基于多尺度全局注意力的U型视网膜血管分割网络

眼底视网膜血管分割在多种类型眼科疾病的评估和诊断中起着重要作用。由于眼底图像中血管的拓扑结构复杂多变,现有算法通常存在分割结果中血管特征不连续以及血管边缘分割准确度不高的问题。针对上述问题,本文提出一种用于视网膜血管分割的多尺度全局注意力U型神经网络MSGA-UNet。该网络一方面通过全局特征注意力模块从编码器中较为容易地获得图像的全局表征信息,解决眼底视网膜血管分割中特征不连续的问题;另一方面利用多尺度空洞卷积模块,利用不同膨胀率的空洞卷积扩大感受野并获取图像的多尺度局部特征信息,从而提升血管边缘信息的提取能力。经过在DRIVE、STARE和CHASEDB1数据集上的实验,MSGA-UNet的平均交并比分别为74.06%、78.22%和79.62%;类别平均像素准确率分别为80.39%、84.60%和85.53%;精确度分别为96.32%,96.42%和97.23%;综合分割性能优于其他模型。     

连续变量量子通信的研究与展望

基于量子力学原理的量子通信具有绝对安全特性,能够满足信息时代的要求,因此,受到了学术界、信息产业界以及各国政府的广泛关注。连续变量量子通信是针对离散变量量子通信中所面临的探测困难、密钥率低、缺乏简单可靠的单光子源等瓶颈而提出的一种新的量子保密通信方案。在介绍连续变量量子通信的基本原理基础上,分别介绍近年来基于压缩态、相干态以及纠缠态的连续变量量子密钥分配(CVQKD)的研究现状,讨论了目前的几类QKD协议中存在的问题以及面临的挑战。