检索结果

Select

1. 基于改进DCGAN的数据增强方法

甘岚, 沈鸿飞, 王瑶, 张跃进

计算机应用 2021, 41 (5): 1305-1313. DOI: 10.11772/j.issn.1001-9081.2020071059

摘要（1199）

PDF （1499KB）（1686）

针对小样本数据在深度学习中训练难的问题，为提高DCGAN训练效率，提出了一种改进的DCGAN算法对小样本数据进行增强。首先，使用Wasserstein距离替换原模型中的损失模型；其次，在生成网络和判别网络中加入谱归一化，以得到稳定的网络结构；最后，通过极大似然估计算法和实验估算得到样本的最佳噪声输入维度，从而提高生成样本的多样性。在MNIST、CelebA和Cartoon这三个数据集上的实验结果表明：改进后的DCGAN所生成样本的清晰度以及识别率比改进前均得到了明显提高，其中平均识别率在这几个数据集上分别提高了8.1%、16.4%和16.7%，几种清晰度评价指标在各数据集上均有不同程度的提高。可见该方法能够有效地实现小样本数据增强。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法

甘岚, 郭子涵, 王瑶

计算机应用 2019, 39 (10): 2923-2929. DOI: 10.11772/j.issn.1001-9081.2019040709

摘要（349）

PDF （1200KB）（327）

使用AlexNet实现胃肿瘤细胞图像分类时，存在数据集过小和模型收敛速度慢、识别率低的问题。针对上述问题，提出基于径向变换（RT）的数据增强（DA）和改进AlexNet的方法。将原始数据集划分为测试集和训练集，测试集采用剪裁方式增加数据，训练集首先采用剪裁、旋转、翻转和亮度变换得到增强图片集；然后选取其中一部分进行RT处理达到增强效果。此外，采用替换激活函数和归一化层的方式提高AlexNet的收敛速度并提高其泛化性能。实验结果表明，所提方法能以较快的收敛速度和较高的识别准确率实现胃肿瘤细胞图像的识别，在测试集中最高准确率为99.50%，平均准确率为96.69%，癌变、正常和增生三个类别的F1值分别为0.980、0.954和0.958，表明该方法较好地实现了胃肿瘤细胞图像的识别。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别

甘岚, 张永焕

计算机应用 2016, 36 (10): 2895-2899. DOI: 10.11772/j.issn.1001-9081.2016.10.2895

摘要（481）

PDF （928KB）（505）

针对胃黏膜肿瘤细胞图像的高维性及复杂性的特点，为了提高稀疏表示图像识别的鲁棒性，提出了一种基于字典学习的正则化鲁棒稀疏表示（RRC）肿瘤细胞图像识别方法。该方法首先将所有的原始染色肿瘤细胞图像转化为灰度图像；然后利用具有Fisher判别约束的字典学习（FDDL）方法对肿瘤细胞图像训练样本的全局特征进行字典学习，得到具有类别标签的结构化字典；最后将具有判别性的新字典用于RRC模型进行分类识别。RRC模型是基于最大后验概率准则，将稀疏保真度表示为余项的最大后验概率函数，最终识别问题转化为求解正则化加权范数的优化逼近问题。将提出的识别方法应用于肿瘤细胞图像的最高识别率为92.4%，表明该方法能够有效地实现肿瘤细胞图像的分类。

参考文献 | 相关文章 | 多维度评价

Select

4. 嵌入式下松弛迭代细胞分割算法的改进与应用

甘岚林华清

计算机应用 2013, 33 (09): 2690-2693. DOI: 10.11772/j.issn.1001-9081.2013.09.2690

摘要（821）

PDF （686KB）（459）

概率松弛迭代分割算法应用在细胞分割上,能够有效克服由于细胞结构复杂、粘连现象严重而造成一般分割算法分割困难的问题。针对该算法计算复杂与嵌入式Linux环境下资源紧张的问题,改进了松弛迭代细胞分割算法,并将其应用到嵌入式环境下基于Qt与OpenCV构建的细胞分割系统中。实验结果表明,改进后的算法能有效解决细胞分割困难的问题,分割结果能够让肉眼清晰分辨出细胞核、细胞质与腺体的区别。改进后的松弛迭代分割算法相比原算法提高了处理速度,并能够移植到嵌入式设备中便于携带协助诊疗。