基于改进U-Net的视网膜血管分割

针对传统算法在眼底视网膜血管分割过程中存在特征提取困难、细节区域分割不精确的问题,本文在U-Net网络的基础上进行改进,提出了一种能更好进行血管分割的算法CSD-UNet。首先,在编码和解码阶段使用了卷积注意力模块,通过引入注意力机制对血管的细微结构进行通道和空间增强;其次,采用了SoftPool的池化方法,保证在下采样阶段保留更多原始信息,增加感受野;最后,选择密集上采样卷积作为本算法的上采样方法,产生像素级预测且捕获更多细节信息。在公开数据集DRIVE、CHASE＿DB1上验证该算法,结果表明,该算法较现有的先进算法在分割效果上有一定的提升。     

基于轻量型卷积神经网络的生活垃圾图像分类

为解决人工分拣生活垃圾过程中存在的分类效率低、劳动强度大等问题,提出一种轻量型的生活垃圾图像分类模型DG-MobileNetV2。该模型以轻量级网络MobileNetV2为基础,通过引入双尺度深度卷积模块、通道混洗技术、调整宽度因子等手段,达到压缩模型参数量的同时提高分类准确率的目的。实验表明,DG-MobileNetV2的参数量仅为0.403 M(文中1 M=1,000,000),在华为技术有限公司发布的生活垃圾分类数据集上的分类准确率达到90.58%,具有良好的分类效果。后续该轻量型模型可以移植至移动端或嵌入式设备中,为生活垃圾智能化的分类提供了新的思路和实现方法。     

基于CNN的乳腺癌病理图像分类研究

乳腺癌已经成为全球第一大癌症,乳腺癌的早期发现及良恶性诊断对于治疗具有重要的意义.针对传统机器学习方法在乳腺癌病理图像分类任务中性能不足和准确率低的问题,本文提出了基于CNN(卷积神经网络)的乳腺癌病理图像分类模型,将乳腺癌病理图像分为良性与恶性.该模型以VGG网络为基础,对网络结构进行调整,在公开的BreakHis数...