ICMLMar, 2016

一种端到端的卷积选择性自编码器方法用于大豆旋毛线虫卵检测

PDF
TL;DR本文提出了一种新颖的选择性自编码器方法，在深度卷积网络的框架内。该方法的核心思想是训练深度卷积自编码器来抑制图像帧中不需要的部分，同时允许所需的部分，从而实现有效的目标检测。该框架的功效在植物科学问题上得到了证明。
selective autoencoderdeep convolutional networksobject detectionnematode infectionsoybean plants
发现论文，激发创造
  • 利用 GrabCut 和生成对抗串行自编码器进行辣椒病害图像重建诊断

    本研究提出了一种基于 Gan 的辣椒疾病自动检测系统，具有高性能的图像评分计算方法，并将三个结果通过一个判别器同时分类，该方法表现比以前的研究更好。

    Jun, 2023

  • 一种轻量级卷积神经网络及自适应解码器用于血吸虫卵检测

    该研究利用轻量级卷积神经网络进行血吸虫病诊断，该模型层次学习关注区域并选择代表性卷积，通过自动定义卷积权重适应各种图像，实验表明该模型性能高于三种常规模型，可适用于实验室常规检测，每秒处理约四张图像。

    Jun, 2023

  • 用于显微原位杂交图像分析和分类的自动编码器优化

    本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

    Apr, 2023

  • 基于稀疏自编码器的组织病理学图像无监督细胞核检测及表示

    本文提出了一种基于稀疏卷积自编码器（CAE）的组织学图像核深度特征提取方法，实现了在组织图像中核的自动检测和编码。CAE 将图像中的核检测和深度特征提取模块以端到端的方式进行预训练，可用于之后的监督学习。实验结果显示，与最先进方法相比，本文方法减小了最大 42% 的误差，并且只需要 5% 的全监督标注成本即可得到可比较的性能。

    Apr, 2017

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

    Jun, 2018

  • 基于粒子群优化的灵活卷积自编码器用于图像分类

    本文提出了一种灵活的卷积自编码器和一种使用粒子群优化的架构发现方法，该方法可以自动搜索最优架构，结果表明，该方法在图像分类方面的表现明显优于同行竞争对手，包括最先进的算法。

    Dec, 2017

  • 利用自编码器方法检测虚假数据注入攻击

    本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

    Mar, 2020

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 采用自编码器进行浮游植物寄生虫检测

    本文介绍了一种基于自编码器的无监督异常检测系统，可应用于检测可能对浮游植物寄生或感染的异常现象，并与基于 Faster R-CNN 的有监督方法进行比较。该无监督方法具有更广泛的适用性，不需要注释的异常数据，并在 9 种浮游植物物种中达到 0.75 的 F1 得分。

    Mar, 2023

  • 使用堆叠自编码器进行特征选择的勒索软件检测

    提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。

    Feb, 2024