与计算量分别减少184.82×106和90.83GFLOPs,该算法在提升分割精度的同时减少了计算开销.

    深度学习语义分割DeepLabv3+注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于快速傅里叶卷积与特征修剪坐标注意力的壁画修复

    张乐余映革浩
    326-334页
    查看更多>>摘要：针对现存古代壁画长时间自然风化引起的不同程度的裂缝、脱落等病害,人工修复成本过高,而目前已有的壁画修复方法大多都存在框架复杂、耗费算力大,并且修复色彩不够准确和质量不够高等问题,提出了一种以快速傅里叶卷积和坐标注意力为框架的生成对抗网络用于修复工作.该方法将待修复壁画图像和掩码输入该网络,经编码器后传入用于特征推理的残差模块以推理出待修复区域的合理内容;训练过程中由特定的用于修复任务的鉴别器进行对抗训练,最终达到修复效果.所提模型中的特征推理部分为一个包含门控残差连接、6个快速傅里叶卷积模块和改进的特征修剪坐标注意力模块的残差块,具有较大的感受野和提取丰富特征的能力,可解决当前方法所存在的修复结果不佳的问题.在自制数据集下进行实验,与现有几种经典的修复方法进行对比的结果表明,所提算法不仅结构简单,还有着更优秀的修复能力,可应用于古代壁画修复工作,可节省大量的人工成本.

    古代壁画修复注意力机制残差网络生成对抗网络深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向3D肝脏CT图像分割的改进vnet模型

    杨舒琪韩俊玲康晓东杨靖怡...
    335-340页
    查看更多>>摘要：分割3D医学影像是放疗计划的重要步骤.临床上,计算机断层扫描被广泛应用于肝脏及肝肿瘤的3D医学影像图像分割.由于肝脏复杂的边缘结构及纹理特征,肝脏分割仍是一项具有挑战性的工作.针对这一问题,提出了一种面向3D肝脏CT图像精准分割的改进vnet模型.首先,将肝脏CT图像进行HU值截断和重采样,以完成三维数据集的预处理;同时,将vnet解码器和编码器中的卷积核替换为SG模块,即逐通道卷积和逐点卷积的组合,以减小网络模型的参数量.与vnet模型进行对比实验,结果表明该模型方法在肝脏分割数据集上的评估结果总体优越,Dice系数为94.93％,比vnet模型提高了3.49％,大大减少了模型的参数量;同时该方法在MSD脾脏分割数据集和新冠肺炎数据集上也表现出良好的鲁棒性并取得了优越的分割结果.

    图像分割肝脏vnetCT3D

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于双流卷积神经网络的稻米缺陷分割

    吴一博郝应光王洪玉
    341-348页
    查看更多>>摘要：目前水稻质量精细化评估因为没有水稻缺陷精细化检测相关工作而无法实现,传统的水稻质量评估都是基于粗略的缺陷有无分类而实现的.针对水稻缺陷像素级分类问题,提出了一种基于深度学习的水稻缺陷分割模型,该模型使用了一个改进的DoubleU-Net网络作为主要架构,分为NETWORK1和NETWORK2两部分,其中NETWORK1是基于VGG-19修改的U型网络结构,而NETWORK2是基于Swin Transformer修改的U型网络结构,将这两部分串联起来,同时融合CNN局部信息提取和Transformer全局信息提取的优势,可以更好地捕捉图像的上下文信息.同时,使用了多重损失函数,包括加权的二元交叉熵损失、加权的交并比损失和一个无需训练的智能损失网络,在提高模型训练稳定性的同时进一步提高了模型分割的精度.在制作的密集水稻缺陷数据集上进行训练测试,该模型均取得了较其他方法更好的分割性能,具有鲁棒性和较好的泛化能力.

    稻米质量评估语义分割深度学习卷积神经网络Transformer

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多距离测度异质集成学习的结肠病理图像细粒度分类研究

    梁美彦范莹莹王琳
    349-355页
    查看更多>>摘要：结肠病理学图像的细粒度分类对癌症治疗和预后评估都具有重要意义.然而,结肠病理学图像尤其是其组织学亚型图像在形态上极为相似,通过人工的方法进行高精度识别面临着巨大的挑战.而基于单个模型的计算机辅助诊断方法容易产生预测偏差.为此,提出了多距离测度异质集成学习的细粒度分类方法对结肠病理学微卫星状态进行分型预测.该方法分别通过余弦距离、曼哈顿距离与欧氏距离在潜在空间上度量每个基学习器输出的置信分数与理想解的差距,来集成不同基学习器的预测,再通过融合这些距离来提高模型的整体决策性能.实验结果表明,该方法在结肠病理学图像细粒度分类任务上,分类准确率、精确率、召回率与F-1分值都达到了94％以上,为病理学图像的亚型分类提供了新的视角.

