改进理解诊断跟踪系统的目标跟踪方法

针对目标跟踪过程中出现的遮挡、光照变化、背景复杂等问题,使用了理解诊断视觉跟踪系统,即把跟踪器分成5个组成部分的跟踪系统,这5个部分分别是运动模型、特征提取器、观察模型、模型更新器以及总体处理器。结合Haar矩形特征的原理,提出了3种Haar-Like特征,用在特征提取器模块。为了提高跟踪的精准性,引入一个简单且快速的鲁棒性算法来改进系统中的运动模型,该方法利用了视觉跟踪中的上下文关系,建立基于贝叶斯框架的目标以及其周围环境的时空关系,在检测方面使用了快速傅里叶变换方法,提高了算法的鲁棒性,使跟踪更加精准,并且在处理遮挡、光照变化、背景复杂等问题上有着较好的效果。

基于深度学习的核磁图像超分辨重建

针对乳腺癌肿瘤区域在整幅图像中占比较小影响早期乳腺癌排查准确率的问题,提出了一种基于卷积残差块的宽残差深度神经网络来恢复乳腺癌核磁图像高分辨特征的方法。所提方法采用全局残差与局部残差相组合的方式,使大量的低频信息可以直接被网络顶层接收,在每个残差块前加入卷积层进行特征预提取,并使用亚像素卷积层进行上采样操作完成低分辨率图像的重建。对包含260个病例的数据集进行了实验,并将所提方法和现有其他方法进行了对比。实验结果表明,所提方法在乳腺癌核磁图像超分辨的应用中优于双立方插值及其他深度学习方法。