改进YOLO框架的血细胞检测算法

为解决传统目标检测算法在血细胞检测任务中出现的检测精度偏低、错检及漏检等问题,提出了一种基于YOLO框架的改进目标检测算法YOLO-Att,该算法在YOLO框架结构的基础上,在骨干网络中增加了一种多尺度残差增强模块,结合低层信息丰富网络的特征层次,进而提高特征信息利用率;并设计了一种注意力门控结构嵌入模型,以获取更多高质量的主要特征信息;同时使用Focal loss代替原损失函数中的交叉熵,提高正负样本权重,加快模型收敛速度;采用K-means++聚类算法对目标进行锚框优化,进一步提升检测准确率。相较于现有的FasterRCNN、SSD以及YOLOv4等目标检测算法,YOLO-Att在通用血细胞数据集BCCD检测任务中,将mAP提高至66.32%,检测速率达到了85.4 ms,更符合血细胞检测任务的实时性。

面向遥感图像云分割问题的新型U-Net模型

目前,已知基于深度学习的云分割方法通常采用传统U型编解码结构的网络,该结构虽能有效利用编码端的空间位置信息,但整个网络参数过多、计算量大,同时其编码端仅采用简单卷积与下采样操作,无法有效获取高质量的上下文语义特征信息。针对上述情况提出一种新型的轻量级U-Net模型用于云分割问题。整个模型采用跳跃连接编码端浅层和中层信息的新U型编解码结构,并在其编码端嵌入由分组卷积与注意力机制组成的优化模块,同时构建上下语义融合连接,连接编码端与解码端相应的上下层。实验结果表明,在公共基准数据集38-Cloud上,该模型相比其他主流云分割网络在分割精度与模型参数等方面均能取得更优异的结果。