细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将...细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.展开更多
现有的客观图像质量评价方法用于GAN生成图像质量评价时,往往出现与人的主观评价不一致的情况.针对这个问题,提出了一种更符合人类视觉感知的GAN生成图像质量客观评价方法AJ-GIQA(attention and just noticeable difference based gener...现有的客观图像质量评价方法用于GAN生成图像质量评价时,往往出现与人的主观评价不一致的情况.针对这个问题,提出了一种更符合人类视觉感知的GAN生成图像质量客观评价方法AJ-GIQA(attention and just noticeable difference based generated image quality assessment).首先,模拟人类视觉系统的失真敏感度特性,对GAN生成图像进行预处理,得到其最小可觉差图;然后,将注意力模块引入特征提取网络,模拟人类视觉系统的注意力机制,获取图像的显著性特征;最后,将图像特征输入结合语义信息的质量预测网络,基于图像内容综合评价GAN生成图像的质量.在GAN生成图像数据集上的实验结果表明,AJ-GIQA的评价结果与主观平均意见得分有更高的一致性;在图像质量排序一致性上的实验结果表明,AJ-GIQA的准确率在LGIQA-LSUN-cat数据集上达到了最优,和SFA方法相比性能提高了0.267;在泛化性能上的实验结果表明,与最先进的HyperIQA方法相比,AJ-GIQA在数据集PIPAL的Pearson线性相关系数提高了0.027.展开更多
文摘细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.
文摘现有的客观图像质量评价方法用于GAN生成图像质量评价时,往往出现与人的主观评价不一致的情况.针对这个问题,提出了一种更符合人类视觉感知的GAN生成图像质量客观评价方法AJ-GIQA(attention and just noticeable difference based generated image quality assessment).首先,模拟人类视觉系统的失真敏感度特性,对GAN生成图像进行预处理,得到其最小可觉差图;然后,将注意力模块引入特征提取网络,模拟人类视觉系统的注意力机制,获取图像的显著性特征;最后,将图像特征输入结合语义信息的质量预测网络,基于图像内容综合评价GAN生成图像的质量.在GAN生成图像数据集上的实验结果表明,AJ-GIQA的评价结果与主观平均意见得分有更高的一致性;在图像质量排序一致性上的实验结果表明,AJ-GIQA的准确率在LGIQA-LSUN-cat数据集上达到了最优,和SFA方法相比性能提高了0.267;在泛化性能上的实验结果表明,与最先进的HyperIQA方法相比,AJ-GIQA在数据集PIPAL的Pearson线性相关系数提高了0.027.