基于卷积神经网络的单幅图像三维人脸重建

利用单幅二维图像进行三维人脸重建是图像处理研究领域的热点问题。受深度卷积神经网络(CNN)和三维形变模型(3DMM)的启发,提出一种采用CNN回归3DMM形状和表情参数的方法,进行三维人脸重建。在CNN模型VGG-16的基础上设计一种VGG-BN的改进网络模型,通过在每个卷积层后加入批归一化层,优化网络模型性能;并采用迁移学习方法,将预训练模型引入到VGG-BN网络的训练中。将改进的网络模型在300W-LP数据集上训练,在AFLW2000-3D数据集上测试,并和现有方法进行了对比分析。实验结果表明:改进的网络模型在人脸重建的准确性和泛化性方面都有一定的改善,重建人脸的形状和表情效果较好。

基于FCN的路面裂缝分割算法

为了准确地对路面裂缝进行分割,提高复杂背景下路面裂缝分割的效果,将全卷积神经网络(FCN)用于路面裂缝分割。考虑FCN无法对裂缝边缘、图案和形状等特征分配权重,提出一种基于FCN的路面裂缝分割改进算法。通过分析特征通道之间的关系,在FCN的池化层加入挤压和激励模块。利用权重对原始特征在通道上进行重标定,以提升重要特征和抑制无用特征,自适应地为裂缝边缘、图案和形状等特征分配权重。使用真实的路面裂缝数据集对改进模型进行训练,完成了模型的测试和验证。实验结果表明:改进模型的路面分割效果良好,分割结果的误检率、漏检率和DSC综合评价指标等都有较好的改善。

基于3D卷积神经网络的脑肿瘤图像分割

三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊,目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分,提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息,将不同感受野的信息融合。将Dice损失和BCE损失结合,形成一种新的损失函数并配合恒等映射,进一步提高分割精度。在BraTs2020数据集上对模型进行验证,结果表明,该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证,结果表明,Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像,而且同样适用于分割二维脑胶质瘤图像。