动态感受野的图像分割神经网络模型

针对基于U-Net的分割方法在医学图像分割领域存在的下采样阶段信息丢失,以及因固定尺寸卷积核带来的局部多尺度语义信息提取不足的问题,提出一种动态感受野的神经网络模型.首先通过构建特征递进级联模块,获取编码器多尺度局部语义特征并将其赋值给解码器,提升模型解码阶段图像语义信息修复的效果;然后设计局部视野偏移模块,增强固定尺寸卷积核提取视野内上下文语义信息的能力.在ISIC2018和BUSI癌症图像分割数据集上的实验结果表明,所提模型的IoU指标达到83.92±0.26和70.45±1.70,Dice系数达到91.09±0.23和83.39±1.15,比现有的医学图像分割方法更优.

基于通勤距离的显著性检测方法

针对图像显著性检测问题,提出一种基于通勤距离度量区域显著性,并提取图像中重要目标的方法.首先用聚类算法检测图像边界的背景种子点,构建初始背景先验图;其次利用显著点构建包围显著目标的凸包,提取凸包内前景种子点诱导其他区域的显著性值,从而得到改进的凸包先验图;最后将2个先验图融合得到最终的显著图.该算法中涉及的区域间的特征对比均应用了新颖而鲁棒的通勤距离.实验结果表明,通勤距离能够更准确有效地度量区域间的相似性,比传统的测地距离和欧氏距离更加优越,并优于现有的大多数算法.