基于改进U型神经网络的脑出血CT图像分割

针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net, Attention U-Net, UNet++以及CE-Net相比,mIoU指标分别提升了20.9%, 3.6%, 7.0%, 3.1%,表明AU-Net+模型具有更好的分割效果。     

基于改进U-Net网络的甲状腺结节超声图像分割方法

针对甲状腺结节尺寸多变、超声图像中甲状腺结节边缘模糊导致难以分割的问题,该文提出一种基于改进U-net网络的甲状腺结节超声图像分割方法。该方法首先将图片经过有残差结构和多尺度卷积结构的编码器路径进行降尺度特征提取;然后,利用带有注意力模块的跳跃长连接部分对特征张量进行边缘轮廓保持操作;最后,使用带有残差结构和多尺度卷积结构的解码器路径得到分割结果。实验结果表明,该文所提方法的平均分割Dice值达到0.7822,较传统U-Net方法具有更优的分割性能。     

基于改进CenterNet的图像多篡改检测模型

针对目前的图像篡改数据集中缺少同时包含多种篡改操作的单张图像的问题,构建了包含多种图像篡改手段的综合数据集(MTO Dataset),每张图片包含复制移动、拼接和移除中的2种或3种篡改操作。针对多篡改检测,提出了一种基于改进CenterNet的图像多篡改检测模型,将RGB图像和经过隐写分析得到的噪声特征图作为特征提取网络的输入,在特征提取网络ResNet-50的每一层卷积前加入门控通道注意力转换单元以促进特征通道间关系。为得到更具辨别性的特征,通过改进后的注意力机制自适应学习并调节特征权重,最后使用改进的损失函数优化边框预测的准确度。实验结果证明,与当前先进模型DETR、EfficientDet和VarifocalNet相比,该模型的F1分数提升0.4%～7.4%,检测速率提高1.32～3.06倍。     

基于改进Transformer的细粒度图像分类模型

细粒度图像具有不同子类间差异小、相同子类内差异大的特点。现有网络模型在处理过程中存在特征提取能力不足、特征表示冗余和归纳偏置能力弱等问题,因此提出一种改进的Transformer图像分类模型。首先,利用外部注意力取代原Transformer模型中的自注意力,通过捕获样本间相关性提升模型的特征提取能力;其次,引入特征选择模块筛选区分性特征,去除冗余信息,加强特征表示能力;最后,引入融合的多元损失,增强模型归纳偏置和区分不同子类、归并相同子类的能力。实验结果表明,所提方法在CUB-200-2011、Stanford Dogs和Stanford Cars三个细粒度图像数据集上的分类精度分别达89.8%、90.2%和94.7%,优于多个主流的细粒度图像分类方法,分类结果较好。     

基于注意力机制的残差密集网络红外/可见光图像融合

针对弹载武器可见光图像与红外融合高层特征融合不足,目标细节表现不突出导致打击目标检测失败的问题,提出了一种基于注意力机制的残差密集网络的红外与可见光图像融合模型。受残差网络和密集网络的启发,设计了一种基于残差密集网络的图像融合算法解决融合图像细节纹理信息不足的问题。采用注意力机制有效提取目标特征区域的关键信息,通过局部残差融合和全局残差融合算法保留目标的纹理细节。此外,为了更好地保留可见光图像中的细节纹理,对目标细节特征发现时增强特征抑制。实验证明,该算法能够增强目标细节特征,同时有效保存了其轮廓信息,与不采用注意机制提高相比,融合精度提高了5%,运算量下降2%左右。     

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas, DRIVE, ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。     

基于改进残差网络的道口车辆分类方法

为了提高模型在道口环境下的车辆图像的特征提取和识别能力,提出了一种基于改进残差网络的车辆分类方法。首先以残差网络为基础模型,改进了残差块中激活函数的位置,并将残差块中的一般卷积用分组卷积代替,引入注意力机制,用焦点损失函数替换交叉熵损失函数。实验部分先用公开数据集StanfordCars进行预训练,再用自建的道口车辆数据集进行迁移学习。结果表明,改进模型在两个数据集中的准确率均优于几种经典的深度学习模型。     

