融合CNN-Transformer的医学图像分割网络

主流卷积神经网络在医学图像分割中通常面临三个挑战。首先,常规卷积运算主要获取医学图像的局部特征,其在图像长程信息建模能力方面表现出局限性;其次,卷积神经网络中常规的下采样操作会导致医学影像特征图中的重要信息丢失,影响分割效果;最后,当卷积运算带来的问题得以解决时,如何将提取到的局部特征和全局特征充分融合。为解决上述问题,提出了一种融合CNN和Transformer的医学图像分割网络。该网络首先通过引入Transformer来解决卷积运算感受野固定的问题;其次使用Patch Embedding来解决下采样过程中重要信息丢失的问题;最后通过交替使用CNN和Transformer来解决局部特征和全局特征无法充分融合的问题。在ISIC2018和KiTS19数据集上的实验结果表明,提出的网络不仅能够捕捉更精细的轮廓弧度,并且有较强的抗干扰能力,具有较高的分割精度和鲁棒性。

面向刻蚀图像分割的轻量可变形编解码网络

通过分割刻蚀图像计算驱油率是目前衡量油藏驱替技术的重要手段。由于刻蚀图像边缘模糊、噪声大且水油像素分散,目前主流的图像分割网络分割精度低、分割速度慢,难以获得较好的分割结果。提出一种用于刻蚀图像分割的轻量可变形编解码网络(LDNet)。在特征编码阶段利用偏移量学习水油目标形状和边缘特征,改善网络的特征表达能力,并通过深度卷积和逐点卷积有效降低网络参数量。在特征融合阶段设计协同耦合注意力模块,将通道注意力进行分解,并分别沿2个空间方向聚合特征,将特征图编码为方向和位置感知的特征图,从而将位置信息嵌入到通道注意力中,提升模型的鲁棒性。实验结果表明,LDNet网络的分割精度为89.94%,模型大小仅为16.63×10^(6),在资源受限的设备中有效提高刻蚀图像的分割精度,降低驱油率误差,加快模型的推理速度。

基于编解码网络的化工驱油图像分割方法

基于深度学习的驱油图像分割是驱油率分析计算的关键步骤,相对于其他方法,基于U形结构的全卷积神经网络(Fully Convolutional Networks,FCN)在许多不同的图像任务中取得了显著的成效。但在这些结构中,标准卷积具有固定的感受野,不能提取到不同尺度的信息,丢失细节特征,导致分割精度较差,边缘模糊;其次主流模型对噪声的鲁棒性较差,并且信息之间往往会存在冗余,在融合阶段中未能对关键信息有效提取。为解决上述问题,在U-net的基础上引入多尺度信息提取和空间注意力融合并将其集成为多尺度信息提取融合(MIEF)模块,通过提取不同的尺度信息有效地保留了图像细节特征,之后通过空间注意力动态地融合提取到的多尺度信息,增强抗干扰性,实现网络对多尺度信息的有效利用。通过在驱油数据集上进行实验,准确率和MIoU相较于原始U-net网络分别提高了2.55%和1.24%,并与其他方法进行对比,验证了该方法的可行性和有效性。

大学生志愿服务之老年社区文化生活现状分析

为相应共青团中央号召,减轻社会养老压力,组建一支长效的大学生志愿服务团队,旨在开展为老志愿服务活动,为老年人办实事、做好事、献爱心。为社会养老新模式的探索奉献青年人的力量。

重大疫情防控期间毕业生就业质量提升路径研究——以陕西科技大学电气与控制工程学院为例

在重大疫情期间,大学生就业环境和就业工作开展方式都产生了较大变化。高校辅导员作为学生工作上的引路人,应及时根据疫情变化做出准确的反应,引导学生转变原有就业思路,并积极与相关企业保持联系。文章以陕西科技大学电气与控制工程学院为例,总结了疫情期间毕业生就业工作情况,并对学院学生就业的情况展开摸底调研,同时针对疫情期间如何提升学生就业质量提出相关建议。

大学生志愿服务互助型养老新模式之探索

随着城市化进程不断加深,老年人口的不断增长,老龄化程度愈加严峻,社会养老压力大幅度提高,为相应共青团中央号召,减轻社会养老压力,组建大学生志愿服务团队在老年社区中开展志愿服务活动,高校和社区加强沟通共同探索互助型养老新模式,助力解决老龄化社会带来的问题。