基于EfficientNet-B5级联U型网络的视网膜血管分割方法

针对视网膜图像细小血管难以分割以及病灶误分割等问题,提出了一种基于EfficientNet-B5级联U型网络的视网膜血管分割方法。首先,采用EfficientNet-B5编码器对图像特征编码,提取图像更深层特征;其次,引入空洞空间卷积池化金字塔模块有效地提取视网膜图像中的多尺度特征信息;在双卷积块中加入高效通道注意力捕获跨通道交互的信息;然后,采用级联U型结构,后一级网络对前一级网络的血管分割结果进行细化与优化;最后,采用形态学算子对网络输出的分割图像进行后处理。在CHASE＿DB1数据集上的实验结果表明,该算法的F1值、特异度、准确率及AUC分别为79.57%、98.21%、96.30%和97.51%,相比FC-RCF、U-Net和Res-UNet等算法均有提升。该算法在精确地分割血管的同时表现出较好的抗干扰性能。     

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用Ghost Model替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e＿optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48 M、35.46 GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。     

基于改进U-Net的街景图像语义分割方法

为提升多尺度目标的分割效果,增强特征提取能力,提出了一种基于双重注意力机制的改进U-Net街景图像语义分割方法。在U-Net编码阶段的第5个卷积块之后,添加特征金字塔注意力模块,提取多尺度特征,融合上下文信息,增强目标语义特征。在解码阶段不再采用U-Net的特征拼接方法,而是设计了一个空间域-通道域联合注意力模块,接收来自跳跃连接的低层特征图和来自前一个注意力模块的高层特征图。在Cityscapes数据集上的实验结果表明,引入的注意力模块可有效提升街景图像分割精度,与PSPNet、FCN等方法相比,分割性能指标mIoU提升了2.0%～9.6%。     

融合注意力机制与GhostUNet的路面裂缝检测方法

路面裂缝是道路最为常见的缺陷,随着深度学习技术的发展,利用深度学习的方法对路面图像中的裂缝信息提取的方法愈来愈多。针对现有深度学习路面裂缝检测方法提取裂缝特征不完整导致精度低以及实时性不足的问题,提出一种融合注意力机制与GhostUNet的路面裂缝检测方法。本方法由编码器和解码器组成,将U-Net中的常规卷积改进为Ghost卷积,减少模型参数量;在编码和解码部分,为了提高对裂缝特征的提取能力,引入ECA注意力机制和残差连接,ECA注意力模块可以过滤不相关的特征信息,利用残差连接可以避免网络退化现象。为评估本方法在裂缝检测方面的有效性,使用两个公开裂缝数据集,并进行消融实验和对比实验,实验结果F1＿score、P和R分别比U-Net平均提高了14.48%、14.35%和14.45%;该模型相比U-Net参数量下降了14.2 MB。该模型与同类模型比较,分割的准确率更高,参数量更少。     

多光谱视网膜成像动静脉自动分割方法

为了解决手动标记动静脉耗时耗力的问题，开发了一种基于ResNet＿U-Net网络模型的计算机自动分割视网膜动静脉算法。首先，使用多光谱视网膜成像系统采集视网膜图像并制作数据集，其包含206张548 nm光谱的视网膜图像及其像素级标记的动静脉图像；然后，优化ResNet＿U-Net网络模型中的多尺度特征提取模块和损失函数模块，并增加了通道注意力机制和后期处理方法来提高动静脉自动分类的准确性；最后，在数据集中随机抽取165张作为训练集，41张作为测试集进行了测试。实验表明，本研究所建立的深度学习模型能自动准确分割视网膜图像中的动静脉，准确率可达98.50%。     

基于改进 Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进 Deeplabv3+ 模型。将原始主干网络替换为轻量级 Mobilenetv 2 网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞 空间金字塔池化(atrous spatial pyramid pooling , ASPP )的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每 个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch , CASEB ),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module , CBAM )抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原 Deeplabv 3+模型,改进模型在 平均像素精度(mean pixel attention , MPA )和平均交并比(mean intersection over union , mloU )上分别提升2 . 37%和3 .42%, 该方法可提供更加精确的电力线分割结果。     

融合多尺度卷积和注意力机制的场景提取方法

复杂背景下，不同尺度建筑物的特征差异较大，现有算法对多尺度建筑物分割存在分割不均以及误判等问题。为了解决上述问题，本文设计了一种适应多尺度变化的新型网络结构。首先，针对遥感图像场景提分割精度低的问题，引入坐标注意力机制，嵌入到基础网络中增强上下文信息捕获能力，消除噪声的同时增强网络对于空间特征的提取能力。引入了新型递归残差卷积模块，加深网络层次的同时减少信息丢失，提高特征提取效率。最后，在跳跃连接中引入了空洞空间卷积池化金字塔增大网络感受野，增强有效特征，抑制无用特征。设计系统验证模型的实用性。实验结果表明，本文方法在精确率、召回率、F1 score和IoU指标中比U Net网络分别提高了305%、156%、13%、308%。     

