实验内容如下： 进行二维卷积实验，选做空洞卷积和残差卷积实验； 熟练的掌握卷积神经网络的基本操作； 卷积神经网络的组织架构； 卷积神经网络各参数对其有哪些影响； 空洞卷积和残差卷积的基本原理； 手动和PyTorch.nn两种方式实现卷积神经网络的编程； 压缩包包含内容： torch.nn实现二维卷积车辆分类实验 不同超参数对比 残差卷积实验 空洞卷积实验 前馈神经网络实现车辆分类实验 手动二维卷积实现车辆分类 实验设计说明书。

自然场景下的文本检测任务是图像处理领域中的难点之一. EAST (Efficient and Accurate Scene Text detector)算法是近年来比较出色的文本检测算法, 但是增加后置处理之后的AdvancedEAST算法仍存在由于激活像素的头尾边界丢失导致的漏检情况, 对密集文本的检测效果也不是很理想. 因此提出了Dilated-Corner Attention EAST (DCA_EAST)改进算法, 对网络结构加入空洞卷积模块以及角点注意力模块, 改善了漏检情况. 针对损失函数, 加入类别权重因子和样本难度权重因子, 有效提升了密集文本的检测效果. 实验结果表明, 该算法在ICDAR2019的ReCTS数据集上准确率为93.02%, 召回率为76.69%, F-measured值为84.07%, 优于AdvancedEAST算法.

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

遥感影像分类是模式识别技术在遥感领域的具体应用,针对普通卷积神经网络处理遥感图像分类遇到的边缘分类不准确、分类精度低等问题,提出了一种基于编码解码器的空洞卷积模型(DeepLab-v3+)的遥感图像分类方法。首先标注卫星图像数据;再利用标注数据集对DeepLab-v3+模型进行训练,该模型能够提取遥感图像中具有较强稳健性的边缘特征;最后获得遥感影像地物分类结果。在遥感数据集上进行分析可知,所提方法比其他分类方法具有更高的分类精度,更稳健的边缘特征,以及更优的分类效果。

通过 CNN 等基于深度特征的人脸自发式微表情识别分类方法逐渐完善，相比于传统的特征提取方法更易满足应用实时性，针对微表情持续时间短、动作幅度细微，在多卷积层叠加会丢失图像中的细微信息的问题，为了完善细节信息，充分提取微表情细微特征，提出结合空洞卷积核及人脸自动校正算法，完善 CNN 网络特征提取过程，通过自动人脸矫正适应实际应用中的实时识别分类，在 CASME 及 CASMEⅡ微表情公开数据集上完成模型训练及测试，通过损失函数方案对比提高模型鲁棒性，CASME 中准确率为 70.16%，CASMEⅡ中准确率为 72.26%；实时识别帧率在 60fps。该方法能有效地提高微表情识别准确率，满足实时性要求，且具有较好的鲁棒性和泛化能力。

实验环境：tensorflow版本1.2.0，python2.7 介绍 关于空洞卷积的理论可以查看以下链接，这里我们不详细讲理论： 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]. Computer Vision and Pattern Recognition, 2015. 2.Yu, Fisher, and Vladlen Koltun. “Multi-scale context aggregation by dilated convoluti

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。

论文《Dilated Residual Networks》的pytorch源码，python3环境。

深度学习之空洞卷积原始出处论文，介绍了空洞卷积实现方法以及实现意义。