基于Unet的多任务医学图像语义分割模型

深度学习网络在医学图像分割领域应用广泛,针对传统语义分割模型只在局部像素点进行考虑,在小目标的医学图像语义分割中检测精度不高。本文提出了基于Unet的双任务图像语义分割模型,对传统的Unet语义分割进行改进,编码阶段采用经过预训练的Resnet34作为框架进行特征提取,设计了SCSE模块对图像特征信息进行修正,从空间和通道两个方向获取图像的全局信息,损失函数采用“分类”和“分割”融合的多任务策略进行学习,对气胸医学图像进行语义分割。为进一步提高网络模型的泛化能力,对数据集图像进行随机水平翻转、垂直翻转等图像增强处理,实验表明该语义分割方法比传统的Unet语义分割方法在分割精度上提高5%以上。     

超像素和阈值分割相结合的显著目标检测算法

现有的显著性检测结果普遍含噪及未能完整高亮显著物体,使得后续的显著目标检测仍是一个具有挑战性的问题。提出了一种结合超像素分割和阈值分割的新的显著目标检测算法。算法首先利用超像素分割方法对原图像进行分割计算,然后依据显著性检测结果计算每一个分割区域像素的平均显著度值,接着用平均显著度值表示超像素内每一个像素的原显著度值,最后根据阈值分割算法对其进行计算获取二值掩码图以表示显著目标检测结果。实验结果表明,在4种具有代表性的显著图上,所提算法能有效检测显著目标,具有较高的正确率、召回率和F度量值。     

基于双模全卷积网络的行人检测算法(特邀)

在近距离行人检测任务中,平衡算法的检测精度与检测速度对于检测算法的实际应用有着重要意义。为了快速并准确地检测出近景行人目标,提出了一种基于模型融合全卷积网络的行人检测算法。首先,通过全卷积检测网络对图像中的目标进行检测,得到一系列候选框;其次,通过弱监督训练的语义分割网络得到图像的像素级分类结果;最后,将候选框与像素级分类结果融合,完成检测。实验结果表明:算法在检测速度与精度方面都具有较高的性能。     

动态背景下融合运动线索和颜色信息的视频目标分割算法

针对现有动态背景下目标分割算法存在的局限性,提出了一种融合运动线索和颜色信息的视频序列目标分割算法。首先,设计了一种新的运动轨迹分类方法,利用背景运动的低秩特性,结合累积确认的策略,可以获得准确的运动轨迹分类结果;然后,通过过分割算法获取视频序列的超像素集合,并计算超像素之间颜色信息的相似度;最后,以超像素为节点建立马尔可夫随机场模型,将运动轨迹分类信息以及超像素之间颜色信息统一建模在马尔可夫随机场的能量函数中,并通过能量函数最小化获得每个超像素的最优分类。在多组公开发布的视频序列中进行测试与对比,结果表明,本文方法可以准确分割出动态背景下的运动目标,并且较传统方法具有更高的分割准确率。     

基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。     

基于改进型FCM聚类的图像分割新方法

传统的模糊C均值(FCM)聚类算法在判定当前像素归属时没有考虑像素的空问信息,因而对噪声十分敏感.为提高图像分割的准确性,通过引入空间约束信息的惩罚项,对传统FCM算法中的目标函数进行修正.基于人造图像和实际图像的测试实验结果证明了该方法对噪声具有较强的鲁棒性.     

融合改进FT显著性与Grabcut的图像目标分割算法

针对目前复杂度较大的图像中目标分割速度较慢、显著性边界分割不明确等问题,提出了一种融合改进的FT（Frequency-tuned）显著性检测与Grabcut的图像分割算法。该算法首先通过改进基于频率调谐的FT显著性检测方法得到图像中显著性较高的区域,并利用SLIC（Simple Linear Iterative Clustering）算法对显著图进行预处理得到超像素图,能够有效改善边界的分割效果,然后通过以图论GraphCut算法为基础改进的Grabcut算法建立高斯混合模型。为了提高算法效率,通过聚类以超像素代替原像素,并反复迭代高斯混合模型（Gaussian Mixed Model,GMM）参数,最后利用最大流最小割算法得到最优目标分割结果。实验结果表明所提算法能够更准确更高效率地分割图像中的显著性目标,对高分辨率图像也有很好的适用效果,相比于其他算法在分割精度上提高10%左右,并具有较高的分割效率。     

融合纹理特征与螺旋状搜索聚类的超像素分割算法及应用

针对传统SLIC(simple linear iterative clustering)超像素分割算法没有综合考虑图像的纹理信息特征,导致对边缘信息较强和纹理复杂的图像进行超像素分割时,出现边缘检测不灵敏,分割效果不理想的问题.提出了把原图像先经过噪声抑制提取出纹理特征分量,构建以颜色特性、纹理特征和空间位置特征相融合的相似性度量方法.改进后的方法提高了边缘检测的灵敏度,增强了算法在对边缘信息较强和纹理复杂图像进行分割时的鲁棒性.另外,提出利用螺旋线状的搜索方式进行聚类,加速了算法的收敛速度,提高了分割效率.改进后的方法在BSDS500公共数据集上进行了实验,结果显示改进后的方法在边缘召回率、欠分割错误率、可完成的分割精度以及算法运行时间四项指标上优于传统算法.     

基于逆注意力机制和像素相似度学习的图像分割

针对图像语义分割中目标边界容易混淆、定位不准以及边界不平滑问题,在Deeplab v2 Resnet-101网络的基础上引入提出的逆注意层与像素相似度学习层,构造了一种新的语义分割的网络结构,并设计了注意力层和像素相似度学习层的损失函数。首先,使用Deeplab v2 Resnet-101网络提取图像语义特征;然后,利用提出的逆注意力层修正预测网络的分割结果,同时,利用提出的像素相似度学习层解决边界不够平滑的问题;最后融合两者分割的结果,得到语义分割的结果。在PASCAL-Context上取得了像素准确度76.2%、像素平均准确度59.7%、平均IoU(Intersection over Union)准确度指标49.9%的结果,在PASCAL Person-Part、NYUDv2、MIT ADE20K数据集上分别取得了平均IoU准确度指标69.6%、42.1%、44.38%的结果,与已有的主流方法相比,所提算法能够提升语义分割的精确度,验证了算法的有效性。     

基于空时多线索融合的超像素运动目标检测方法

运动目标检测是计算机视觉领域极具挑战性的难题,该文针对这一问题提出一种基于空时多线索融合的超像素运动目标检测方法。首先利用简单线性迭代聚类算法将当前帧分割为超像素集合,根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块;然后根据运动目标的一致性原则建立前一帧目标模型,结合目标空间线索进一步确定包含运动目标的检测窗口,将目标检测问题转化为目标分割问题,利用密集角点检测将目标从窗口中分割出来。在多个具有挑战性的公开视频序列上同几种流行检测算法的实验对比结果证明了所提算法的有效性和优越性。