结合通道权重更新与密集残差金字塔空间注意力的皮肤病变分割方法

皮肤病变分割是计算机辅助诊断黑色素瘤的关键步骤。为了精确提取出皮肤病变区域,本研究基于U-Net提出一种新的皮肤病变分割方法。该方法引入通道权重更新模块和密集残差金字塔空间注意力模块,分别从通道和空间上提取有效信息,突出病变特征,抑制无关特征,从而提升网络对病变区域的分割精度;此外,构造了一种加权边界损失函数,通过对病变轮廓进行强监督,减少病变边缘特征的丢失。实验表明在ISIC 2018和PH2皮肤镜图像数据集中,该方法的Dice系数分别达到了91.3%、92.2%,相比U-Net提升了5.0%、4.3%。

密集场景下的行人智能分析系统

由于人口流动、旅游、演唱会等行为的发生,导致行人出现密集性聚集现象,容易造成较大的安全事故。因此,利用深度学习方法分析检测密集场景下的行人,成为降低行人安全隐患的重要措施之一。然而,目前视频监控分析系统仍存在识别精度低、预警慢、智能化程度低等诸多问题。鉴于此,设计并实现一套基于YOLOv5的密集场景下的行人智能分析系统。系统测试表明,密集场景下的行人智能分析系统检测速度较快、精度较高,且系统性能良好,有一定的应用价值。

结合注意力和条件生成对抗网络的视网膜血管分割

视网膜血管分割对眼部疾病的自动分析和诊断具有重要意义.针对视网膜图像对比度低、血管细小导致血管分割困难的问题,本文提出一种结合注意力机制和条件生成对抗网络的视网膜血管分割方法.首先设计一个高低层(HL)特征注意力模块作用于高层和低层特征图,使模型分别加强高层和低层空间相关特征,剔除冗余信息,有助于模型更加关注血管前景信息,提高细小血管的分割精度;其次将高低层特征注意力模块与U型网络相结合,构成视网膜血管分割的生成器,并去掉生成器中的BN层,避免小批次训练生成器时批统计量不稳定对分割结果造成的影响;最后将残差网络作为判别器,与生成器一起构成条件生成对抗网络,在生成器和判别器博弈过程中增强生成器学习能力.实验结果表明,本文方法在DRIVE数据集测试的灵敏度、特异性、准确率、AUC(Area Under Curve)分别为82.88%、97.45%、95.59%和97.86%,各项指标均优于目前主流的视网膜血管分割算法.

采用通道和空间注意力的真实噪声盲去噪算法

基于卷积神经网络的去噪方法对图像的加性高斯白噪声去除效果良好,但对图像的真实噪声去除效果欠佳.本文对加性高斯白噪声和真实噪声的灰度直方图进行统计分析,根据两者之间的分布差异构建出一个基于注意力机制的端到端盲去噪网络LDFNet,有利于学习真实噪声图像的复杂像素分布特征.LDFNet网络包含3个部分:特征自适应学习模块(L)、多尺度残差密集模块(D)与特征多路径融合模块(F).其中,模块L基于通道注意力机制,可以通过调节通道重要性自适应地学习到更具有判别性的像素特征;模块D包含空洞卷积和残差密集结构,既可完整保留数据结构信息又可兼顾全局及局部细节信息;模块F基于空间注意力机制进行多路径特征融合,可减少信息压缩,有效提取关键信息.实验结果表明,本文方法在DND测试集上的PSNR为36.10dB,相较于非盲和盲去噪方法分别提高了1.79dB和3.67dB,SSIM为0.9019,相较于非盲和盲去噪方法分别提高了0.0536和0.1119,同时表现出更好的视觉效果.

结合密集注意力和并行上采样的遥感图像道路分割

针对高分辨率遥感图像中道路背景信息复杂且细节信息易丢失导致分割精度低的问题,本文提出一种结合密集注意力和并行上采样的遥感图像道路分割网络.在U型网络编码器-解码器的中间部分设计了密集空洞空间金字塔注意力模块,其中空间注意力分支可扩大有效感受野并获取密集的多尺度空间信息,通道注意力分支有利于提取全局信息并增强通道间的相关性,结合空间和通道注意力建立全局上下文依赖关系,减少背景信息的干扰;在解码器部分提出多路并行上采样模块,将不同尺度的特征图进行通道衰减后上采样恢复到原始图像大小,并行的特征图增强了分割模型结合多层次特征的能力,且更有利于道路细节信息的保持.实验结果表明,本文方法在DeepGlobe数据集上测试的召回率、准确率、精准率和F1-score分别达到0.805、0.994、0.821和0.803,各项指标以及分割效果均优于目前主流的遥感图像道路分割算法.