基于图像分析和深度学习的复合绝缘子憎水性分级

为了更加方便快捷地检测大量复合绝缘子憎水性等级,提出一种基于图像分析和深度学习的复合绝缘子憎水性分级方法。首先为提高图像对比度,对复合绝缘子憎水性图像进行灰度化和图像增强处理;其次利用图像分析技术和U-Net网络提取水珠轮廓,得到水珠轮廓图像;接着引入深度卷积神经网络,将这些水珠轮廓图作为神经网络的输入,以相应的憎水性等级作为输出向量,训练网络得到分级模型;最后将分级模型用于憎水性分级,得到分级结果。实验结果表明:该方法的分级结果已达到实际应用要求,水珠轮廓提取的精度达到了92.96%,分级准确率达到了90.2%,预测一幅图像的憎水性等级平均耗时0.1 s。     

U-Net网络医学图像分割应用综述

病灶精确分割对患者病情评估和治疗方案制定有重要意义,由于医学图像中病灶与周围组织的对比度低,同一疾病病灶边缘和形状存在很大差异,从而增加了分割难度。U-Net是近些年深度学习研究中的热点,为医生提供了一致性的量化病灶方法,一定程度上提高了分割性能,广泛应用于医学图像语义分割领域。本文对U-Net网络进行全面综述。阐述U-Net网络的基本结构和工作原理;从编码器个数、多个U-Net级联、与U-Net结合的其他模型以及3D U-Net等方面对U-Net网络模型的改进进行总结;从卷积操作、下采样操作、上采样操作、跳跃连接、模型优化策略和数据增强等方面对U-Net网络结构改进进行总结;从残差思想、密集思想、注意力机制和多机制组合等方面对U-Net的改进机制进行总结;对U-Net网络未来的发展方向进行展望。本文对U-Net网络的原理、结构和模型进行详细总结,对U-Net网络的发展具有一定积极意义。     

LFSCA-UNet：基于空间与通道注意力机制的肝纤维化区域分割网络

目的 肝纤维化是众多慢性肝脏疾病的常见表现,如不及时治疗可发展为肝硬化甚至引发肝癌。肝纤维化的准确评估对临床治疗和预后评估等至关重要。目前,肝纤维化的诊断通过肝穿活检判断,有创且有并发症危险。为此,基于影像学的无创诊断方法越来越受到关注。本文提出一种基于通道注意力与空间注意力机制改进的用于肝纤维化区域的自动化分割U-Net （liver fibrosis region segmentation network based on spatial and channel attention mechanisms,LFSCA-UNet）。方法 依据Attention U-Net的改进方式,围绕U-Net的跳跃连接结构进行基于注意力的改进,在AG （attention gate）的基础上,加入以ECA （efficient channel attention）模块为实现方式的通道注意力机制,依据加入ECA的位置,LFSCA-UNet分为A、B、C共3个子型。结果 在肝数据集上与其他实验网络进行评估对比,本文提出的LFSCA-UNet网络结构平均Dice系数达到了93.33%,相比原始U-Net的Dice系数提高了0.539 6%。结论 本文方法将空间注意力机制与通道注意力机制进行结合,有效提高了肝纤维化区域的分割精度,对空间注意力模块使用通道注意力模块优化输入和输出,增加了网络的稳定性,提升了网络的整体效果。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

基于多尺度特征融合双U型皮肤病变分割算法

针对皮肤病分割问题中皮肤病变区域大小不一且形状各异问题,提出一种基于多尺度特征融合的双U型皮肤病分割算法.该算法由粗分U型网络和细分U型网络两部分组成.首先粗分U型网络编码部分采用预训练VGG-19模型对相关特征进行多尺度特征提取;在解码阶段利用改进注意力残差块将底层与高层信息进行有效的映射融合,得到初步的Mask;然后将初步生成的Mask与原图像聚合,并输入多路特征提取编码器中进行二次特征蒸馏;而细分U型网络解码器同时与粗分U型网络编码部分和细分U型网络的编码部分特征映射进行融合,保证网络可以聚合更多的有效特征;最后利用Focal Tversky损失函数进一步提升分割效果.实验表明,所提算法在ISBI2016数据集上实验分割精度为96.11％、敏感度为93.59％、特异性为97.10％、Dice系数为93.14％、Jaccard系数为87.17％,能够有效地分割皮肤病病变区域.     

改进U-Net的遥感图像中建筑物变化检测

提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。     

多尺度特征融合的脊柱X线图像分割方法

为了精确地从X线图像中分割脊柱,提出了一种基于深度学习的脊柱X线图像分割方法,使用基于多尺度特征融合的U-Net网络进行分割。将U-Net模型中的卷积层替换成类Inception网络来提取不同尺度的特征,并进行多尺度融合。同时在跳跃连接前增加残差连接层,并在首次上采样前添加卷积块注意力模块。该模型对20幅脊柱X线图像进行验证,Dice系数为0.845 7,与近期X线脊柱图像分割方法相比,提高了0.135 1。     

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗。但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象。因此,利用深度学习技术辅助诊断眼疾病具有重大意义。如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题。于是,基于U型网络（U-Net）提出一种新的网络结构称为空洞残差U型网络（Atrous Residual U-Net,AR-Unet）。在AR-Unet中,为了避免U-Net中的梯度消失以及图像结构信息丢失等问题,将残差网络（ResNet）引入到U-Net中。为了扩大感受野和提高物体间的相关性,再将空洞卷积（Atrous Convolution）整合到U-Net中,从而使得血管分割更加精确。在三个公开的彩色眼底图像数据集DRIVE、STARE和CHASE上进行大量实验,结果表明在不同评价指标下,AR-Unet方法的性能均要优于大多数对比方法。     

基于改进U-Net的宫颈细胞核图像分割

原始的U-Net采用跳跃结构结合高低层的图像信息,使得U-Net模型有良好的分割效果,但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足.由此提出了改进型U-Net网络图像分割方法.首先将稠密连接的DenseNet引入U-Net的编码器部分,以解决编码器部分相对简单,不能提取相对抽象的高层语义特征.然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重,使网络更加注重细胞核特征的学习.最后在池化操作过程中,对池化域内的像素值分配合理的权值,解决池化层丢失信息的问题.实验证明,改进型U-Net网络使宫颈细胞核分割效果更好,模型也越鲁棒,过分割和欠分割比率也越少.显然,改进型U-Net是更有效的图像分割方法.     

基于物理约束U-Net网络的地震数据低频延拓

由于震源与采集技术的影响,地震勘探数据往往缺失低频信息,严重影响后续的反演和成像处理。现有的地震数据低频延拓方法,大多建立在时域数据分布特征的基础上,容易导致频率与相位信息严重损失。为解决该问题,文中提出一种基于地震波物理参数约束的U-Net深度学习网络进行地震数据低频延拓。首先,利用理论引导数据的思想组织样本,生成大量不同特征的地震数据;然后,通过结合残差跳跃连接改进的U-Net模型学习从中高频地震数据生成低频成分的非线性映射;最后,结合地震信号的物理参数约束提升对频率、相位的恢复效果。实验证明,文中所提方法对地震数据低频恢复具有较好的效果,并在频率与相位的保持上优于同类方法,对提高后续的处理与解释精度具有较高的实用价值。