基于多尺度空洞残差的U-Net模型用于乳腺肿块分割

乳腺肿块是乳腺癌常见征象,实现乳腺肿块的自动分割可极大减轻医生工作负担,有利于乳腺癌的早诊断早治疗。为进一步提升分割性能,提出了一种基于多尺度空洞卷积残差的网络模型。在U-Net经典结构基础上,将多尺度空洞卷积特征提取模块嵌入到残差模块,并通过添加批量归一化层、引入乘以权重的二元交叉熵损失函数的方式,在保证空间信息的前提下,增大感知范围,增强模型对乳腺肿块区域特征的提取能力。提出的分割模型在CBIS-DDSM数据库上进行验证,得到的Dice系数为82.93%,灵敏度为84.72%,较U-Net模型分别提高了0.75%、1.36%。     

融合多尺度Transformer的皮肤病变分割算法

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域;然后利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强空间信息和语义信息间的依赖关系,通道注意力模块能够有效识别特征丰富的通道,提高算法分割精度;最后引入扩展模块恢复图像大小以匹配实际需求。将该算法在ISBI2016、ISBI2017和ISIC2018三个公共数据集上进行实验测试,其像素精度分别为96.70%、94.50%和95.39%,平均交并比分别为91.69%、85.74%和89.29%,算法测试整体性能优于现有算法。仿真实验证明,多尺度Transformer编解码网络能够有效地分割皮肤病变图像。     

基于多重多尺度融合注意力网络的建筑物提取

针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络（MMFA-Net）的高分辨率遥感影像建筑物提取方法. 该方法以U-Net为主体架构,设计2个模块：多重高效通道注意力（MECA）和多尺度特征融合注意力（MFA）. MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失. MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题. MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率. 将模型在WHU、Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F₁分数和IoU分别达到93.33%、87.50%;85.38%、74.49%和88.46%、79.31%.     

基于残差注意力机制的图像去雾算法

传统基于先验知识与基于学习的图像去雾算法依赖大气散射模型,容易出现颜色失真和去雾不彻底的现象。针对上述问题,提出一种端到端的基于残差注意力机制的图像去雾算法,该算法网络包括编码、多尺度特征提取、特征融合和解码4个模块。编码模块将输入的雾图编码为特征图像,便于后续特征提取并减少内存占用;多尺度特征提取模块包括残差平滑空洞卷积模块、残差块和高效通道注意力机制,能够扩大感受野并通过加权筛选提取的不同尺度特征以便融合;特征融合模块利用高效通道注意力机制,动态调整不同尺度特征的通道权重,学习丰富的上下文信息并抑制冗余信息,增强网络提取雾霾密度图像的能力从而使去雾更加彻底;解码模块对融合后的特征进行非线性映射得到雾霾密度图像,进而恢复无雾图像。通过在SOTS测试集和自然有雾图像上进行定量和定性的测试,所提方法取得了较好的客观和主观评价结果,并有效改善了颜色失真和去雾不彻底的现象。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

融合多尺度和多头注意力的医疗图像分割方法

为了从医疗图像中自动且准确地提取兴趣区域, 提出基于神经网络的分割模型MS²Net. 针对传统卷积操作缺乏获取长距离依赖关系能力的问题, 为了更好提取上下文信息, 提出融合卷积和Transformer的架构. 基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系, 基于相似度关系融合各像素特征使网络拥有全局视野, 使用相对位置编码使Transformer保留输入特征图的结构信息. 为了使网络适应兴趣区域形态的差异, 在MS²Net中应用解码端多尺度特征并提出多尺度注意力机制. 对多尺度特征图依次应用分组通道和分组空间注意力, 使网络自适应地选取合理的多尺度语义信息. MS²Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标, 有着较好的泛化能力.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络.该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上.应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征.提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合.所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于空洞卷积金字塔的目标检测算法

作为目标检测领域最突出的问题,遮挡和多尺度严重影响了算法的召回率和准确率。针对以上问题,该文从感受野入手,提出了一种基于空洞卷积金字塔网络(ACFPN)的目标检测算法。首先,将不同尺寸的空洞卷积层引入特征金字塔网络(FPN)中,构建混合感受野模块(HRFM),旨在控制参数量的条件下,通过增大感受野获取更多全局特征信息,解决目标的遮挡问题;其次,改进FPN的结构,设计低层嵌入特征金字塔模块(LEFPM),将浅层特征细节信息和高层特征语义信息相融合,提高特征图的丰富度和表征能力,增强模型的尺度适应性;特别地,针对漏检问题,引入FCOS算法中的无锚框(AF)机制,减少了候选框的冗余,进一步提高了定位精度。最后在公开数据集上进行测试,该算法在检测精度上大幅提升。     

结合空洞卷积的多尺度脑肿瘤分割算法

全卷积神经网络通过端到端的学习方式,实现了自动分割的目的.连续的卷积和池化操作会丢失一些像素,从而使感受野的大小受到限制,提出了一种基于空洞卷积的多尺度特征提取模块(Multi-scale Feature Extraction Block based on Dilate Convolution,MD),MD模块的输出包含了多尺度特征信息;增加损失函数中关于肿瘤区域的学习权重,解决类别不平衡问题;通过添加归一化层解决梯度消失的问题.多尺度特征提取的全卷积神经网络对完整肿瘤、核心区域、增强区域的分割的DSC评价分别为0.86、0.71、0.63,实验证明算法可以有效地保留肿瘤区域的细节信息和提高灰度相似区域的鉴别能力.     

轮廓检测深度学习模型中解码网络融合方法

轮廓检测旨在提取目标边界,是高级计算机视觉任务中获取图像基础信息的重要步骤.基于轮廓检测的卷积神经网络(convolutional neural networks,CNNs)模型分为编码网络和解码网络两个部分,关注点集中在采用不同的卷积方式进行解码或是采用逐级融合进行解码,忽略了对编码网络每一层信息的充分利用.针对这一问题,本文提出一种自底向上强化融合的轮廓检测模型:充分利用编码网络中的每一层信息,由低分辨率特征图至高分辨率特征图自底向上逐层融合;以不同空洞率的卷积搭建强化模块,进一步增强对特征信息的提取.从结果上看,本文所提模型既节省了计算机内部存储空间,同时在目前主流的数据集BSDS500上也取得优异成绩(F-score=0.819).