改进RSF主动轮廓模型的医学图像分割方法

针对可伸缩区域拟合能量(RSF)模型在分割某些医学图像时会存在欠分割以及轮廓收敛速度慢等问题,提出一种改进的RSF模型.利用K均值对医学图像进行全局处理,用一个新的核函数代替高斯函数.在新的核函数基础上重新建立能量泛函,并将一个内部能量项作为罚函数项引入到水平集模型中.结果表明,与传统的RSF模型相比,改进模型的分割精度提高了近40%,分割速度提高了近30%.

改进Faster R-CNN的小目标检测

Faster R-CNN是一种比较流行的目标检测方法,由于Faster R-CNN对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究。另外,还研究了特征图的分辨率对这些阶段的影响。对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Proposal Network)和多尺度分类网络。用改进后的Faster R-CNN在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能。

基于深度学习的MSSD目标检测方法

文章提出了一种基于深度学习的MSSD(Modified Single Shot multibox Detector)目标检测方法。文章阐述了SSD方法的模型与工作原理,SSD方法采用多尺度的特征图预测物体,使用具有较大感受野的高层特征图预测大物体,具有较小感受野的低层特征图预测小物体。使用的低层网络的特征图预测小物体时,由于缺乏高层语义特征,所以导致SSD对小物体的检测效果较差。文章提出了一种MSSD模型,把原有的VGG网络替换为深度残差网络,采用了特征金字塔网络模块对高层语意信息和低层细节信息融合,并通过1 000张图像数据集测试,对比MSSD方法与SSD方法在目标检测上的物体检索能力与检测精度。结果表明,MSSD方法比SSD方法准确率高、速度快。