基于注意力机制的圆锥角膜分类辅助诊断研究

圆锥角膜是一种眼部疾病,较早发现并诊断圆锥角膜可控制病情,避免角膜移植,也可以为准分子激光手术进行圆锥角膜排查。然而,目前圆锥角膜的早期诊断较为困难,一种可靠的计算机辅助筛查圆锥角膜诊断方法需求迫切。基于此,首次把引入注意力机制(convolutional block attention module,CBAM)的残差网络(residual neural network,ResNet)模型（CBAM＿ResNet50）应用在圆锥角膜辅助诊断中,通过对角膜地形图的原始数据集进行预处理,用其训练CBAM＿ResNet50网络,并和未引入注意力机制的ResNet50网络模型进行对比。使用CBAM＿ResNet50网络模型准确率达到了98%,比未引入注意力机制ResNet50网络模型准确率提升了3%。CBAM＿ResNet50可以较为准确地对圆锥角膜进行分类,能有效辅助医生诊断圆锥角膜。     

基于CBAM的深度序数回归方法

本文针对单目深度估计模型深度序数回归算法中全图像编码器易丢失较大像素值像素特征信息和位置信息的缺点,提出一种基于CBAM的深度序数回归方法.首先,将CBAM嵌入到深度序数回归算法中作为全图像编码器,依次采用通道注意力机制和空间注意力机制来捕获图像完整的特征信息和位置信息,通过获得的注意力图重新调整原始特征;其次,对像素的深度值进行离散,将深度估计重新转化为序数回归问题;最后,使用回归损失函数对网络进行训练.实验结果表明,相比于其他有监督学习、半监督学习和无监督学习的方法,该方法在KITTI数据集上取得更好的效果.     

结合偏移自注意力机制和残差连接的点云分类北大核心CSCD

现有基于深度学习的点云分类网络通常无法有效利用点云特征间的相关信息,并且存在鲁棒较低的问题。为了提高点云分类网络对有效特征的提取能力,增强模型鲁棒性,本文提出了一种结合偏移自注意力机制和残差连接的点云分类网络。首先在PointCNN基础上引入偏移自注意力模块,更好地关注于有效特征;然后引入残差网络的思想,在注意力层增加残差连接,将残差连接和注意力层的输出特征进行融合形成点云特征;最后使用多层感知机对点云特征进行分类。将本文模型与PointNet、PointCNN、DGCNN等其他点云分类模型在ModelNet40数据集上进行对比实验,结果表明本文网络的分类效果更好,获得了最高的分类准确率92.9%,相比于PointCNN提升了0.7%。在鲁棒性实验中,本文网络相比于PointCNN,在稀疏点云上的总体分类准确率提升了2.4%,在噪声点云上提升了11.6%,表明本文网络具有更好的鲁棒性。     

基于深监督跨尺度注意力网络的深度图像超分辨率重建

消费级深度相机拍摄的深度图像具有分辨率较低的问题，深度图像超分辨率重建是解决该问题的有效方法 .为了提高重建性能，提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大，在损失函数中对每一级的输出都进行约束，实现深监督的目的 .采用高阶跨尺度注意力模块，将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来，实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素，以提高网络对复杂非线性关系的学习能力.实验结果表明，本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.     

基于MDRA-net的肺结节良恶性分类方法

CT图像肺结节大小、形状和纹理的多样性，导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上，提出了一种基于多深度残差注意力机制的网络（MDRA-net），用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法，提升了网络对结节位置特征及全局特征的感知能力；此外，结合注意力机制，引入projection and excitation模块，利用空间和通道信息进行校准，进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明，MDRA-net分类模型的肺结节检测准确率达96.52%，灵敏度和特异性分别为93.01%和97.77%，较现有的基于深度学习的肺结节良恶性分类模型有较大提升。     

基于深度可分离卷积和残差注意力模块的车道线检测方法

针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题,提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法,建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸,设计三种不同结构的瓶颈残差单元降低网络参数数量,引入ECANet注意力机制增加重要特征通道权重,提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明：在晴天场景下,LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计;在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究,车道线检测精度达到93.86%,证明了方法的有效性。     

基于U-net的铸体岩石薄片图像孔隙自动提取

使用岩石铸体薄片图像对岩石孔隙特征进行分析已经成为国内外石油地质部门常用方法之一,自动精确地分割铸体岩石薄片中的孔隙区域是定量计算孔隙参数的前提.目前传统RGB阈值分割方法精度不高,需要大量人工交互,而一些主流图像分割的深度学习网络泛化性能差,难以运用到实际中.针对这些问题,本文在U-net网络的基础上,提出了一种融合注意力机制和循环残差网络的模型.引入循环残差模块扩展网络深度,又融合了注意力机制模块,增加特征信息的学习权重.采用油田实验室常见的多种铸体薄片进行了实验,均取得了较好的分割结果,验证了本文方法的有效性和泛化性.     

基于局部注意力和位姿迭代优化的自监督单目深度估计算法

自监督单目深度估计在自动驾驶、智能制造等领域有着广泛的应用。然而由于自监督训练存在大量训练噪声,其估计精度受到了极大限制。针对自监督单目深度估计算法中深度估计精度有限的问题,本文提出了一种基于局部注意力机制和迭代调优的自监督单目深度估计框架。首先,对于深度估计网络,基于局部像素间深度值的高度相关性,本文设计了一种局部注意力机制来融合高分辨率特征图的局部特征,提升深度估计的准确性;其次,对于位姿估计网络,本文设计了一种迭代调优的位姿估计结构,利用残差优化的方式降低位姿估计难度,提升位姿估计的准确性进而提升深度估计网络的性能。实验表明,本文提出的改进自监督单目深度估计算法有效提升了深度估计的精度。      

基于MobileNetV2的干电池底盖缺陷检测研究

干电池是用于小型电子产品的电源,在移动电源市场上有一定的市场份额,具有一定的经济价值。然而,在干电池的生产中,底盖缺陷问题很常见,而且用肉眼进行人工分拣效率较低。为了快速准确地分拣底盖缺陷产品,采集了1568张干电池底盖图像,共分为4种类别,并将其随机划分为训练集、验证集和测试集,比例分别为70%、10%和20%。通过将CBAM注意力机制嵌入MobileNetV2网络模型的倒残差结构中,成功构建了CBAM＿MobileNetV2模型。实验结果表明,CBAM＿MobileNetV2模型的准确率达到了95.78%,相较于MobileNetV2提高了1.19%,优化效果较为明显。     

多尺度特征融合U-Net的遥感影像黑臭水体智能检测

研究采用卫星遥感技术获取高分辨率遥感影像水体样本数据集,基于深度卷积神经网络从高分辨遥感影像中提取水体并进行黑臭水体智能监测,提出了一种改进U-Net的黑臭水体检测网络模型(IWDNet)。基于U-Net结构引入跳跃式多尺度特征融合,结合通道注意力机制、卷积注意力模块、通道与空间注意力机制生成不同多尺度特征融合注意力机制(MFFAM)模块进行对比,并引入空洞卷积扩大网络感受野,最终实现黑臭水体的识别检测。实验证明：基于跳跃式多尺度融合与CBAM注意力机制的黑臭水体检测网络(MFFCBAM-IWNet)模型有效提升了识别精度,在高分辨遥感影像水体样本数据集上表现最佳,总体精度达98.56%,Kappa系数达0.978 4。