根据蓝印花布纹样的风格特征,文章提出一种端到端的蓝印花布纹样自动生成方法,实现简笔画图像向蓝印花布单纹样的自动迁移。针对蓝印花布的抽象风格和小数据集问题,重新构造CycleGAN生成网络中的编码器和解码器,使用SE(squeeze and exci...根据蓝印花布纹样的风格特征,文章提出一种端到端的蓝印花布纹样自动生成方法,实现简笔画图像向蓝印花布单纹样的自动迁移。针对蓝印花布的抽象风格和小数据集问题,重新构造CycleGAN生成网络中的编码器和解码器,使用SE(squeeze and excitation)注意力模块和残差模块与原始的卷积模块串联,提高特征提取能力和网络学习能力。同时减少生成网络中转换器的残差块层数,降低过拟合。实验结果表明,基于SE注意力CycleGAN网络方法自动生成的蓝印花布新纹样主观性上更贴合原始风格,与原图更加接近,有助于蓝印花布的数字化传承和创新。展开更多
心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方...心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法,该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征,经过特征融合后输入卷积神经网络训练分类模型,并采用Focal Loss作为网路的损失函数,实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果,实验结果表明,与现有的分类算法相比,本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.展开更多
针对基于成本体积金字塔的多视图立体网络在初始构建成本体积时存在深度预测误差大的问题,提出了一种利用注意力权重特征图补充三维卷积的方法。该方法引入注意力机制关注感受野空间特征,计算源视角图像特征金字塔的注意力权重,将其加...针对基于成本体积金字塔的多视图立体网络在初始构建成本体积时存在深度预测误差大的问题,提出了一种利用注意力权重特征图补充三维卷积的方法。该方法引入注意力机制关注感受野空间特征,计算源视角图像特征金字塔的注意力权重,将其加权到原始特征图中,同时设计引导成本体积激励模块,通过特征图丰富三维卷积。在DTU(Danish Test of Urban Competencies)基准数据集上的结果显示,该方法表现很好,准确度达到了0.291,相较于CVPMVSNET(Cost Volume Pyramid Based Depth Inference for Multi-View Stereo),整体精度提高了6.55%,表明该模型的改进有效。展开更多
文摘根据蓝印花布纹样的风格特征,文章提出一种端到端的蓝印花布纹样自动生成方法,实现简笔画图像向蓝印花布单纹样的自动迁移。针对蓝印花布的抽象风格和小数据集问题,重新构造CycleGAN生成网络中的编码器和解码器,使用SE(squeeze and excitation)注意力模块和残差模块与原始的卷积模块串联,提高特征提取能力和网络学习能力。同时减少生成网络中转换器的残差块层数,降低过拟合。实验结果表明,基于SE注意力CycleGAN网络方法自动生成的蓝印花布新纹样主观性上更贴合原始风格,与原图更加接近,有助于蓝印花布的数字化传承和创新。
文摘心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法,该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征,经过特征融合后输入卷积神经网络训练分类模型,并采用Focal Loss作为网路的损失函数,实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果,实验结果表明,与现有的分类算法相比,本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.
文摘针对基于成本体积金字塔的多视图立体网络在初始构建成本体积时存在深度预测误差大的问题,提出了一种利用注意力权重特征图补充三维卷积的方法。该方法引入注意力机制关注感受野空间特征,计算源视角图像特征金字塔的注意力权重,将其加权到原始特征图中,同时设计引导成本体积激励模块,通过特征图丰富三维卷积。在DTU(Danish Test of Urban Competencies)基准数据集上的结果显示,该方法表现很好,准确度达到了0.291,相较于CVPMVSNET(Cost Volume Pyramid Based Depth Inference for Multi-View Stereo),整体精度提高了6.55%,表明该模型的改进有效。
