基于弱监督和半监督学习的红外舰船分割方法

为降低获取像素级标签的成本,提出一种基于弱监督和半监督学习的红外舰船分割方法,在残差网络(residual network, ResNet)的基础上,设计一个自适应定位模块,并使用相似损失、前景损失和背景损失训练自适应定位模块,生成舰船定位图;利用少量像素级标签数据和大量定位图数据交替训练显著性网络生成显著图;用条件随机场优化显著图,并结合图像级标签生成伪标签图像,使用伪标签图像训练分割网络,得到红外舰船的分割结果。在红外舰船数据集上的平均交并比为71.18%,与当前其他先进方法进行对比,平均交并比提高了9.47%,试验结果表明自适应定位模块能够有效定位红外舰船,交替训练方法可以使红外舰船的边缘更准确。     

基于多尺度互注意力的遥感图像语义分割网络

为了解决在遥感图像语义分割任务中存在的目标物体之间巨大尺度差异和丢失空间细节信息导致分割精度下降的问题，提出多尺度互注意力与指导上采样网络.利用多尺度互注意力模块获得不同尺度图像之间的像素关系，平衡不同尺度物体的权重，提高小尺度物体的分割性能.编码指导上采样模块利用编码结构中的信息，指导图像上采样的过程，融合空间细节信息，提升目标物体边界像素的分类效果.在Potsdam数据集和Jiage数据集上的m IoU得分分别为85.52%和86.59%，较次优网络分别提升了1.32%和1.46%.     

基于改进UNet的混凝土CT孔隙裂隙分割方法

为了解决计算机断层扫描(Computed Tomography, CT)混凝土图像中裂隙和孔隙像素值一致,导致阈值分割效果差的问题,提出一种基于UNet模型的改进模型,对混凝土CT图像进行裂隙和孔隙分割.首先,通过CT技术扫描混凝土试块获取CT图像后,人工标注出CT图像中的裂隙与孔隙,并利用数据增强扩充训练集;然后,采用非对称卷积模块和残差模块对UNet模型中编码器和解码器进行改进,在特征提取部分采用非对称卷积模块降低模型的运算量后,使用残差模块减少参数量,降低了训练过拟合,有效提升了CT图像中裂隙与孔隙的分割精度.试验结果表明：改进模型在制作的混凝土CT图像数据集上召回率达83%,分割精度为85%,Dice值为85%,对比UNet和其他现有的深度学习模型都有较高提升,为混凝土细观破坏机理研究提出新的思路.     

面向水下场景的轻量级图像语义分割网络

提出面向水下场景的图像语义分割网络，考虑到速度和准确度之间的权衡问题，网络采用轻量且高效的编解码器结构.在编码器部分，设计倒置瓶颈层和金字塔池化模块，高效地提取特征.在解码器部分，构建特征融合模块融合多水平特征，提升了分割的准确度.针对水下图像边缘模糊的问题，使用辅助的边缘损失函数来更好地训练网络，通过语义边界的监督细化分割的边缘.在水下语义分割数据集SUIM上的实验数据表明，对于320像素×256像素的输入图像，该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s,mIoU达到53.55%，能够在保证高准确度的同时，达到实时的处理速度.     

基于3D scSE-UNet的肝脏CT图像半监督学习分割方法

针对分割神经网络需要大量的高质量标签但较难获取的问题,提出基于3D scSE-UNet的半监督学习分割方法. 该方法使用自训练的半监督学习框架,将包含改进的并行空间/特征通道压缩和激励模块（scSE-block+）的3D scSE-UNet作为分割网络. scSE-block+可以从图像空间和特征通道2个方面自动学习图像的有效特征,抑制无用冗余特征,更好地保留图像边缘信息. 在自训练过程中加入全连接条件随机场,对分割网络产生的伪标签进行边缘细化,提升伪标签的精确度. 在LiTS17 Challenge和SLIVER07数据集上验证所提出方法的有效性. 当有标签图像占训练集总图像的30%时,所提方法的Dice相似系数(dice score)为0.941. 结果表明,所提出的半监督学习分割方法可以在仅使用少量标注数据的情况下,取得与全监督分割方法相当的分割效果,有效减轻肝脏CT图像分割对专家标注数据的依赖.     

