融合分形几何特征Resnet遥感图像建筑物分割

针对遥感图像建筑物易受背景中道路、树木、阴影干扰而导致分割边界不清晰的问题,提出了一种融合分形几何特征的Resnet网络。所提模型基于编码-解码框架,以Resnet网络为主干网络,在编码阶段中引入融合分形先验的空洞空间金字塔池化模块(FD-ASPP),利用分形维数捕获遥感图像的分形特征,增强了Resnet网络的几何特征描述能力。解码阶段提出一种深度可分离卷积注意力融合机制(DSCAF),有效融合高层次特征和低层次特征,获取更加丰富的遥感图像语义信息和位置细节信息。在WHU遥感图像数据集上的实验表明,精确率达到0.944 8,召回率达到0.946 2,F1分数达到0.945 5,平均交并比mIoU达到0.941 5。所提模型与FCN、Segnet、Deeplab V3、U-net、SETR和AlignSeg等现有建筑物遥感语义分割模型相比,具有更好的分割精度,有效克服了道路、树木、阴影等因素的干扰,得到了较清晰的建筑物边界。     

语义流引导采样结合注意力机制的脑肿瘤图像分割

U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失,导致分割效果不佳。为解决这一问题,提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元,并在此基础上设计轻量级的双重注意力特征对齐网络（DAFANet）。首先,将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络,以验证其有效性和泛化性。其次,在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet,利用特征对齐单元强化上采样过程中的特征恢复,3D期望最大化注意力机制同时作用于特征对齐路径和级联路径,用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后,在BraTS2018和BraTS2019公开数据集进行验证,文中所提算法在ET,WT和TC区域的分割精度分别达到80.44%,90.07%,84.57%和78.11%,90.10%,82.21%。相较于当前流行的分割网络,具有对增强肿瘤区域更好的分割效果,更擅长处理细节和边缘信息。     

基于改进注意力W-Net的工业烟尘图像分割

针对小目标烟尘尺寸小、边缘稀薄和U-Net在提取小目标烟尘特征效果不佳等原因导致的烟尘漏检、误检和分割精度低等问题,提出一种基于改进注意力W-Net(IAW-Net)的烟尘图像分割网络。采用注意力机制将U-Net扩展为W-Net,在W-Net的基础上引入改进的注意力机制,增强了小目标烟尘的特征;针对小目标烟尘特点对焦点损失进行改进,增加了小目标烟尘的分割比重。实验结果表明,IAW-Net能够在不影响大目标烟尘分割的基础上更加关注小目标烟尘的分割效果,从而提升了烟尘图像的整体分割能力,相比现有语义分割网络具有更好的分割效果。     

双边特征聚合与注意力机制点云语义分割

机器视觉是环境感知的重要手段之一,是自动驾驶、机器人、工业检测等领域的研究热点,而点云数据的精细分析是其中的一项关键技术.针对大尺度真实场景点云数据分割精度低的问题,提出了一种适用于点云数据语义分割的网络结构.首先,构建了一个双边特征聚合结构,通过分别处理点云的几何信息和语义信息,达到充分利用点云特征信息的目的.其次,...     

基于改进DeepLabV3+的铁谱图像语义分割

针对传统铁谱图像分割方法需要人工设计特征、存在特征冗余及误差累积等缺点,提出一种改进的DeepLabV3+方法,实现了对铁谱图像中严重滑动、疲劳、切削等6种磨粒的语义分割.该方法在DeepLabV3+基础上,引入密集连接的空洞空间池化金字塔模块,以增大感受野;通过改进密集金字塔模块,采用互质膨胀率的空洞卷积,避免了栅格效应;采用全连接条件随机场以改善分割结果.实验结果表明:该方法在铁谱图像测试集上的平均交占比为87.1％.     

