传统方法启发的深度神经网络用于边缘检测
通过将边缘检测器作为层核心并设计一个二进制边缘特征分支(BEFB)来学习二进制边缘特征,结合纹理特征并将其与主干网络结合,以增强深度卷积神经网络(DCNN)的鲁棒性。实验证明,采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性,并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强 DCNN 的鲁棒性。
Feb, 2024
本文提出了一种基于深度学习的边缘检测器,结合了 HED 和 Xception 网络,生成适合人眼观察的细线条地图,无需先前的训练或微调。其次,作者还制作了一个大型数据集,用于对比已有的算法和训练提出的边缘检测器,实验结果表明,该方法能够提高 ODS 和 OIS 的 F - 度量值。
Sep, 2019
最近在图像数据处理方面的研究进展表明,通过机器学习,尤其是深度神经网络(DNNs)的使用,可以通过数据驱动的人工智能为辐射探测器和成像设备提供新的优化和性能增强方案。我们概述了光子源的数据生成、基于深度学习的图像处理方法以及深度学习加速的硬件解决方案。目前大多数现有的深度学习方法是离线训练的,通常需要大量的计算资源。然而,一旦训练完成,DNNs 可以实现快速推理速度,并且可以部署到边缘设备上。边缘计算是一种新趋势,它具有较低的能量消耗(数百瓦或更少)和实时分析能力。虽然以往通常用于边缘计算的基于电子的硬件加速器(从中央处理器(CPU)到应用特定集成电路(ASICs)的通用目的处理器)正不断接近性能极限,在延迟、能量消耗和其他物理约束方面存在限制。这些限制催生了下一代模拟神经形态硬件平台,如光学神经网络(ONNs),用于高并行、低延迟和低能量计算,以提高深度学习加速。
Nov, 2023
本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素,通过一种新的优化架构,使用自上而下的反向优化路径对特征图进行逐步加精,本研究获得了比人类更准确的性能表现,在计算机视觉中的多个重要应用中取得了较好效果,尤其是在语义分割这一应用领域表现突出。
Jan, 2018
使用深度学习模型,通过全卷积神经网络和深度监督网络技术实现图像到图像的预测,提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED),在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).
Apr, 2015
自动检测 X 射线图像中的违禁物品可以显著增加公共安全,提高机场、地铁、海关 / 邮局等地的安全人员的工作效率,并减轻其心理负担。研究表明,变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。
Oct, 2023
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
该研究提出基于边缘增强的密集连接卷积神经网络(EDCNN)用于低剂量 CT 图像去噪,并引入混合损失函数以增强模型去噪效果,取得了较好的效果。
Oct, 2020
通过结合语义分割和语义感知边缘检测,将类边界显式地融入模型,有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题,从而显著地提高了基于卷积神经网络的语义分割准确度,该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。
Dec, 2016