基于Transformer与距离图谱的泛癌细胞核图像分割

肿瘤细胞的密度、核质比和平均尺寸等指标对癌症的分级和预后有重要的意义.在计算病理学中,细胞核分割是肿瘤微环境分析的基础.通过对分割结果进行统计分析,对新的肿瘤标记物的探索有重大的意义.病理图像背景下的细胞核形态不规则,细胞核染色不均匀,且细胞核边缘之间存在黏连的问题,而现有的深度学习算法在细胞核主体分割正确的情况下,边缘的分割错误不会对总体的损失造成太大的影响,黏连的细胞核很容易被当作同一个分割目标.为了解决细胞核重叠问题,本文提出一种基于Transformer与距离图谱的分割模型,将Transformer中的核心多头自注意力机制与距离图谱引导算法相结合,重视细胞核内部,弱化细胞核边界,提升对图像局部和全局上下文信息的学习能力.本文方法在两个公开数据集上的平均Dice系数为0.797 9、精度为0.756 1、AJI系数为0.667 2、Hausdorff距离为10.11.实验结果表明,相较其他分割算法,本文方法的性能更好,能够有效提高细胞核的分割精度,同时较好地解决了细胞核之间的黏连问题.     

融合多分辨率表征的实时烟雾分割算法

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法. 该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求. 提出烟雾前景增强模块,使得烟雾像素点融合前景增强表征、避免背景信息干扰,分割准确率得以提高. 提出残差注意力模块,从通道、空间维度增强重要特征信息,抑制无效信息. 该算法在自建数据集上平均交并比为91.27%,每张图片预测时间为39.06 ms,网络权重为74.66 MB;在公开数据集上的对比结果表明,该算法综合检测性能优于其他烟雾检测算法. 该算法分割准确率高、检测速度快且模型轻量化,可以应用于实际视频监控系统.     

基于特征重构自愈残差网络的神经元形态分类

针对不同类别神经元之间的形态相似度高、类内区别性大,容易导致神经元分类准确率不高的问题,提出了一种基于特征重构自愈残差网络的神经元形态分类方法。针对传统卷积造成边缘像素弱化和填充策略带来新像素侵蚀特征的问题,在基础网络后端构建特征重构模块来保留重要的中心特征并过滤受损的边缘特征。利用自注意力权重模块和排序正则化损失方法增强对神经元形态特征的关注。自注意力权重模块为每个样本重新分配权重,以此捕获样本重要性进行加权损失;排序正则化模块则将这些权重按降序重新排序,分为高低2组权重,同时通过在2组平均权重之间强制执行边距进行正则化处理。所提方法在大鼠神经元形态数据集上进行实验,实现了较为优良的分类效果,在Img_-raw、Img_-resample和Img_-XYalign数据集上进行十二分类的准确率分别达到了96.7%,86.94%,85.84%。与其他分类方法相比,所提方法具有更高的神经元形态分类准确率,相较于基础网络ResNet18,有效地提升了神经元形态分类准确率。     

MSAG-TransNet:肺部CT图像中新型冠状病毒感染区域的分割模型

针对现有新型冠状病毒感染区域的分割方法存在形态特征提取不充分、感染区域检测不完整以及背景混淆等问题,提出了一种肺部CT图像中新型冠状病毒感染区域的分割新模型：MSAG-TransNet模型。该模型在U型网络的基础上增加了多尺度特征抽取模块、Transformer语义增强模块和多重注意力门模块等3个新模块。首先设计了多尺度特征抽取模块来增强骨干网络的特征提取能力,通过多分支结构的深度可分离卷积,充分提取感染区域的形态特征;其次,设计了Transformer语义增强模块来捕获图像全局位置信息,整合局部形态特征;最后,设计了多重注意力门模块,将提取的特征与对应上采样过程的门信号拆分成不同分区,然后利用注意力门抑制各分区的无效特征,得到最终分割结果。该模型在两个公开的新型冠状病毒感染CT数据集上进行实验,实验结果显示：分割图像的Dice系数分别为82.03%和76.67%,精确率为77.27%和72.34%,交并比为69.53%和62.16%;与其他主流模型相比,该模型能够提取更丰富的形态特征,检测到更完整的感染区域,并且得到更精准的分割结果。该模型可以更精确的定位和量化新型冠状病毒感染区域,...     

基于改进的DUNet遥感图像道路提取

为进一步提高遥感图像道路提取的精度,提出一种改进的DUNet遥感图像道路提取方法。在编码器部分,为使网络关注道路信息,在第3个池化层分别使用有注意力机制和没有注意力机制两个分支提取道路特征;在解码器部分,同时使用传统UNet的解码器和DUNet解码器两个分支进行上采样,最大限度减少信息丢失。试验结果表明,与其他8种常用的分割模型结果相比,此方法在Massachusetts和DeepGlobe 2018数据集上都获得最高的平均交并比和平均Dice系数,其中平均交并比最高分别提高2.90%和8.99%,平均Dice系数最高分别提高2.53%和7.66%。这表明改进的DUNet能够有效实现遥感图像的道路提取,与传统DUNet相比,在小路区域的分割效果得到提升,进一步提高了传统DUNet的分割精度。     

