1 上海工程技术大学 机械与汽车工程学院，上海 201620
2 上海司南卫星导航技术股份有限公司，上海 201801
3 国网思极位置服务有限公司，北京 102211
针对传统目测法检测贴片二极管表面缺陷效率低下和基于手工特征的目标检测算法模型较浅，以及语义性不高等问题，提出了改进YOLO-V4的贴片二极管表面缺陷检测方法。首先考虑到随着网络加深使梯度消失，以及减少网络中的特征冗余和参数量的情况，CSP1模块采用DenseNet替换原网络中的ResNet；其次，为了实现特征信息的跨维度交互，让网络更加关注重要信息，在CSP1模块后引入了三分支注意力机制模块，同时使用FPN+PANet对特征进行融合；并且用CSP2替换CBL×5模块，降低了网络的运算量，提高了算法检测速度；最后优化了Focal Loss函数，对正负样本添加权重，以解决正负样本不平衡的问题。本文算法相较于YOLO-V4的检测精度（precision，P）、召回率（recall，R）和多分类平均精度（mean average precision，mAP），分别高出2.98%，2.65%，2.92%，表明改进YOLO-V4可以有效检测贴片二极管表面缺陷问题。
YOLO-V4算法 DenseNet CSP2 三分支注意力机制 Focal Loss函数 YOLO-V4 algorithm DenseNet CSP2 three-branch attention mechanism Focal Loss function
贵州大学大数据与信息工程学院，贵州 贵阳 550025
为了更好地保护和利用海洋鱼类资源，需要对海洋鱼类进行有效监测，但海洋环境复杂，导致海洋鱼类的识别检测普遍存在检测精度不佳等问题。针对上述问题，本文提出一种基于RetinaNet改进的海洋鱼类检测算法。首先，用DenseNet-121替换RetinaNet原有的主干网络，减少参数量的同时保留了更多的鱼类图像特征。然后，在主干网络中引入卷积注意力模块，引导神经网络更有针对性地提取图像特征。其次，在原有的FPN网络中引入新的卷积层，使得改进后的PFPN网络能够融合更多尺度的图像特征。最后，在分类和回归网络中引入soft-NMS，有效改善了相同类别的鱼距离过近和相互遮挡造成的漏检问题。实验表明，提出算法的平均精度（mAP）达到92.12%，相比SSD等算法的检测效果有明显提高，相比原算法的mAP提升了4.71%，对于海洋鱼类具有较好的检测效果。
图像处理 鱼类检测 RetinaNet DenseNet-121 卷积注意力模块 soft-NMS 激光与光电子学进展
2023, 60(10): 1010014
为了减少高光谱图像的训练样本, 同时得到更好的分类结果, 本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先, 两支路分别使用 3D和 2D卷积对子图像的空间信息和光谱信息进行初步提取, 然后经过由批归一化、Mish函数和 3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在 Indian Pines、University of Pavia、Salinas Valley和 Kennedy Space Center数据集上进行了测试, 并与 6种现有方法进行了对比。结果表明, 在 Indian Pines数据集的训练集比例为 3%, 其他数据集的训练集比例为 0.5%的条件下, 算法的总体分类精度分别为 95.75%、96.75%、95.63%和 98.01%, 总体性能优于比较的方法。
高光谱图像分类 光谱变换器 空间变换器 密集连接网络 双支路深度网络模型 hyperspectral image classification spectral transformer module, spatial transformer m DenseNet two branch deep network model
河海大学物联网工程学院, 江苏 常州 213022
太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用, 传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题, 大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性, 提出基于改进DenseNet网络模型的缺陷检测方法, 选取DenseNet基础网络模型, 在模型中加入L2正则化, 并调整Batch Normalization层以解决过拟合问题; 将激活函数ReLU函数替换为SELU函数, 更好地缓解了梯度消失问题, 加强了网络的鲁棒性。实验结果表明, 训练集准确率到达93%, 测试集准确率达到87%, 能有效地检测并区分出电池板不同程度的损伤。
太阳能电池板 缺陷检测 DenseNet网络 L2正则化 批标准归一化 solar panels defect detection DenseNet network L2 regularization batch normalization
1 北方民族大学 计算机科学与工程学院，银川宁夏75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，银川宁夏75001
3 宁夏智能信息与大数据处理重点实验室，银川宁夏750021
4 宁夏医科大学 理学院，银川宁夏75000
5 宁夏医科大学总医院骨科，银川宁夏7004
针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题，本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤（Multi Scale DenseNet-NSCR）的识别方法。第一，使用迁移学习将预训练密集神经网络模型初始化参数；第二，将肺部图像预处理，提取多尺度病灶ROI区域；第三，采用多尺度CT图像训练密集神经网络，提取全连接层的特征向量；第四，针对融合特征维度较高问题，采用非负稀疏协同表示分类器（NSCR）对特征向量进行表示，求解系数矩阵；第五，利用残差相似度进行分类。最后，采用AlexNet，DenseNetNet-201模型及三种分类算法（SVM、SRC、NSCR）两两组合模型进行对比试验，实验结果表明，Multiscale-DenseNet-NSCR分类效果优于其它模型，且特异性和灵敏度等各项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。
