SMViT:用于新冠肺炎诊断的轻量化孪生网络模型

针对新冠肺炎的深度学习诊断模型存在的准确率不高、泛化能力较差和参数量较大的问题,基于ViT和孪生网络,提出了一种新冠肺炎诊断的轻量化孪生网络SMViT。首先,提出了循环子结构轻量化策略,使用多个具有相同结构的子网络构成诊断网络,从而降低网络的参数量;其次,提出ViT掩码自监督预训练模型,以增强模型的潜在特征表达能力;然后,构建新冠肺炎诊断的孪生网络SMViT,有效提升模型的诊断准确率,改善小样本下模型泛化能力较差的问题;最后,使用消融实验验证并确定了模型结构,通过对比实验验证模型的诊断性能和轻量化能力。实验结果表明:与最具竞争力的ViT架构的诊断模型相比,该模型在X-ray数据集上的准确率、特异度、灵敏度与F1分数值分别提高了1.42%、4.62%、0.40%和2.80%,在CT图像数据集上的准确率、特异度、灵敏度与F1分数值分别提高了2.16%、2.17%、2.05%和2.06%;在样本量较小时,模型具有较强的泛化能力;与ViT相比,SMViT模型具有更小的参数量和更高的诊断性能。

基于小波自编码器的图像盲去噪算法

为解决基于深度学习图像去噪方法在图像盲去噪任务中去噪能力有限和去噪效果不佳的问题,构造了小波自编码器(Wavelet-AE),并用于图像盲去噪.首先,使用Haar小波构造小波卷积层(DWT)与逆小波卷积层(IDWT);然后,分别使用DWT和IDWT构建下采样块和上采样块;最后,使用下采样块和上采样块构造小波自编码器.Wavelet-AE可以建立噪声图像与干净图像在特征空间中的映射关系,进而具备更好的图像盲去噪能力.为定量评价所提方法的图像盲去噪能力,将峰值信噪比和结构相似性作为评价指标.在Kodak和SIDD数据集上的图像盲去噪实验结果表明:Wavelet-AE与一些先进的传统方法和深度网络去噪方法相比具有更好的盲去噪能力,平均峰值信噪比(PSNR)最大可提高4.58 dB,平均结构相似性(SSIM)最大可提高0.149.