卢鹏
- 作品数：20 被引量：83H指数：5
- 供职机构：上海海洋大学信息学院更多>>
- 发文基金：国家自然科学基金上海市地方高校能力建设项目上海市科学技术委员会资助项目更多>>
- 相关领域：自动化与计算机技术天文地球文化科学理学更多>>
- 基于多尺度卷积特征融合的台风等级分类模型被引量：8
- 2019年
- 为提高卷积神经网络对图像多尺度变化的感知能力,增加网络的尺度不变性,提出一种基于多尺度卷积特征融合的台风等级分类模型。在卷积神经网络中添加多尺度感知层,对卷积特征进行多尺度感知并进行级联。将多尺度正则化项添加到损失函数中,通过反向传播来最小化隐含层权重的残差,优化模型的特征提取能力。最后将多尺度高层语义特征通过Softmax分类层归一化成各图像类别的概率值,取最大概率值为最后图像的分类结果。为有效验证本模型的多尺度感知能力,选用红外卫星台风云图作为数据集,实验结果表明,本模型能有效感知并提取台风云图的局部特征,并在两个通用数据集MNIST和CIFAR-10上验证了本模型的泛化能力。
- 卢鹏邹佩岐邹国良
- 关键词：大气光学多尺度特征
- 基于双重注意力机制的CycleGAN海岸线自动提取方法
- 2022年
- 将遥感图像进行像素级海陆分割是海岸线提取的一项基础性工作。由于海岸线的动态变化,获取精准的海岸线标记数据集比较困难,为此采用Google Aerial photo-Maps配对样本,在对Google Maps进行海陆二值化处理后构建了新的配对数据集。针对新数据集样本较少问题,在循环生成对抗网络(CycleGAN)模型的基础上,提出了基于双重注意力机制的DAM-CycleGAN。新模型全面考虑遥感图像和海陆二值化图像之间的结构相似性,改进了循环一致性损失,并设计通道注意力模块和空间注意力模块来凸显显著性特征和区域,以增强模型在小样本训练下的特征学习能力。在均方误差、平均像素精度和平均交并比(MIoU)三个评价指标上,与全卷积神经网络模型、DeepLab模型在多个规模数据集训练下的实验结果对比,改进模型转换的海陆二值化图像与真值图像更加吻合,MIoU值分别至少提高7%、6%以上,验证了所提方法的有效性和可行性。
- 卢鹏张娜邹国良王振华郑宗生
- 关键词：图像处理遥感小样本
- 无监督图像翻译的个性化手写汉字生成方法被引量：1
- 2022年
- 由于汉字拥有大量的字符,大多数对汉字的研究主要集中在汉字的识别和分类问题上,对于生成汉字的研究较少,尤其是在没有大量配对的汉字数据集的情况下。该模型使用内容和风格样式都不匹配的汉字数据集,将生成个性化手写汉字的过程公式化为一个从现有的标准印刷字体到个性化手写汉字样式映射的问题。在基于无监督学习的图像翻译模型的基础上,利用注意力机制和自适应标准化层来增强个性化汉字生成的内容和风格,并且通过改进损失函数提高了判别器网络的判别能力。在CASIA-HWDB手写汉字数据集和兰亭序书法数据集上进行了实验,通过对比内容准确性和风格差异性的评价指标,验证了该方法的有效性。
- 卢鹏陈金宇邹国良万莹郑宗生王振华
- 关键词：无监督学习
- 基于AlexNet的近岸水生植物光谱分类及特征光谱分析被引量：1
- 2023年
- 水生植物能够净化污染物和抑制藻类生长,在生态系统重建方面具有重要的应用价值。光谱分析作为植物种类识别的一种方法,具有无接触、快速、无污染等特点。受周围水环境的影响,绿色水生植物的光谱特征峰比陆生植物更加难以区分,地面实测光谱数据不仅维度高,且存在大量重叠谱带和背景干扰,特征光谱不明显;同时,通过地面实测获取样本数据较为困难,适用于深度学习的地面光谱数据集较少。针对以上问题,本文提出了一种基于一阶导数法结合AlexNet网络的分类模型。本团队以2019年9—10月上海河道内4种优势种群的近岸挺水水生植物为研究对象,使用地物光谱仪采集4种水生植物叶片部位的光谱信息。