密集神经网络 多尺度医学图像 迁移学习 NSCR算法 DenseNet multi-scale medical image transfer learning non-negative， sparse， collaborative representation classifier
华中光电技术研究所-武汉光电国家研究中心, 湖北 武汉 430223
在计算机视觉领域, 深度学习一直有着良好的表现。基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力。针对红外图像场景多变, 尺度变化范围大, 可用特征不足等问题, 提出了一种Dende-Yolov5的网络结构, 该网络融合了DenseNet网络和Yolov5的特点, 基于充分利用feature, 保护目标边缘的思想, 将Yolov5s中的Resunit模块替换成了自定义的密集连接型Denseblock模块, 并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验。改进后的Dense-Yolov5网络对各目标检测的召回率, 精度, mAP值均有提升, mAP提高了1.92%, 召回率提高了1.59%, 精度提高了0.99%。检测结果表明, 该网络对于红外目标, 尤其是特征不明显的小目标的识别效果更好, 对于未来**领域的红外目标识别、跟踪具有参考价值。
红外图像 深度学习 目标检测 密集连接网络 infrared image deep learning target detection densenet
1 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
2 重庆大学工业CT无损检测教育部工程研究中心, 重庆 400044
针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时将密集型残差学习网络模型引入到该网络生成器中,利用残差网络的特征复用性来恢复图像细节,使生成器输出图像更接近目标图像。实验研究表明,本文算法提升了去噪效果,并准确地恢复了图像细节及边缘结构,修复后的图像质量显著提升,有助于病灶的检测与分析。
图像处理 低剂量CT 循环一致性生成对抗网络 密集型残差学习网络 图像去噪 光学学报
2020, 40(22): 2210002
江西理工大学电气工程与自动化学院, 江西 赣州 341000
针对皮肤病变图像分割问题,提出了一种基于多尺度密集块网络(DenseNet)的皮肤病变图像分割算法。首先依次采用形态学闭操作和非锐化滤波器对原始皮肤病变图像进行预处理,得到不含皮肤毛发和血管伪影的细化图像。然后将预处理后的图像输入到分割网络中。该网络基于编码-解码(Encoder-Decoder)架构,运用并行多分支结构和金字塔池化模型两种多尺度特征融合方法,可实现不同感受野下的特征提取。同时,将DenseNet结构融合到编码器中,实现图像特征的复用,利用目标损失与内容损失相结合的LTotal损失函数,进一步提升了图像分割的精度。最后,通过SoftMax分类器得到分割结果并计算相关评估指数。ISBI 2016皮肤病变图像数据集上的实验结果显示,所提算法的逐像素分割精度为95.48%,Dice系数为96.37%,Jaccard指数为93.41%,灵敏度为92.93%,特异性为96.49%,总体性能优于现有算法。所提算法可精确分割皮肤病变区域,能够应用于黑色素瘤计算机辅助诊断系统。
图像处理 图像分割 多尺度特征 深度学习 密集块网络 金字塔池化模型 激光与光电子学进展
2020, 57(18): 181020
长春理工大学 电子信息工程学院, 吉林 长春 130022
为了解决视频图像中目标检测准确率低、速度慢等问题, 本文提出了一种基于YOLOV3改进的目标检测方法。通过引入GIOU Loss, 可解决原IOU无法直接优化的非重叠部分问题, 在借鉴了密集连接网络的思想之后, 将YOLOV3中的3个残差块更换为3个密集块, 并结合Max Pooling加强密集连接块之间的特征传递, 重新替换IOU和原网络的连接结构, 检测设计出新的网络结构后, 减少了参数量, 增强了特征的复用与融合, 最终实现了优于原方法的效果。实验结果表明: 改进的GDT-YOLOV3算法与原有的算法相比, 无论是在简单还是复杂交通场景中都有较优秀的检测效果, 本文所提出的算法平均检出准确率高达92.77% , 速度达到25.3 f/s, 基本满足了实时性。此外在检测精度上, 改进的GDT-YOLOV3算法要优于SSD512、YOLOV2与YOLOV3算法。
目标检测 卷积神经网络 密集连接网络 target detection convolutional neural network YOLOV3 YOLOV3 densenet K-means K-means
南京工业大学 计算机科学与技术学院, 江苏 南京 211816
图像风格迁移是用风格图像对指定图像的内容进行重映射, 利用GAN自动进行图像风格迁移, 可减少工作量, 且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制, 提高风格迁移效率, 本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移, 用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet, 用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升, 取消了网络对成对样本的限制, 提高了风格迁移生成图像的质量。同时进一步提高了稳定性, 加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移, 实验结果表明, 生成图像的PSNR值平均提高了6.27%, SSIM值均提高了约10%。因此, 本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。
图像风格迁移 循环一致性对抗网络 密集连接卷积网络 深度残差网络 image style transfer CycleGAN DenseNet ResNet