    集成学习细粒度分类距离测度病理图像微卫星分型

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于无监督显著性掩码引导的红外与可见光图像融合网络

    李东阳聂仁灿潘琳娜李贺...
    356-360页
    查看更多>>摘要：在具有挑战性的拍摄环境中,使用单张红外或可见光图像很难捕获清晰详细的纹理信息以及热辐射信息.然而,红外和可见光图像融合允许保存来自红外图像的热辐射信息和来自可见光图像的纹理细节.现有的许多方法在融合过程中直接生成融合图像,忽略了对源图像像素级权重贡献的估计,强调了不同源图像之间的学习.为此,提出了基于无监督显著性掩码引导的红外与可见光图像融合网络,利用密集结构在源图像中进行全面的特征提取.它产生一个权重估计概率来评估每个源图像对融合图像的贡献.此外,由于红外与可见光图像缺乏真实标签,难以使用有监督学习,UMGN还引入了显著性掩码,便于网络集中学习红外图像的热辐射信息和可见光纹理信息.在训练过程中还引入了加权保真度项和梯度损失,以防止梯度退化.与大量其他最先进的方法进行对比实验,结果证明了所提出的UMGN方法的优越性和有效性.

    无监督学习显著性掩码权重估计概率红外与可见光图像融合

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于MCC的后端优化方法及其在ORB-SLAM2中的应用

    王婷程兰续欣莹阎高伟...
    361-367页
    查看更多>>摘要：自主定位和环境感知是机器人实现复杂任务的前提,视觉同时定位与建图(VSLAM)技术是有效解决方案.VSLAM中,传感器误差和环境噪声等影响定位和建图精度,造成累计误差.后端优化是VSLAM中消除累计误差的关键环节,现有后端优化算法通常以高斯噪声为前提,属于MSE标准下的后端算法.然而,由于图像的非凸特性和真实场景中产生的非高斯噪声,高斯噪声假设并不总成立,导致现有算法在真实场景中运行时性能下降.鉴于此,利用最大互相关熵(MCC)标准在处理非高斯噪声方面的优势,提出了一种基于MCC标准的后端优化方法,并将所提出方法应用于ORB-SLAM2框架,以测试所提出的方法在定位和建图精度方面的性能.最后,在EuRoC和KITTI公开数据集上进行实验,结果表明,无论是室内还是室外,所提方法在大部分序列中性能优于原ORB-SLAM2中基于Huber的后端优化算法以及基于Cauchy的后端优化算法.

    VSLAM后端优化最大互相关熵准则非高斯噪声

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于集成学习的MRI脑肿瘤智能诊断

    李鑫蕊张艳芳康晓东李博...
    368-374页
    查看更多>>摘要：脑肿瘤是由于颅脑内部组织出现癌变而导致的高危害疾病,及时诊断脑肿瘤对其治疗及预后至关重要.现阶段不同的网络模型有不同的分类效果,单一的网络模型很难在多个评价指标上有突出的表现.文中基于集成学习提出了一种分类功能强大的 Treer-Net 模型,它是以 TransFG,ResNet50,EfficientNet B4,EfficientNet B7 和 ResNeXt101 为基础模型,通过集成学习的加权平均的结合策略得到的模型.文中将其在脑肿瘤MRI二分类、三分类和四分类的公开数据集上训练完成分类任务.实验数据和结果表明,Treer-Net模型在脑肿瘤三分类数据集上的准确率、精确率、召回率和AUC分别高达99.15％,99.16％,99.15％和99.87％,通过对比分析,充分验证了所提的集成学习方法具有精准、快捷的优越性,更适用于临床辅助诊断脑肿瘤.

    肿瘤集成学习图像分类核磁影像

      原文链接:
    • NETL
    • NSTL
    • 万方数据