基于U-Net改进的内窥镜息肉图像分割算法

息肉图像的分割在临床医疗和计算机辅助诊断技术等领域具有广泛的研究和应用价值,但是就目前的研究和应用需求来看,准确的息肉分割仍然是一项挑战.针对内窥镜息肉图像中出现的息肉与黏膜边界不清晰、息肉的大小和形状差异较大等影响分割质量的问题,该文提出了一种基于U-Net改进的息肉图像分割算法(SBF-Net).首先,在U-Net架构上引入了边界特征加强模块(BFEM),考虑到息肉边界和内部区域的关键线索,该模块利用编码器高层特征生成额外的边界补充信息,在解码器阶段进行融合,提升模型处理边界特征的能力.其次,该模型的解码器(GFBD)采用了从上至下逐步融合特征的方式,将编码器阶段的输出特征经过局部加强(LE)模块之后再逐步融合边界特征,这种多尺度特征融合方式有效缓解了编码器和解码器之间的语义差距问题.最后,在后处理阶段采用测试时数据增强(TTA)来进一步对分割结果进行细化.该模型在CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和ETIS-LaribPolypDB等5个公开数据集上进行了对比实验和消融实验,实验结果证明了该文所改进方法的有效性,并在内窥镜息肉图像上表现出更好的分割性能和更强的稳定性,为息肉图像的处理和分析提供了新的参考.

基于有限差分残差物理约束的波动方程无监督学习方法

波动方程是一种重要的物理偏微分方程,近年来深度学习有望加速或替代传统数值方法对其求解.然而现有深度学习方法存在数据集获取成本高、训练效率低、边界条件泛化能力不足的问题,为此本文提出一种基于有限差分残差约束的波动方程无监督学习方法,基于结构网格和有限差分方法构建一种新颖的有限差分残差约束,以及一种无监督训练策略,使得卷积神经网络能够在无数据条件下训练,并预测波的正演过程.实验结果表明,有限差分残差约束相较于PINNs类的物理信息约束具有更容易拟合、计算成本更低、源项泛化能力更强的优点,这使得我们的方法有着更高的训练效率和应用潜力.

基于生成对抗网络与噪声分布的图像超分辨率重建方法

现有的图像超分辨率重建方法都较少考虑真实低分辨率图像中包含的噪声信息,因此会影响图像的重建质量.受真实图像去噪算法的启发,本文引入一个噪声分布收集网络来收集低分辨率图像的噪声分布信息,并采用生成对抗网络的模型设计,提高含噪声图像的重建质量.噪声分布信息会分别输入到超分辨率重建网络和判别网络,在重建过程中去除噪声的同时保证有用高频信息的恢复,另外由于判别网络的能力对整个模型的性能有着重要影响,选择使用U-Net网络来获得更好的梯度信息反馈.与经典图像超分辨率重建算法的对比以及消融实验表明,使用噪声收集网络和U-Net判别网络后,本文模型在噪声低分辨率图像重建任务中获得了更好的性能.

基于卷积注意力网络的网格质量评价方法

将深度卷积神经网络引入网格质量评价问题有望代替网格工程师完成繁杂的网格质量评价工作,节省计算流体力学数值模拟的人力成本,但现有方法的准确率和效率仍需要提高.因此,本文提出一种基于卷积注意力网络的网格质量评价方法.首先,本文提出在轻量级卷积神经网络模型中嵌入通道注意力的方式以同时提升准确率和效率;其次,设计了一个神经网络模型CANet用于网格质量评价任务;最后,通过Z-Score标准化对数据进行预处理,解决输入数据分布不一致的问题,以进一步提升准确率.实验结果表明,与现有方法相比,CANet可以达到更优的准确率97.06%,并且在效率上也有至少34.9%的提升.

悬停共轴刚性旋翼直升机涡尾迹高精度数值模拟

针对共轴刚性旋翼直升机流场涡尾迹的高精度数值模拟需求,结合结构化运动嵌套网格技术、高精度数值格式和非定常RANS方法,建立了共轴刚性旋翼直升机的非定常涡流场高精度数值模拟方法及高效并行化自主软件平台。运用所发展的方法和软件平台,进行了类“X-2”构型共轴刚性旋翼直升机悬停状态涡尾迹结构的高精度数值模拟。结果表明,所发展的数值模拟方法具有较高的计算效率和计算精度,能够捕捉到精细的涡尾迹结构及其非定常生成、发展和演化过程。

基于PPO算法的仿生鱼循迹智能控制

仿生鱼具有广阔的工程应用前景,对于仿生鱼的控制,首先要解决的是循迹问题.然而,现有的基于CFD方式和传统控制算法的鱼游控制方法存在训练数据获取成本高、控制不稳定等缺点.本文提出了基于PPO算法的仿生鱼循迹智能控制方法:使用代理模型替代CFD方式产生训练数据,提高数据的产生效率;引入高效的PPO算法,加快策略模型的学习速度,提高训练数据的效用;引入速度参数,解决鱼体在急转弯区域无法顺利循迹的问题.实验表明,我们提出的方法在多种类型的路径上均具有更快的收敛速度和更加稳定的控制能力,在仿生机器鱼的智能控制方面具有重要的指导意义.

基于混合神经网络的非定常流场预测方法

在众多复杂物理系统的模拟中,基于网格离散化求解偏微分方程是一项关键而耗时的任务.为了克服这一挑战,本文提出了一种创新的复合神经网络,称为GRNet,它结合了图神经网络(GNN)和循环神经网络(RNN).GNN模型被训练以学习由Navier-Stokes方程控制的网格节点之间的物理规律.RNN网络被训练以揭示网格节点的时间依赖性.本文所提出的模型可以有效地利用高分辨率网格的多尺度优势,仅需少量的起始帧,便能快速精确地预测后续流场.我们广泛探究了GRNet在多个复杂的多尺度流场预测任务中的性能,例如圆柱和翼型.与传统的数值模拟结果相比,我们的模型不仅保持了出色的准确性,而且运行速度令人印象深刻.与基准模型(GN)相比,GRNet在最小化累积预测误差方面表现出明显优势.