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
利用 PotatoGANs 生成合成土豆病害图像以增强模型泛化能力,并结合三种卷积神经网络架构和三种可解释 AI 算法以提高土豆病害分类的可解释性。
May, 2024
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。
Mar, 2016
本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法,能够在污染数据的情况下识别图像中的异常,并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。
May, 2019
本文研究工业视觉中基于自编码器网络的异常检测问题,通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型,使网络能从有缺陷的图像中重建出干净图像,实现像素级或者图像级的异常检测。
Aug, 2020
我们研究了基于补丁自编码器的颜色图像异常检测方法,通过比较三种基于错误、潜在空间中正常图像分布的支持估计,以及原始图像和重建图像的恢复版本之间的错误的性能,我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。
Jul, 2023
本文探讨使用最新的基于自动编码器的深度生成模型,例如变分自动编码器和对抗性自动编码器,在医学成像中运用于异常检测一项任务。结果表明,深度生成模型在异常检测方面存在挑战,但可以提供给研究人员一个方便的医学成像数据集。
Jun, 2018
利用无监督学习中的基于 Patch 的自编码器,设计出两个用于检测潜在异常信息的检测标准,与两个监督式学习的方法相比较,这两个标准在难度较大的 PD 分类任务上的表现更佳。
Feb, 2023
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
使用卷积神经网络,特别是 Mask R-CNN、AlexNet、VGGs、ResNets 和 ConvAE-Clfs 等模型,并采用迁移学习技术,通过在芒果质量分级中应用预处理技术,训练细节和性能结果等方法提供可解释的洞见,即实 </em> 现对深度学习的深层次解释。
Nov, 2020
本文提出了一种新的分类方法,利用基于注意力的特征提取、基于 RGB 通道的色度分析、支持向量机(SVM)的性能改进以及在信息量化后与移动应用和物联网设备集成的能力,为农民提供精确和快速的信息,从而转变了农民鉴别作物疾病的方式,保护农业产出,确保食品安全。
Nov, 2023