基于改进DeepLabV3+的铁谱图像语义分割

针对传统铁谱图像分割方法需要人工设计特征、存在特征冗余及误差累积等缺点,提出一种改进的DeepLabV3+方法,实现了对铁谱图像中严重滑动、疲劳、切削等6种磨粒的语义分割.该方法在DeepLabV3+基础上,引入密集连接的空洞空间池化金字塔模块,以增大感受野;通过改进密集金字塔模块,采用互质膨胀率的空洞卷积,避免了栅格效应;采用全连接条件随机场以改善分割结果.实验结果表明:该方法在铁谱图像测试集上的平均交占比为87.1％.     

面向遥感图像水域分割的图像熵主动轮廓模型

为提高遥感图像水域分割的准确度,结合高分率遥感图像中水域与背景纹理复杂度差异较大的特点,将图像熵引入到CV模型中,提出两种图像熵主动轮廓模型用于高分辨率遥感图像的水域分割。其中,针对水域纹理相对简单的遥感图像,在CV模型中引入零水平集内的图像熵而构成局部图像熵主动轮廓模型,可以有效降低背景中灰度值与水域近似的区域发生误分,从而提高水域分割的准确度;针对水域纹理相对复杂的遥感图像,在CV模型中同时引入零水平集内外图像熵而构成全局图像熵主动轮廓模型,改进了水平集函数进化过程中对灰度信息的依赖,并能使零水平集进化到全局最优,进一步提高了遥感图像中水域分割的准确度。针对高分辨率遥感图像中的湖泊、河流和海域分割对比实验结果表明:局部图像熵主动轮廓模型的分割精确率分别为90.1%、81.5%和93.6%,F值分别为0.94、0.885和0.96;全局图像熵主动轮廓模型的分割精确率分别为94.5%、85.3%、94.9%,F值分别为0.956、0.895、0.967。本文提出的两种图像熵主动轮廓模型均能有效减小背景误分,提高了遥感图像水域分割的准确度。     

融合CNN和Transformer的遥感图像建筑物快速提取

遥感图像建筑物高效提取在城市规划、灾害救援、军事侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度,但通常是由复杂的卷积运算和极大的网络模型实现的,提取速度低,难以满足现实需求。为此,设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积,在同一卷积层内提取多尺度特征,进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构,在带有空间注意力权值的特征图中应用通道注意力,有效学习通道注意力权值,进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量,加快模型的运算速度,将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明,本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%,明显优于主流方法。     

一种改进的FCM图像分割算法

提出了一种基于高维特征矢量与金字塔结构的模糊聚类图像分割方法。该方法考虑了图像像点的灰度信息和其邻域空间相关信息,给出了三维特征及多分辨率分析的聚类分割方法。实验结果表明,在图像受高斯噪声干扰的情况下,该方法不仅运行速度较快,而且分割效果更好。     

融入交叉注意力编码的皮肤病变分割网络

由于卷积操作的局限性,现有的皮肤病变图像分割网络无法对图像中的全局上下文信息建模,导致其无法有效捕获图像的目标结构信息,本文设计了一个融入交叉自注意力编码的U型混合网络,用于皮肤病变图像分割。首先,将设计的多头门控位置交叉自注意力编码器引入到U型网络的最后两个层级中,使其能够在图像中学习语义信息的长期依赖关系,弥补卷积操作全局建模能力的不足;其次,在跳跃连接部分引入一个新的位置通道注意力机制,用于编码融合特征的通道信息并保留位置信息,提高网络捕获目标结构的能力;最后,设计一个正则化Dice损失函数,使网络能够在假阳性和假阴性之间权衡,提高网络的分割结果。基于ISBI2017和ISIC2018数据集的对比实验结果表明,本文网络的Dice分别为91.48%和91.30%,IoU分别为84.42%和84.12%,分割精度在整体上优于其他网络,且具有较低的参数量和计算复杂度,即本文网络能够高效地分割皮肤病变图像的目标区域,可为皮肤疾病辅助诊断提供帮助。     