基于双注意力机制的医学超声图像降噪模型

医学超声图像中会不可避免地产生斑点噪声。为有效去除医学超声图像中的噪声,本研究团队提出了一种基于双注意力机制的医学超声图像降噪模型。首先,针对医学超声图像数量有限的问题,对伯克利分割数据集中的400张图像进行旋转和缩放,获得23700张自然图像,再通过斑点噪声模型对其添加斑点噪声来模拟超声图像;接着,在构建降噪模型过程中,针对传统卷积神经网络在特征提取时存在的一些不足,分别引入位置注意力机制、通道注意力机制和全卷积网络对现有模型进行改进,构建更优的超声图像降噪模型;最后,在模型训练过程中,为防止梯度消失引入了批量归一化操作。实验结果表明：从视觉观察效果和客观评价指标来看,所提模型对11张模拟超声图像和2张真实超声图像（物理体膜超声图像和肝脏超声图像）的去噪效果均优于对比模型。所提模型是一种有效的医学超声图像降噪模型,不仅有效降低了斑点噪声,还较好地保留了图像的细节信息。     

复杂场景下基于改进YOLO算法的遥感图像目标检测

遥感图像普遍目标尺度变化较大,背景较为复杂,这些问题导致当前目标检测算法出现漏检或检测效果不佳等现象。文章选择YOLOv3算法作为基础网络进行改进,对训练数据做Mosaic数据增强,增加困难样本数量。结合ECA通道注意力机制,丰富特征的表达能力。使用CIOU损失作为定位损失,增强了目标回归框的检测精度和收敛速度。在遥感图像数据集RSOD上进行训练和测试,实验结果表明,改进的YOLOv3检测效果更佳,鲁棒性更强,具有很好的实用价值。     

一种基于高频超声图像的肝包膜提取算法研究

针对高频超声图像中严重断裂肝包膜提取率低的问题,提出一种腹水结合动态规划的肝包膜边界提取算法。文中利用腹水特征实现肝包膜的粗定位,结合动态规划算法实现肝包膜的准确提取。实验结果显示,正常组、轻度、中度和重度肝硬化组的提取准确率分别为100.00%、98.75%、93.75%和92.30%。实验结果表明,文中算法能够在自动提取肝包膜轮廓线的同时提高断裂肝包膜线的提取准确率,并为进一步应用计算机辅助诊断提供了符合医学超声视觉特征的腹水特征。     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

结合改进ShuffleNet-V2和注意力机制的无人机图像自主分类预警框架

为实现灾难事件的无人机(Unmanned Aerial Vehicle, UAV)自主监测和预警,提出了结合逐通道注意力机制和高效卷积神经网络的新架构。考虑到嵌入式平台的资源限制条件,使用轻量级ShuffleNet-V2作为骨干网络,能够对更多信息进行高效编码并尽可能降低网络复杂度。为进一步提高灾难场景分类的准确度,在ShuffleNet-V2网络中结合了挤压-激发(Squeeze-Excitation, SE)模块以实现逐通道注意力机制,显著增强分类网络对重要特征的关注度。通过数据采集和增强技术获得包括12 876张图像的UAV航拍灾难事件数据集,对所提方法进行性能评估,并比较所提方法与其他先进模型的性能。结果表明,所提方法取得了99.01%的平均准确度,模型大小仅为5.6 MB,且在UAV机载平台上的处理速度超过10 FPS,能够满足UAV平台自主灾情监测任务的现实需求。     

