基于改进U-Net的卫星图像分割算法

为解决传统模型与算法对遥感卫星图像小目标的分割精度低、泛化能力差等问题,提出一种基于改进U-Net的图像分割算法。将骨干网络改为ResNet18并加入优化后的空洞卷积池化金字塔与卷积注意力机制模块,充分提取小目标边缘特征。该算法在中国南部某地区的公开卫星图像数据集上的平均交并比与分割总精度分别达到了75.8%与95.6%,均超过U-Net、DeepLabV3+、SegNet、W-Net等主流语义分割网络。实验结果表明,该算法能有效改善网络的预测精度与小目标的分割结果。     

基于注意力Unet的多尺度胎儿图像分割方法

针对使用传统机器学习方法分割胎儿图像中头部和股骨的精度较低且效果差,提出了一种新型的注意力Unet架构。在注意力Unet中加入了通道注意力机制平均最大模块(AMB),将原有的卷积层模块替换为不同卷积块组合的InceptionV2+模块,并在网络深层处加入了不同尺寸的空洞卷积模块。同时,研究了Dice损失函数和Focal损失函数相结合替换二元交叉熵对图像分割效果的影响。实验结果表明,所提方法对胎儿头部和股骨图像的分割效果良好,在准确率、Dice系数、交并比(IOU)、豪斯多夫距离(HD)评价指标方面优于如今主流的医学图像分割方法。     

基于YOLOv5的黑色素瘤图像检测仿真

针对黑色素瘤疾病在临床上存在检测准确率低以及人为主观性太强等问题,提出一种改进的YOLOv5目标检测模型BiC-YOLOv5。首先设计了一种双向特征提取网络BiFPN-L3替换原模型中的特征提取网络FPN,针对不同分辨率下的特征,使用多尺度特征融合的方式提取特征;其次,在骨干网络中融合CBAM注意力模块,设计了一种C3CBAM模块从通道与空间两个层面捕获特征信息以提升检测精度;最后,使用DIOU＿loss损失函数,进一步提高模型的检测精度。通过仿真对比实现,BiC-YOLOv5的mAP值达到95.2%,相较原YOLOv5模型,精确度提高了5.2%,召回率提高了4.9%,mAP值提高了5.8%,可以有效的协助临床医学对黑色素瘤进行诊断。     

融合多维注意力机制CNN皮肤肿瘤图像分割提取

针对卷积神经网络(CNN)在医学图像分割时,受皮肤病损图像多样性、分割目标位置、形状及尺度变化等因素影响,提出了一种基于传统卷积神经网络综合注意力模块图像分割算法。首先利用U-Net主干网络的优势,其目的让图像特征提取更完善；其次,由空间、通道、尺度构成的综合注意力机制对目标病灶区域进行检测识别,利用通道级联把来自编码器中低级图像特征和解码器中高级图像特征注意力结合起来进行权值自适应融合,提升了网络对样本病灶区的关注度和辨识力,突出强调最相关的特征通道和多尺度间最显著的特征图。通过对ISIC2018数据集及医院整形外科提供患者不同类型的皮肤肿瘤图像进行分割测试,并将注意力模块随机组合形成的不同算法进行指标评价比对,所提出算法的平均分割精度可达92.89%。实验结果表明,所提出算法是有效可行的,在多维度下分割处理带复杂背景的皮肤病灶图像时有更高的鲁棒性。     

基于改进残差网络的黑色素瘤图像分类

为提升黑色素瘤图像二分类问题的准确率,针对黑色素瘤图像中存在的有效特征不明显的问题,借鉴特征金字塔思想,提出一种改进的残差网络的黑色素瘤图像分类模型。使用迁移学习,以预训练的ResNet50模型为基础结构,利用改进的注意力机制筛选有效特征,用空洞卷积改进Inception结构并基于该结构构建额外的分支以不同方式提取并融合特征,用加权的方式把分支的特征和ResNet50模型主干提取的特征进行融合。所提模型在ISIC 2017数据集上可以取得87.8%分类准确率,表明了其对解决黑色素瘤图像二分类问题的有效性。     

面向小目标提取的改进DeepLabV3+模型遥感图像分割北大核心CSCD

针对DeepLabV3+模型在遥感影像语义分割中呈现出小尺度地物语义信息丢失、数据类别不均衡引起误差等缺陷，提出了一种面向小目标提取的改进DeepLabV3+语义分割模型。首先，在模型编码器空间空洞金字塔池化(atrous spatial pyramid pooling, ASPP)中引入多组并行空洞卷积(multiple parallel dilated convolution, MPDC)和感受野融合策略；其次，在模型解码器部分加入特征注意力融合模块(feature attention fusion, FAF);最后，使用加权的Lovasz-softmax loss优化损失函数。将改进后的模型通过Landcover和CCF2017高分辨率遥感影像数据集进行验证，结果表明，在两个测试数据集上的平均交并比比原始的DeepLabV3+模型分别提高了1.17%～1.24%和0.85%～0.95%,特别地，小目标如建筑物的交并比相比原始模型分别提升了3.51%～3.86%和2.11%～2.38%,改进后的DeepLabV3+模型能更充分表达高分辨率遥感图像细节信息。     

基于多尺度高阶注意力机制的视网膜血管分割

视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义.注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能.为进一步提高视网膜血管的分割精度,挖掘视网膜图像中的高阶及全局上下文信息,本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net).首先,多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图,从而改进模型处理医学图像分割时尺度不变的缺陷.接下来,该模块通过图的传递闭包构建注意力图,进而提取高阶的深层特征.通过将多尺度高阶注意力模块应用于编码器-解码器结构中,在彩色眼底图像数据集DRIVE上进行血管分割,实验结果表明,基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.     