融合下补偿结构的眼底血管图像分割网络研究

眼底血管图像在临床中通常被用于眼部疾病的诊断及监测,其中血管的形态结构能够反映疾病的重要特征,因此,眼底血管图像的分割处理对眼部疾病的诊断和预防具有十分重要的医学意义。针对目前人工智能主流算法中卷积和池化操作会导致很多特征丢失,提取特征时会忽视图像中的空间信息,图像中的细小血管很难分割出来等问题,基于U-net模型进行了相关研究,结合空间注意力模块对空间特征进行细化,同时提出了一种下补偿结构LCSAnet。该结构能够减少网络提取特征信息过程中的特征损失,从而提高分割精度。研究实验在DRIVE数据集上完成,LC-SAnet的分割准确率达到96.97%,F1值达到74.36%。结果证明,LC-SAnet表现出更好的分割性能,对细小血管的结构识别更加准确。     

基于RA-Unet的CT图像肝脏肿瘤分割

CT图像肝脏肿瘤分割是进行肝癌前期诊断、肿瘤负荷分析和放射治疗的重要前提。为实现肿瘤的精确自动分割,提出一种融合残差模块和注意力机制的深度U形网络。该网络首先在跳跃连接层中引入一条带有反卷积与激活操作的残差路径和卷积模块,实现图像特征的分离传递以及高级表征,确保跳跃连接层主要传递图像边缘信息和小目标全局信息,其次在解码路径中引入注意力机制,通过将跳跃连接层与反卷积解码获得的特征信息赋予不同权重,进一步增强肿瘤特征,抑制其他无关信息。提出方法在LiTS数据集上获得的全局Dice值高达86.71%,明显高于其他多种现有方法,且相较于其他方法,该方法对于小尺寸、对比度低、边界模糊的肿瘤具有明显的分割优势。     

基于深度语义分割的多源遥感图像海面溢油监测

针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响,从而导致溢油区域监测效果较差的问题,本文引入了深度语义分割的方法,将深度卷积神经网络与全连接条件随机场相结合,形成端对端连接。以Resnet结构为基础,首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络作为输出。通过多源遥感图像对海面溢油区域进行监测,并利用可见光图像估计溢油区域面积。实验在所建立的多源遥感图像数据集上与其它先进模型进行对比,结果表明本文方法提高了溢油区域的分割精度以及精细细节程度,平均交并比为82.1%,监测效果具有明显地改善。     

基于Deeplabv3+和注意力机制的道路场景语义分割方法

在自动驾驶技术研究中,理解道路场景是提高驾驶安全性的保障.语义分割技术可以在像素级别上,将图片分割成与语义类别相关联的不同图像区域,可以辅助车辆感知、理解周围的道路环境信息,从而提高驾驶安全性.当下流行的语义分割模型Deeplabv3+在分割任务中,存在细小目标被漏分割以及外形相似物体容易被误判等现象,导致分割边界粗糙,精准度降低.针对此问题,在Deeplabv3+网络结构的基础上,结合注意力机制加重分割区域的权重,提出一种改进的Deeplabv3+融合注意力机制的道路场景语义分割方法.首先,在Deeplabv3+编码端引入一组并联的位置注意力模块和空间注意力模块,捕获更多空间上下文信息和高级语义信息.然后,在解码端引入注意力机制恢复空间细节信息,并对数据归一化处理,加快模型收敛速度.将不同方式引入注意力机制的模型分割效果进行对比,在CamVid数据集和Cityscapes数据集上进行了测试.实验结果表明,相比Deeplabv3+,改进后的模型分割准确度平均交并比在两个数据集上分别提升了6.88％和2.58％,效果优于Deeplabv3+.该方法不会明显加大网络计算量和复杂度,具有良好的分割速度和准确性的兼顾.     