基于知识蒸馏与改进ViT网络的花卉图像细粒度分类

由于自然条件下拍摄的花卉图像背景复杂,而且其存在类内差异性大和类间相似性高的问题,现有主流方法仅依靠卷积模块提取花卉的局部特征难以实现准确的细粒度分类。针对上述问题,本文提出了1种高精度、轻量化的花卉分类方法(ConvTrans-ResMLP),通过结合Transformer模块和残差MLP(multi-layer perceptron)模块实现对花卉图像的全局特征提取,并在Transformer模块中加入卷积计算使得模型仍保留提取局部特征的能力;同时,为了进一步将花卉分类模型部署到边缘设备中,本研究基于知识蒸馏技术实现对模型的压缩与优化。实验结果表明,本文所提出的方法在Oxford 17、Oxford 102和自制的Flowers 32数据集上的准确率分别达98.62%、97.61%和98.40%;知识蒸馏后本文的轻量化模型的大小约为原来的1/18,而准确率仅下降2%左右。因此,本研究能较好地提升边缘设备下花卉细粒度分类的效率,对促进花卉培育的自动化发展具有切实意义。     

基于多尺度注意力小波网络的可适应病变规模超声乳腺图像分割

针对超声乳腺图像中对不同规模病变的分割鲁棒性不足的问题,提出了一种多尺度注意力小波网络(MAW-Net).通过设计两个轻量的网络模块,多尺度拼接模块和跳过连接升维模块,达到在不同尺度上集成丰富的特征和全局上下文信息,减少编码器和解码器之间的语义差距以适应不同规模病变分割的目的.并引入双树复小波变换,很好地削弱了噪声影响.在两个公共的乳腺超声数据集UDIAT和BUSI数据集上进行测试,其Dice系数分别达到91.32%和84.23%.并与其他6种先进的图像分割方法进行比较,具备强分割鲁棒性、噪声影响小等优势.     

基于改进YOLOv5的火灾检测研究

针对传统火灾系统预警不及时、容易误报等问题,文章提出了一种基于改进YOLOv5的火灾检测算法。为了增强网络对火焰的方向和位置信息的敏感度,在模型中引入CA(Coordinate Attention)注意力机制;为了提高回归精度和收敛速度,使用损失函数SIOU替换CIOU。改进的YOLOv5算法的精确率和平均精度达到了74.2%和69.4%,相较于标准算法的精确率和平均精度提高了8.8%和2.8%,优化定位框和误检情况。实验结果表明,改进的YOLOv5算法模型提高了火灾检测的准确性和实时性。     

基于RCF网络的遥感图像场景分类研究

为了提高ResNet50网络对遥感场景图像中目标特征的提取能力和场景分类的可解释性,提出一种基于ResNet50-CBAM-FCAM(RCF)网络的遥感图像场景分类方法.该方法在ResNet50网络中增加卷积注意力模块和全卷积类激活映射分支,利用注意力机制将分支特征分别与提取的通道注意力特征和空间注意力特征融合,生成各...     

基于深度特征和注意力机制的艺术图像情感分类研究

作为人类精神活动产物的艺术图像,其本身蕴含着丰富的情感语义信息,研究艺术图像的情感分类有助于艺术图像的鉴赏与保护,以图像为对象的情感分类研究已成为情感计算的研究热点,但该分类主要依赖于图像低层特征的抽取,从而导致图像情感分类结果不高.本文提出了一种基于底层特征和注意力机制的艺术图像情感分类模型,即提取艺术图像的CLAH...     

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题,文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况,造成信息丢失的问题,对主干网络中Stage4的下采样块添加平均池化层,进一步提高网络特征提取能力;针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题,使用标签平滑方法对交叉熵损失函数进行修改,有效缓解网络损失值震荡幅度;针对ResNet50计算量大、训练困难的问题,使用混合精度和余弦退火衰减方法对模型进行训练,在加快网络收敛速度的同时提高模型的分类精度。实验结果表明,与原ResNet50网络相比,文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%,能够更好地应用于图像分类任务。