基于三重交互关注网络的医学图像分割算法

深度学习由于强大的特征提取能力,在克服类不平衡问题上具有一定优势,但分割精度和效率仍需提升.针对此问题,文中提出基于三重交互关注网络的医学图像分割算法.设计三重交互关注模块,并嵌入特征提取过程,通过对特征的通道维度和空间维度联合关注,充分捕获跨维度交互信息,有效聚焦重要特征,突出目标位置.此外,采用像素位置感知损失,进...     

基于三阶段生成网络的图像修复

基于深度学习的图像修复研究重点之一是色彩、边缘和纹理的生成,然而,已有研究对色彩、边缘和纹理生成方法还可优化.因此,文中提出三阶段生成网络,每个阶段分别侧重于对色彩、边缘和纹理的合成.具体而言,在HSV色彩生成阶段,可在HSV色彩域中重建图像的全局色彩,为修复过程提供色彩指导.在边缘优化阶段,设计边缘学习框架,可获取更准确的边缘信息.在纹理合成阶段,构建特征双向融合解码器,增强图像的纹理细节.上述三个阶段依次衔接,每个阶段均可提升图像修复性能.大量实验表明文中网络性能较优.     

基于残差边卷积的3D点云分类算法

3D点云的不规则性与无序性使点云的分类仍具有挑战性.针对上述问题,文中设计基于残差边卷积的3D点云分类算法,可直接从点云学习到具有区分度的形状描述子,用于目标分类.首先,设计具有残差学习的边卷积模块,用于点云的特征提取.通过K近邻算法,该边卷积模块在输入点云上构建局部图,使用卷积及最大池化进行局部特征的提取与聚合.然后,通过多层感知器从原始点特征中提取全局特征,并以残差学习的方式与局部特征结合.最后,以该卷积块为基本单元,构建深度神经卷积网络,实现3D点云的分类.文中方法较全面地考虑点云局部特征与全局特征的有机结合,网络具有更深层次的结构,最终得到的形状描述子更抽象,具有更高的区分度.在具有挑战性的ModelNet40、ScanObjectNN数据集上的实验证实文中方法的分类性能较优.     

基于局部-非局部交互卷积的3D点云分类

现阶段点云分类研究已被广泛应用于机器人操作、自主驾驶和虚拟现实等多个领域,提取既丰富又具有高判别能力的特征是3D点云分类的关键.为此,文中设计基于局部-非局部交互卷积的3D点云分类算法,改善点云的特征提取.首先,构造局部-非局部交互卷积模块,在获取局部相似特征和非局部相似特征的基础上,采用交互增强,缓解单个邻域在表示封闭区域时存在的冗余问题,增强网络的层次性和稳定性,同时也缓解网络的退化问题.然后,以该模块为基本单元构建卷积神经网络.最后,采用自适应特征融合,充分利用不同层次的特征,实现3D点云的分类.在ModelNet40、ScanObjectNN基准数据集上的实验表明,文中算法性能较优.     

基于截断核范数的图像去噪展开网络

基于模型驱动的图像去噪通常需要先构造先验正则项,在求解优化模型时计算成本较高.基于数据驱动的方法得益于神经网络灵活的架构和强大的学习能力,具有较优越的性能和较高的效率,但往往缺乏足够的可解释性.为此,文中提出基于截断核范数的图像去噪展开网络,结合低秩矩阵恢复中基于截断核范数的模型驱动方法和图像去噪,并将每次迭代看作展开网络的一个阶段,把每个阶段进行连接,形成一个端到端的可训练展开网络.在上述每个阶段中,借助神经网络学习奇异值算子,解决奇异值分解在传统迭代算法中计算代价较高的问题.在多组去噪数据集上的实验验证文中网络的有效性.     

双分支多交互的深度图卷积网络

图神经网络在节点分类任务中表现较优,然而,如何充分获取图数据的高阶语义特征并防止过平滑现象,仍是影响节点分类准确性的关键问题之一．为此,文中构造双分支多交互的深度图卷积网络,用于增强节点获取高阶语义特征的能力．首先,根据节点的特征信息对图结构进行重构．然后,利用原始图结构和构造重构图结构,建立一个双分支的网络架构,充分提取不同的高阶语义特征．同时,设计一个通道信息交互机制,学习不同分支的信息交互,进一步增强节点特征的多样性．最后,在多个基准数据集上的实验表明,文中网络可有效提升半监督节点分类任务的精度,并缓解过平滑现象．     

基于三路径网络的医学图像分割方法

卷积神经网络由于强大的特征提取能力在医学图像分割任务上取得一定进展,但仍需提升边缘分割的准确性.为此,文中提出基于边缘选择图推理的三路径网络,包括目标定位路径、边缘选择路径和细化路径.在目标定位路径中,设计多尺度特征融合模块,聚合高级特征,实现病变区域的定位.在边缘选择路径中,构造边缘选择图推理模块,用于低级特征的边缘筛选,并进行图推理,保证病变区域的边缘形状.在细化路径中,建立渐进式组级细化模块,逐步细化不同尺度特征的结构信息与细节信息.此外,引入融合加权Focal Tversky损失和加权交并比损失的复合损失,减轻类不平衡的影响.在公开数据集上的实验表明,文中方法性能较优.