基于密集连接和Inception模块的前列腺图像分割

针对目前磁共振影像上前列腺组织区域的自动分割存在分割精度较低和过分割等问题,提出了一种基于密集连接和Inception模块的U-Net分割算法。首先采用对比度受限的自适应直方图均衡化方法对前列腺图像进行处理,增强信息的可检测性。此外,该算法将密集连接思想引入到U-Net模型中,改进原有编码器和解码器的连接方式,实现多尺度语义信息的融合和传播。同时,使用由空洞卷积驱动的Inception模块代替原有的级联卷积操作,以增加网络的宽度,增强对不同尺寸目标的特征提取与表达能力。最后,针对非组织目标存在的过分割问题,设计了一种具有分类引导功能的校正器,以减少假阳性预测。通过对NCI-ISBI 2013 Challenge公开数据集进行测试,以Dice相似系数、准确率和假阳率作为评价标准,其均值分别可达86.12％、97.96％和1.11％。实验结果表明,与其他分割算法相比,该算法具有更好的分割效果。     

一种用于车辆图像分割的MSSA-UNet模型

针对实际交通场景下的车辆图像分割方法存在模糊、效果差的问题,本文以UNet神经网络模型为基础,提出了一种融合多尺度模块和空间注意力机制的MSSA-UNet模型。在编解码阶段,采用空洞卷积构建多尺度模块,改善卷积层感受野大小受限的同时输出包含多尺度的特征信息。在上采样前,引入空间注意力机制来弥补采样过程中的局部信息丢失问题,提高特征还原能力。结合交叉熵损失与Dice损失,优化网络学习和训练过程,提高模型的分割精度。实验结果表明,本文提出的MSSA-UNet模型对于车辆图像分割任务在IoU评价指标达到83.48%,较改进前准确度提升了2.28%,模型预测值和真实值更接近,分割效果更好,有效提升了模型的分割性能。     

结合空频域多尺度特征的植株叶片分割方法

为实现植物表型参数的精准获取，针对自然环境下不同尺度叶片分割的细节损失问题，提出结合空频域多尺度特征的植株叶片分割方法。以U-Net网络架构为基础，设计下采样频域变换模块，在卷积神经网络中引入频域特征表示替换池化层，利用2D-DCT和2D-IDCT的频域变换方法感知植株叶片目标的全局语义特征；构建多尺度特征融合模块，增加6个上采样节点，提取和连接植株叶片图像细粒度的特征信息；改进通道注意力模块学习分支特征，采用联合损失函数优化网络性能。在2017CVPPP公开数据集上开展实验，结果表明，植株叶片分割网络的交叉比、平均交叉比、像素准确率、精准率和F-score分数分别达到了97.07%、98.04%、99.53%、99.68%和99.74%。与FCN-8s、FCN-ResNet、DeepLabV3+、SegNet和U-Net模型相比，网络的交叉比和平均交叉比最高提升23.32%和12.43%,在较小尺度和细节处理上改善了植株叶片的分割精度，可为植物表型方向的应用研究提供一种可借鉴的思路。     

改进U_Net网络的钢结构表面锈蚀图像分割方法

为实现锈蚀图像分割网络模型轻量化,同时消除非单一特征背景和锈液等类似特征背景干扰,本文将U_Net网络模型的编码部分替换为MobilenetV3_Large网络,导入基于ImageNet数据集的MobilenetV3_Large网络预训练权重,将U_Net网络模型解码部分的普通卷积替换为深度可分离残差卷积,并在上采样的过程中添加注意力导向AG模块和Dropout机制。经实验验证表明,本文设计的改进U_Net网络模型在非单一特征背景和锈液等类似特征背景干扰下,具有明显的锈蚀图像分割优势,相比于原U_Net网络模型,模型大小减少了81.18%,浮点计算量减少了98.34%,检测效率提升了3.27倍,即从原来不足6 fps,提升至19 fps。网络模型实现轻量化的同时,网络模型的准确率达95.54%,相比于原U_Net网络模型提升了5.04%。     

多级自适应尺度的U型视网膜血管分割算法

针对视网膜血管细小和尺度变化复杂的特点,提出一种多级自适应尺度的U型视网膜血管分割算法。首先以编码-解码结构为基础引入残差模块,加强通道特征传播能力。其次在网络底部嵌入多尺度特征提取模块,旨在调整感受野有效地提取多尺度特征。同时在跳跃连接部分增加改进的自适应特征融合模块,促进相邻层次特征之间的有效融合,以提取更多的细小血管特征。最后在解码部分设置侧输出的多级注意结构对多层次特征进行自适应细化。实验结果表明,该算法在DRIVE、STARE和CHASEDB1数据集上准确率分别达到0.9645、0.9694和0.9671,灵敏度分别达到0.8417、0.8465和0.8545,AUC分别达到0.9866、0.9908和0.9877,整体性优于现有算法。     