基于Non-local的腰椎间盘突出患者多裂肌分割方法

为实现腰椎间盘突出患者多裂肌病灶部位的精确分割,提出了一种基于Non-local的腰椎间盘突出患者多裂肌分割方法。以U-Net网络为基础,通过构造混合池化卷积来代替编码器传统的卷积模块,以提高全局特征与局部特征之间的相关性并融合网络高低维特征,增强了网络提取多裂肌特征的能力。然后,在网络的中间部署了一个由2个级联卷积组成的卷积模块。最后,经过由Non-local模块和3×3的卷积构成的解码器,通过引入注意力机制来更加关注目标的特征并抑制不必要的特征和噪音,从而提高模型的性能。实验结果表明,本方法与经典U-Net算法相比,Dice系数提升了9.5%,Jaccard相似系数提升了11.3%,Hausdorff Distance下降了74.6%。该方法提高了多裂肌脂肪浸润部位的分割精度,为腰椎间盘突出患者多裂肌病灶部位的分割提供了一种有效的方法。     

基于RAPNet的脑肿瘤MRI图像三维分割

传统深度卷积神经网络方法在全自动脑肿瘤磁共振成像(MRI)图像分割中存在多尺度病变处理能力较弱的问题。对此，使用改进的三维递归残差卷积单元构建特征学习的主干网络，提高了特征学习的空间相关性并缓解因网络模型过于复杂造成的网络退化和梯度弥散。同时，采用具有不同膨胀率的三维空洞卷积和跨模型注意力机制构建分层特征金字塔，结合上下文特征，提高了整体模型对不同大小肿瘤的识别能力。结合多层特征图对肿瘤图像进行辅助预测，获得了最终图像的分割结果。在BraTS 2019数据集上进行实验的结果表明，用残差-空洞金字塔网络(RAPNet)的方法在分割浮肿区域、坏疽区域、增强肿瘤区域的平均Dice相似性系数分别为0.897,0.852和0.823。与现有高效脑肿瘤图像分割方法相比，新方法在学习病变的多尺度特征方面具有更好的效果。     

基于两阶段区域生长法的肝内血管分割算法分析

为了在缺乏大量肝血管标注信息的情况下增强肝血管结构分割, 提出了局部-长距离-相邻信息融合模块, 并将其嵌入U-Net的编码阶段, 得到一种基于结构感知的肝血管分割网络。该模块有3个分支: 提取特征图局部信息的残差卷积模块, 利用自注意力机制提取特征图的全局信息的长距离提取模块, 以及利用相邻切片补充上下文信息的相邻信息提取模块。通过将以上3个分支模块的输出特征图进行融合, 可以有效提升网络的血管结构感知能力, 缓解2D网络无法表征血管立体走向与3D网络训练数据不足的问题。分别在MICCAI十项全能数据集中的肝血管与肿瘤数据集和三甲医院收集标注的自采肝血管数据集上进行了广泛的对比实验。结果表明, 与多种主流的分割算法相比, 该算法取得了最优的血管分割性能。所提出的方法在MICCAI数据集上Dice值达到64.04%, 在自采肝血管数据集上Dice值达到了72.07%。

     

融合多尺度Transformer的皮肤病变分割算法

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域;然后利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强空间信息和语义信息间的依赖关系,通道注意力模块能够有效识别特征丰富的通道,提高算法分割精度;最后引入扩展模块恢复图像大小以匹配实际需求。将该算法在ISBI2016、ISBI2017和ISIC2018三个公共数据集上进行实验测试,其像素精度分别为96.70%、94.50%和95.39%,平均交并比分别为91.69%、85.74%和89.29%,算法测试整体性能优于现有算法。仿真实验证明,多尺度Transformer编解码网络能够有效地分割皮肤病变图像。     

基于改进U2-Net网络的多裂肌MRI图像分割算法

针对腰间盘突出患者MRI图像多裂肌病变部位分割精度较低的问题,提出一种改进的U2-Net网络的新模型,目标是使得编码和解码的子网络通过一系列嵌套的跳跃路径来相互连接.重新设计U2-Net模型中RSU-7、RSU-6、RSU-5、RSU-4中间的跳跃连接,RSU-4F部分不变,用来降低编码解码子网络中特征图的语义缺失.为了提取到高质量的多裂肌特征,加入通道注意力模块,通过学习每个通道的权重,使网络能够更好地关注对任务有贡献的通道,从而提升模型的性能.为验证模型的有效性,在多裂肌MRI图像数据集上进行实验,发现相较于U-Net、U2-Net、U-Net++网络结构,骰子系数(Dice)、豪斯多夫距离(HD)以及均交并比(MIoU)3个指标均有优化.实验结果表明,本文提出的算法对于多裂肌的MRI图像分割有较好的效果,能够辅助医生对病情做出判断.     