基于MAU-Net的CT多器官分割

基于计算机断层扫描(CT)图像的多器官精准分割能够准确诊断病灶, 快速制定治疗计划, 提高临床工作的效率. 传统分割算法针对形变大、体积较小且边缘模糊的器官分割效果相对较差. 本文提出了一种改进的U-Net的医学图像分割网络(MAU-Net), 通过引入两个模块, 旨在实现对多器官的精准分割. 多尺度空洞卷积模块通过不同内核大小实现捕捉目标器官多尺度特征. 动态注意力模块精确提取重要特征实现分支间的权重平衡. 通过消融实验和其他主流网络的对比实验, 验证了MAU-Net的优越性. 相比于传统的U-Net模型, MAU-Net在所有器官上平均Dice相关系数(DSC)提高了3.39%, 平均95%豪斯多夫距离(HD)降低了4.84 mm. MAU-Net在多器官分割任务中展现了出色的鲁棒性和应用潜力, 有助于提高临床工作效率和医疗诊断的准确性.     

基于稠密扩张卷积的图像语义分割模型

为解决图像语义分割任务中面对的分割场景的复杂性、分割对象的多样性及分割对象空间位置的差异性问题, 提高语义分割模型的精度, 提出基于稠密扩张卷积的双分支多层级语义分割网络(double branch and multi-stages network, DBMSNet). 首先采用主干网络提取输入图像的4个不同分辨率的特征图(De1、De2、De3、De4), 其次采用特征精炼(feature refine, FR)模块对De1和De3这两个特征图进行特征精炼处理, 特征精炼处理之后的输出分支经过混合扩张卷积模块(mixed dilation module, MDM)编码空间位置特征, De4分支采用金字塔池化模块(pyramid pooling module, PPM)编码高级语义特征, 最后将两个分支进行融合, 输出分割结果. 在数据集CelebAMask-HQ和Cityscapes中进行实验, 分别得到mIoU精度为74.64%、78.29%. 结果表明, 本文方法的分割精度高于对比方法, 且具有更少的参数量.     

基于内卷U-Net的医学图像分割模型

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗。目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题。设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力。在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度。在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5%,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性。     

改进DeepLabV3+网络的遥感影像农作物分割方法

针对于当前遥感影像农作物提取存在的识别精度较低、边缘识别效果较差、提取速度慢等问题,提出了一种改进DeepLabV3+网络的遥感影像农作物分割方法。将特征提取网络改为更轻量级的MobileNetV2网络,空洞空间金字塔池化模块中的普通卷积改为深度可分离卷积,大幅减少模型计算量,提高模型计算速度;在特征提取模块以及空洞空间金字塔池化模块加入双注意力机制,进一步优化模型边缘识别效果,提升模型分割精度。此外针对农作物数据集类别不平衡问题,引入加权损失函数,给予玉米、薏米与背景类不同的权重,提高模型对农作物区域分割精度。以2019年某地区的无人机遥感影像为研究对象,对玉米、薏米两种农作物进行分割。实验结果表明,改进DeepLabV3+算法像素准确率可达到93.9%,平均召回率可达到90.7%,平均交并比可达到83.3%,优于传统DeepLabV3+、Unet、Segnet等常用于农作物提取的分割方法,对农作物具有更好的分割效果。     

基于DH-Swin Unet的医学图像分割算法

骨关节疾病自古以来是人类最高发的疾病之一, 随着老龄化的不断加快, 这类疾病日趋广泛, 关节外科医师面临着巨大挑战. 对人体关节的图像分割方法研究可以帮助医生进行临床诊断和治疗, 然而, 由于存在噪声、模糊、对比度低等问题, 医学图像的特征提取比普通图像更具挑战性, 而且目前大多数分割模型在编码器和解码器之间都采用了普通的跳跃连接, 没有注重解决跳跃连接过程中的信息间隙和损失问题. 为解决这些问题, 提出一种基于DH-Swin Unet的医学图像分割算法, 该模型在Swin-Unet模型的基础上, 在跳跃连接中引入密集连接的Swin Transformer块, 并加入混合注意力机制, 来强化网络的特征信息传递. 通过在某三甲医院提供的真实临床数据对所提方法的性能进行评价, 结果表明, 所提出的方法取得了DSC为86.79%、HD为32.05 mm的分割结果, 在关节疾病的临床诊断中具有一定的实用价值.     

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。     

改进U-Net的高分辨率遥感图像轻量化分割

针对传统图像分割方法分割效率低下,遥感图像特征复杂多样,复杂场景下分割性能受到限制等问题,在基于U-Net网络架构的基础上,提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型.首先,以EfficientNetV2作为U-Net的编码网络,增强特征提取能力,提高训练和推理效率,然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制,几乎不增加推理时间的前提下提升网络性能,最后结合多尺度卷积融合模块,提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息.实验表明,改进的网络在遥感图像分割性能提升的同时分割效率也提高.     

基于Inception深度残差网络的皮肤黑色素癌图像分类算法

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点, 采用深度残差网络可以有效解决训练过程中过拟合问题, 提高识别准确率. 但是深度残差网络模型的训练参数多, 时间复杂度高. 为了提高训练效率, 提高识别准确率, 首先从理论上分析了深度残差网络模型的结构, 通过修改网络结构, 利用Inception结构代替残差网络...