基于深度学习的脊椎CT图像分割

脊椎CT图像分割是脊椎三维重建可视化的关键。针对脊椎CT图像中脊椎边缘模糊,结构复杂,形状多变等问题,基于深度学习方法提出一种双解码器网络。该网络在编码解码网络U-Net结构基础上增加了一条结构相同的并行解码分支,两个解码分支可以互补地提取图像特征。并且,在编码与解码之间加入双重特征融合模块,解决网络在下采样和上采样过程中造成的语义信息丢失问题。同时用密连混合卷积模块代替原始卷积模块,提高网络对多尺度特征的提取能力。此外加入高效注意力模块,使网络在空间上注重学习感兴趣区域,在通道上抑制无关信息。在CSI2014公开数据集上进行测试,Dice系数达到0.970,Jaccard系数达到0.945,召回率达到0.962。实验结果表明,该网络能够提高脊椎分割精度,具有较好的泛化能力,可以满足临床脊椎CT图像分割需求。     

基于改进 U-Net 的高压电缆绝缘层图像分割研究

针对目前高压电缆绝缘层检测操作繁琐、效率低、重复测量差异大等问题,设计了一种新型电缆绝缘层检测装置,提出 了一种基于改进 U-Net 的高压电缆绝缘层图像分割方法。 首先替换主干特征提取网络为 VGG16 网络,结合迁移学习将 VGG16 在 Pascal VOC2012 数据集中训练的权重作为预训练权重,利用通道注意力模块在跳跃连接处融入自适应特征加权机制,在上 采样过程中添加分组卷积,提高了语义分割精度;然后利用训练的最优权重进行绝缘层图像分割,提取轮廓区域特征并进行二 值化处理,使用连通区域算法对轮廓区域进行填充;最后,融合原始图像和分割区域生成完整绝缘层分割图像。 实验结果表明, 平均交并比和平均像素准确率达到 99. 56%和 99. 81%,较原网络效果提升明显,验证了该方法在高压电缆绝缘层分割上的 有效性。     

基于改进U-Net的输电线路绝缘子图像分割方法研究

针对输电线路巡检航拍的绝缘子图像存在背景复杂、对比度不明显、图像质量不能保证等情况造成绝缘子分割精度不高的问题,提出一种基于注意力模型改进U-Net网络的分割方法。首先以VGG16替换主干特征提取网络,增强网络的适用性;同时在下采样过程中引入注意力模型,增强对绝缘子目标的辨识能力,抑制背景、噪声等干扰信息,实现更加精确的分割。实验结果表明:CBAM注意力模型与U-Net网络相结合的方式效果最好,平均重叠度可达96.57%。     

基于Shuffle-Unet的视网膜血管分割研究

针对传统视网膜血管分割算法检测速度慢,难以应用于实时医疗辅助诊断系统的问题,提出一种轻量型的基于Shuffle-Unet的视网膜血管分割模型。对轻量级模型ShuffleNetV2进行结构剪枝,剪除ShuffleNetV2结构上最后一层卷积层、全局池化层和全连接层,简化模型结构;将剪枝后的ShuffleNetV2作为模型的主干提取网络,降低模型的计算复杂度,提高模型的运行速度;使用随机通道分离操作模块搭建上采样模型结构,增强网络特征传递能力;使用注意力机制模块将模型的第一层特征层输出和上采样层相融合,分别从通道和空间两个维度上增强模型对有效特征的提取。通过DRIVE、CHASE_DB1两个公开数据集与其他视网膜血管分割算法进行对比,有效的证明了Shuffle-Unet模型具有高分割精度和高检测速度的特点。     

Research on High Altitude Remote Sensing Building Segmentation Based on Improved U-Net Algorithm

Building extraction from high resolution remote sensing image is a key technology of digital city construction[14]. In order to solve the problems of low efficiency and low precision of traditional remote sensing image segmentation, an improved U-Net network structure is adopted in this paper. Firstly, in order to extract efficient building characteristic information, FPN structure was introduced to improve the ability of integrating multi-scale information in U-Net model; Secondly, to solve the problem that feature information weakens with the deepening of network depth, an efficient residual block network is introduced; Finally, In order to better distinguish the target area and background area in the image and improve the precision of building target edge detection, the cross entropy loss and Dice loss were linearly combined and weighted. Experimental results show that the algorithm can improve the image segmentation effect and improve the image accuracy by 18%.