基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果，针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题，提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积，然后对空间注意力机制模块和通道注意力机制模块并行连接，并在这两个模块中加入可变形卷积，最后改进Mask R-CNN掩膜分支的损失函数，对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力，并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验，结果表明，相比于Mask R-CNN基准模型，该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率，有效解决边缘分割不精细的问题。     

基于改进DeepLabv3+模型的桥梁裂缝图像分割方法

针对桥梁中的裂缝病害智能化检测,深度学习方法中DeepLabv3+分割模型因其提出了新的Encoder-Decoder结构,其融合了目标的高层语义信息与浅层特征并采用了深度分离卷积的方式,取得了优越的图像分割效果。但是,在编码模块训练过程中逐渐缩减输入数据的空间维度导致有用信息丢失,对尺度大小不一的小目标的识别带来一定的局限性。为了提高网络的分割性能,本文提出了一种基于改进DeepLabv3+的图像分割方法。通过增加的YOLOF模块与Resnet模块,进一步扩大感受野同时获取到更精确的裂缝特征图,为了验证本文改进算法的有效性,将大量实际桥梁裂缝图像作为原始数据集,将其与当前具有代表性的图像分割模型（如Mask R-CNN、DeepLabv3+）在相同数据集上进行对比。结果表明,本文算法在裂缝像素精度上相比Mask R-CNN、DeepLabv3+分别提高了12%与8%,平均像素精确度达到91.99%,平均交并比达到了81.43%,更加适用于桥梁裂缝分割任务,具有工程实际应用意义。     

TCS-Net：一种核电安全壳细小裂缝分割网络

针对核电安全壳表面裂缝视觉检查任务面临的裂缝细小且占像素少、裂缝与背景对比度低、相似纹理干扰多、光照影响等问题,作者提出了一种细小裂缝分割模型TCS-Net(Segmentation network of tiny cracks)。该模型是编码——解码的网络结构,在下采样过程使用Soft Pooling减少编码过程池化导致的信息损失以保留图像边缘细节及位置信息;解码端在下采样过程中通过加入兼顾通道注意力和空间注意力的语义补偿模块(ResCRAM)以融合编码端的各层特征,可增强裂缝的多尺度细节信息;结合Bce(Binary Cross-Entropy)损失和Dice损失作为目标损失函数,以解决单一损失关注度倾向带来的训练不稳定的问题,也可优化Acc(Accuracy)、IOU(Intersection over Union)、Recall等性能指标。为了验证模型的有效性,在真实的安全壳图像对所提裂缝分割模型进行了测试。实验结果表明,与现有的主流语义分割模型相比,TCS-Net裂缝分割模型的IOU指标可提高5%-9%,Recall指标可提高9%-13%,由此说明该模型具有检测率和检测精度更高,能有效适用于目标与背景严重不平衡、背景复杂且干扰较多情况下的细小裂缝分割任务。     

Attention Res-Unet: 一种高效阴影检测算法

图像中阴影像素的存在会导致图像内容的不确定性,对计算机视觉任务有害,因此常将阴影检测作为计算机视觉算法的预处理步骤. 提出全新的阴影检测网络结构,通过结合输入图像中包含的语义信息和像素之间的关联,提升网络性能. 使用预训练后的深层网络ResNeXt101作为特征提取前端,提取图像的语义信息,并结合U-net的设计思路,搭建网络结构,完成特征层的上采样过程. 在输出层之前使用非局部操作,为每一个像素提供全局信息,建立像素与像素之间的联系. 设计注意力生成模块和注意力融合模块,进一步提高检测准确率. 分别在SBU、UCF这2个阴影检测数据集上进行验证,实验结果表明,所提方法的目视效果及客观指标皆优于此前最优方法所得结果,在2个数据集上的平均检测错误率分别降低14.4%和14.9%.     

一种基于残差结构的车道线检测方法

提出了一种基于车道线特征的残差因子分解网络实现精确车道线分割的方法,该法采用笔者所提的语义分割网络实现车道线语义分割,通过编码器提取车道线的特征信息,再使用解码器恢复图像信息。在编码器中增加的残差层能更好地处理边缘信息与相似信息,提取到更多的特征信息。 用霍夫线拟合方法组成一条可视化的车道线。训练时先对车道线分割训练集进行增强,使用对抗生成网络对公开数据集进行数据增强,自动实现白天到夜晚的转换,生成弱光照场景下的图片,提 高训练数据的泛化性。实验证明：笔者算法在保持速度的前提下,能够大大提高分割准确率,与其他车道线分割算法相比,ＣＵＬａｎｅ数据集的准确率可提高到７４．７％。