利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声,传统的方法不能很好地对SAR图像进行分类,本文将反映图像纹理的动态和静态信息特征相结合,提出了一种新的SAR图像分类方法。实验结果证明该方法可以得到较好的分类结果。     

基于点云辐射场的新视角图像生成网络

新视角图像生成是指使用同一场景、多个位置和角度拍摄的一组图像，生成新颖视角位置处的场景图像，在真实拍摄的城市建筑场景图像中存在移动的瞬态对象，对静态建筑造成遮挡，导致生成的新视角图像模糊、存在伪影甚至建筑物生成错误。针对于此，本文提出了一种基于点云辐射场的新视角图像生成方法。首先，通过瞬态对象过滤模块得到静态建筑图像；然后，分别经过2D CNN和3D CNN网络获取图像特征和图像点云信息，二者结合构建神经点云；最后，输入多层感知机网络获取场景采样点位置的体积密度和颜色信息，并指导体渲染模块生成新视角位置的图像。在Photo Tourism数据集与最新的几种方法进行比较，实验结果和可视化结果表明，所提方法在数据集上有较好的效果表现，有效地解决了生成图像中存在伪影和建筑物生成错误的问题。     

一种基于深度学习多分类模型的肺部细胞病理涂片鉴别诊断方法

目的 采用快速在线细胞病理学评估方法进行肺癌中晚期患者的病理评估，是目前常用诊断方法，但存在人工诊断准确率低和细胞病理医生人数不足等问题。本文提出一种基于深度学习的细胞病理涂片多分类方法，以求实现六类常见肺部细胞病理涂片的鉴别诊断。方法 本文提出了一种基于CBAM注意力机制增强的ResNet-18网络，以及一种由粗到细的多分类框架，并对深度学习分类方法的特征激活图进行了分析。结果 本文共收集了313张肺部Diff-quick染色的细胞病理涂片，其中259张用于训练，54张用于测试。本文所提出方法在正常肺组织、小细胞癌、非小细胞癌、鳞癌、腺癌和类癌共计6种细胞的分类鉴别中取得了准确率为70.4%、精确率为81.5%,召回率为78.2%和F1评分为78.9%的结果。在与金标准的相关性对比中，该模型与高年资细胞病理学医生相当，高于低年资细胞病理学医生。结论 本文提出了一种基于深度学习多分类模型的肺部细胞病理涂片鉴别诊断方法，该方法可以协助细胞病理学医生进行肺癌患者的细胞病理涂片诊断，并提高快速在线细胞病理学评估的可行性。