实验中,首先使用4种光谱分析法对原始数据进行预处理,比较预处理前后分类模型的准确率,其中一阶导数法结合AlexNet网络的分类模型对4种水生植物的分类精度最高,为99.50%;然后分别选取样本数据的40%、60%和80%作为训练集,验证模型在小样本下的泛化能力;最后利用Grad-CAM算法对模型进行可视化,分析后发现本文模型提取的水生植物的特征光谱与现有研究结果一致。上述研究结果表明,本文模型能够有效提取水生植物的特征光谱,实现对4种水生植物的快速准确分类识别,为高光谱遥感卫星识别此4种水生植物提供了重要参考。
- 郑宗生刘贝卢鹏王振华邹国良赵家惠李云飞
- 关键词：光谱学光谱预处理
- 基于改进SIFT的时间序列图像拼接方法研究被引量：23
- 2020年
- 针对SIFT(Scale Invariant Feature Transform)算法计算复杂度高,运行时间长的问题,提出了一种改进的SIFT算法。通过扩大极值点取值范围,减少极值点数量,提高运算速度;采用12环的圆形窗口代替传统的方形窗口,简化了特征描述符的构造方法,生成78维SIFT特征描述符,进一步提高了算法的运算速度;将BBF(Best Bin First)运用到特征点对之间初次配准的搜索中,并用RANSAC(Random Sample Consensus)算法对特征点配准对进行二次处理,以消除错误配准。将改进的SIFT算法与渐入渐出融合算法相结合,实现对时间序列图像的拼接融合处理。针对拼接融合后的图像,采用局部分块检测的方法评价其效果。实验结果表明,该算法运算速度快,具有较高的鲁棒性,且拼接融合效果好。
- 卢鹏卢奇邹国良王振华侯倩
- 关键词：尺度不变特征变换随机抽样一致性图像拼接
- 基于Seq2Seq和Attention的时序卫星云图台风等级预测被引量：5
- 2020年
- 台风预测可为台风预警预报提供先验信息,辅助相关部门进行科学决策,以减少灾害损失。利用时间序列台风卫星云图,提出一种新的台风等级预测模型SeqTyphoon,将注意力机制和序列到序列引入模型预测未来时刻台风图像,然后利用卷积神经网络对预测的台风图像进行台风等级预测。通过日本气象厅发布的1981—2017年3万多张时序台风卫星云图,构建了训练集、验证集和测试集,分别对应29519、3804、1995张台风图像。针对SeqTyphoon模型,分别进行了台风云图的不同时间间隔、不同预测时长及不同空间分辨率对台风图像预测精度影响的对比实验。实验结果表明,台风云图均为32像素×32像素,时间间隔为6 h比时间间隔为12 h的训练集和验证集的均方根误差分别降低5.41%、5.72%,前者训练集的均方根误差达到0.0922,验证集为0.0954,前者台风等级预测准确率为后者的2倍;台风云图为32像素×32像素,时间间隔为6 h时,预测未来6~48 h的台风图像,训练集和验证集的均方根误差均递增,台风等级预测准确率递减;时间间隔为6 h,图像为64像素×64像素的训练集的均方根误差为0.0896,验证集为0.0911,台风等级预测总体准确率为83.2%。综上,影响台风图像的最主要因素是相邻台风云图的时间间隔,其次是预测时长与空间分辨率大小。
- 郑宗生刘敏胡晨雨傅泽平卢鹏姜晓轶
- 关键词：时间序列
- 改进Shufflenetv2_YOLOv5的轻量级SAR图像舰船目标实时检测被引量：1
- 2023年