融合注意力机制的金属锅圆柱表面缺陷检测

为实现高亮反射金属圆柱形锅的自动快速检测及分拣,破解目前金属锅表面缺陷检测速度慢、效率低的技术难题,在YOLOX网络基础上引入双向特征融合网络,提出基于注意力机制的轻量化特征融合网络模型,实现计算模型的轻量化设计;同时,通过注意力机制模块对特征信息进行通道与空间的学习,有效缓解多尺度特征的语义鸿沟问题,提高了模型的检测精度;考虑网络对难易分类样本学习权重分配不平衡,设计基于衰减因子的分类损失函数;利用金属锅圆柱表面缺陷数据集完成了特征融合网络对比实验、分类损失函数对比实验和注意力机制模块位置消融实验。实验结果表明,融合注意力机制模型可有效识别6种不同形态的缺陷,测试集的平均检测精度mAP0.5达到90.92%,检测帧率达到30.84 frame/s,实现了金属锅圆柱表面缺陷的高精度快速识别与定位。     

通道注意力与残差级联的图像超分辨率重建

为了改善图像超分辨率重建的效果,针对很多超分辨率重建方法中忽略了特征通道间相关信息以及网络数据传递中信息丢失问题,提出了一种通道注意力与残差级联超分辨率重构网络.首先,对输入的低分辨率图像进行浅层的特征提取;随后,通过残差级联组提取深层特征,利用注意力模块自适应地对特征通道的权重进行校正,融合节点将残差级联组的输出特征...     

融合高阶信息的遥感影像建筑物自动提取

针对遥感影像中建筑物目标与背景环境区分度低而造成的提取效果较差的问题,本文提出了融合高阶信息的编解码网络方法以改善建筑物自动提取的精度。首先,针对遥感影像建筑提取任务,使用深度编解码网络完成对建筑物目标的低阶语义特征提取;其次,使用多项式核完成对深度网络中间特征图的高阶描述,以提升网络对于模糊特征的辨识能力;最后,将低阶特征与高阶特征级联后,送入编解码网络的末端,得到对建筑物的分割结果。在Massachusetts Buildings数据集上进行试验,其召回率、准确率和F1-score指标分别达到了85.1%,77.5%和80.9%,综合指标F1-score相比于基础深度编解码网络提升约4%。本文所提方法改进了编解码器网络对于遥感影像建筑物自动提取任务的表现性能,能够更加精确地提取与背景区分度较低的建筑物目标,具有良好的实用价值。     

融合多层级特征的遥感图像地面弱小目标检测

为解决遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题,本文提出一种融合多层级特征的遥感图像地面弱小目标检测算法CC-YOLO。该算法首先利用深度卷积神经网络逐级对目标图像进行特征提取,得到高低层特征空间金字塔图;然后,对空间金字塔图进行跨层级通道特征融合,结合新增的位置注意力机制CA,分别沿两个空间方向聚合特征,保留弱小目标精确的位置信息;最后,在聚合后生成的双支路特征图上进行端到端的目标检测,联合多通道检测信息输出检测结果。为解决算法实验中图像数据匮乏的问题,构建了遥感图像地面弱小目标数据集GDSTD。实验结果表明,算法AP_0.5∶0.95达到42.3%,AP_0.5达到94.6%,检测速率FPS达到58.8帧/s,具有一定的鲁棒性和实时性。     

融合层次特征和注意力机制的轻量化矿井图像超分辨率重建方法

针对矿井图像灰暗模糊、边缘不清晰等问题,提出了一种融合层次特征和注意力机制的轻量化矿井图像超分辨率重建方法。首先设计一种残差坐标注意力模块,在残差块中融入坐标注意力机制,使网络获得更丰富的高频细节信息;其次采用层次特征融合机制,对不同网络层次的特征信息进行特征融合,促进边缘细节信息的重建。最后,再对融合后的特征进行降维以减少模型计算量和参数量。为了使模型在真实矿井场景中具有更好的泛化能力,构建了一种煤矿井下图像数据集CMUID用于网络模型的训练和测试实验。实验结果表明,本文算法的重建图像质量在客观指标和主观感受上均优于其他对比算法。当缩放因子为4时,与OISR算法相比,在煤矿井下数据集上PSNR和SSIM的平均值分别提升了0.318 5 dB和0.012 6,在公共数据集上PSNR和SSIM的平均值分别提升了0.1 dB和0.003 5;网络模型参数量减少了70.7%。