- 针对当前SAR图像舰船目标检测实时性不高、准确率较低等问题,提出了一种改进Shufflenetv2_YOLOv5的轻量级目标检测模型。首先对YOLOv5网络的主干网络进行改进,在对比了MobileNetv2、Shufflenetv2两种轻量级网络的效果之后,构建了Shufflenetv2_YOLOv5网络。引入Transformer结构和双重注意力机制模块对Shufflenetv2_YOLOv5网络进行改进,以增强舰船目标的特征表达。使用FReLU替换原YOLOv5的激活函数,进一步提高网络的性能。同时,提出一种新的损失函数,增强舰船目标的定位效果。实验结果表明,本文算法在SSDD数据集上的准确率为80.2%,FPS为193帧/s,在保证精度的情况下,实现了SAR图像舰船目标实时检测。
- 卢鹏曹阳邹国良王振华郑宗生
- 关键词：合成孔径雷达
- 基于误差修正和LSTM的海浪高度预测模型
- 2022年
- 准确可靠的海浪高度预测是海洋工程和沿海工程应用的一项重要任务,如海洋渔业捕捞和近海勘探工程。提出一种基于误差修正和长短期记忆(LSTM)网络的海浪高度预测模型,采用自适应噪声完备集合经验模态(CEEMDAN)分解误差序列,产生误差模态分量,根据斯皮尔曼(Spearman)产生的相关系数划分每个模态分量的权重,利用长短期记忆网络对误差模态分量进行预测,将权重和预测模态分量相结合,融合到未来对应点位的预测值中,提高预测精度。实验结果表明,在均方根误差(RMSE)、拟合优度(R^(2))等评价指标上,与极限学习机(ELM)、融合注意力机制LSTM(A-LSTM)等模型进行比较,CSLM模型的评价指标较好,验证了CSLM模型的有效性和可行性。
- 卢鹏孙肖鹤邹国良王振华郑宗生
- 基于自适应分层阈值判断的神经网络模型压缩被引量：2
- 2022年
- 面对多样化的应用环境,卷积神经网络(CNN)的架构深度不断增加以提升精度,但同时需要大量的计算参数和网络存储。针对CNN卷积层参数冗余和运算效率低的问题,提出一种基于分层阈值的自适应动态剪枝方法。设计自适应分层阈值判断算法,对批归一化层的尺度因子进行聚类分析,自适应地找到每层的分类断点并据此确定最终阈值,利用该阈值修剪正则化后的输入模型,从而避免根据经验人为定义固定阈值,减小模型尺寸和运行时占用的内存。分别采用该方法和LIU等提出的使用固定阈值且全局修剪的方法对VGGNet、ResNet、DenseNet和LeNet模型进行压缩,并在CIFAR、SVHN和MNIST数据集上测试模型性能。实验结果表明,该方法能够在模型精度与剪枝率之间找到最优平衡,剪枝后模型的测试错误率较对比方法降低0.02~1.52个百分点,同时自适应分层阈值判断算法也能避免对比方法在全局修剪时减去整个层的问题。
- 卢鹏万莹邹国良陈金宇郑宗生王振华
- 关键词：图像识别卷积神经网络
- 基于改进SOLO_v2的糖尿病黄斑水肿分割模型
- 2023年
- 糖尿病黄斑水肿(DME)是导致糖尿病患者视力损害的常见原因。光学相干断层扫描技术(OCT)有助于增强对糖尿病视网膜病变的早期检测和预防。目前,OCT图像中的DME区域存在大量散斑噪声及小目标区域,现有的实例分割方法存在漏分割等问题。针对上述问题,本文利用特征金字塔转换器(FPT)改进SOLO_v2模型,提出了一种新的DME分割模型(SOLO-OCT),包括:(1)利用基于双域滤波去噪算法去除图像上存在的大量散斑噪声,提高输入图像质量;(2)引入FPT,提高模型对小目标的识别能力和学习能力;(3)改进非极大值抑制(NMS)算法,缓解对小目标区域的漏分割问题。将SOLO-OCT模型与其他实例分割模型(包括Mask R-CNN、SOLO和SOLO_v2)进行了比较,以评估其对DME区域的分割性能。与Mask R-CNN、SOLO和SOLO_v2模型相比,SOLO-OCT模型对DME区域的分割精度(mAP)提高了3.1%,对小目标DME区域的分割精度(APs)提高了2.2%,而单幅图像的处理时间(Fps)只增加了0.0099 s。本文提出的DME分割模型(SOLO-OCT)可用于大规模糖尿病视网膜病变筛查。
- 郑宗生唐鹏飞王振华卢鹏
- 关键词：糖尿病黄斑水肿非极大值抑制
