基于改进AOD-Net的图像去雾算法

为了更好解决图像去雾后颜色失真、去雾不彻底和耗时等问题,提出了一种基于改进AOD-Net的图像去雾算法。首先,在原有的卷积模块中引入残差连接,并保留了第二个特征融合层第一层的特征信息,以增强网络的特征提取能力。其次,在第三个特征融合层后引入注意力模块,强化雾图中的关键特征信息,抑制无关背景干扰。最后,采用新的复合损失函数进行训练。实验结果表明,改进算法在公共数据集上的峰值信噪比提高了3.8 dB,结构相似性达到了93.6%。相较于其他去雾算法,该算法在去雾精度和处理效率方面均表现出色。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

基于改进U-Net网络的遥感图像山体滑坡分割提取

针对遥感图像山体滑坡分割提取难度大、精度低等问题,提出了一种基于改进U-Net网络的遥感图像山体滑坡分割提取方法。首先将原始网络中的特征提取模块用残差网络ResNet进行替换,加深网络防止梯度消失,可以学习到更深层的特征;其次,融入(multi-scale features fusion module)多尺度特征融合注意力模块增强发现山体滑坡区域的能力;最后,采用广义的损失函数FTL(Focal Tversky Loss)替换带权重的交叉熵损失函数以平衡准确率和召回率之间的关系。实验结果表明,改进后算法mIoU为65.92%,比改进前提升了2.5个百分点,mPA为73.93%,比改进前提升了3.56个百分点,F1-score综合得分指标为60.08%,比改进前提升5.09个百分点。改进后模型算法能有效提高山体滑坡分割性能。

基于ST-UNet和目标特征的混凝土裂缝检测

混凝土裂缝对结构承载能力、耐久性和防水性有负面影响,因此早期裂缝检测具有重要意义.大数据和深度学习的快速发展,为裂缝智能检测提供了有效的方法.针对裂缝检测过程中图像正负样本不平衡,裂缝区域色彩深沉和低亮度的特点,提出一种基于ST-UNet(Swin Transformer U-Net)和目标特征的裂缝检测方法.该算法在网络中引入CBAM注意力机制,使网络更加关注图像中对裂缝检测起决定作用的像素区域,增强裂缝图像的特征表达能力;使用Focal+Dice混合损失函数代替单一交叉熵损失函数,处理样本图像正负样本分布不均的问题;设计APSD正则化项优化损失函数,针对裂缝区域色彩深沉、低亮度的问题,降低检测的漏检率与误检率.裂缝检测结果表明:IoU指标提升22%,Dice指数提升17%,该算法是有效可行的.

基于改进的V-Net模型肺结节分割算法的研究

由于CT图像是三维图像,在原始的V-Net模型分割中,易出现结节漏检和边界分割不清晰,以及损失函数Dice训练时不稳定等问题。根据这些问题,提出3D多尺度SE V-Net,简称MSEV-Net网络,同时通过联合损失函数来提高训练的稳定性。该网络模型在V-Net网络的基础上,使用多尺度卷积模块来替换原有的5×5×5卷积,同时在残差连接后加入SE通道注意力模块,通过不同尺度的特征融合和学习不同通道之间的关系,解决肺结节小不易分割的问题。同时在V-Net网络残差连接基础上加一条短跳跃连接,使得整个网络更好利用全局特征。联合损失函数选择Dice和交叉熵损失函数进行融合,可以很好地解决训练不稳定问题。提出的MSEV-Net网络模型和联合损失函数在平均分割准确率PA达到0.998,DSC达到0.837。实验结果表明,该方法在提高肺结节分割精度方面具有一定的效果。

基于改进U-Net的遥感图像语义分割

全卷积神经网络在遥感图像语义分割中得到了广泛应用,该方法地物分类精度和效率较高,但对地物分布不均匀遥感图像占比较少地物的分类准确率较低。为了提高遥感图像的分类精度,本文通过添加先验知识方法丰富输入数据特征,采用密集链接方式提高上下采样过程中特征的重复利用率,采用可以优化交并比的损失函数Dice Loss和可以提高难分类类别精度的损失函数Focal Loss相加组合作为网络模型的损失函数,采用LayerScale模块加快模型收敛、抑制无用特征、突出有效特征的方式,对U-Net的输入、网络结构、损失函数进行改进,优化语义分割效果。结果表明,基于高分影像数据集(GID)改进的U-Net相较于原始U-Net像素精度、均类像素精度、平均交并比分别提高了0.0233、0.0409、0.0665,提升了地物分类精度,取得了较好的分类效果。

基于U-Net的输电线路分割网络研究

针对输电塔杆上线路背景复杂、线路交织、目标模糊导致的图像分割分辨率不高,分割不精准的问题,进行基于U-Net的线路分割网络研究。首先,采用VGG16、ResNet34、ResNet50、MobileNetV2及DenseNet作为U-Net网络的主干特征提取网络;其次,采用BCEWithLogitsLoss和DiceLoss作为网络损失函数;最后,采用统一数据集,通过分析几种网络结构和损失函数下的图像分割精度,研究不同网络结构对输电线路分割的效果。实验结果表明,在此特定分割情景下,使用BCEWithLogitsLoss和DiceLoss混合损失函数的Dense Net和VGG16模型具有更好的线路分割效果。

改进U-Net模型在遥感影像建筑物提取中的应用

针对传统遥感影像建筑物方法提取背景复杂影像时存在的精度低、图像边缘预测效果差等问题,本文在U-Net模型的基础上提出一种改进模型。首先,为防止过拟合现象产生,向U-Net收缩路径中加入随机失活(Dropout)函数;其次,为提升模型训练速度,向扩张路径中加入批量归一化层;最后,为提升模型的图像边缘预测效果,选择联合损失函数为模型损失函数。通过武汉大学(WHU)建筑物数据集进行实验,结果表明本文模型在建筑物提取完整度、边界分割精度等方面都有不错的表现,尤其是针对较小建筑物的提取效果更好,其中精度指标UIo、AO、Kappa系数分别达到了76.876%、91.413%、81.225%,相比对比模型的精度指标更优,从而验证了本文方法的可靠性。

基于改进的U-Net肺结节分割方法研究

由于肺部CT图像的特征信息复杂程度高,经典U型卷积网络对肺结节分割存在准确率较低和误分割等问题。针对这一问题,提出一种改进的U型卷积网络模型。该模型将U-Net网络和DenseNet网络融合,将解码器浅层特征连接至深层特征来增强特征的复用性。通过U-Net网络与卷积条件随机场(ConvCRF)的端到端结合训练来增强边缘特征,解决了边界模糊的问题。提出一种改进的focal loss损失函数,该函数提高了结节所占的权重,解决了正负样本不平衡的问题。在LUNA16数据集中作对比实验验证了模型的性能,分割精准度达到0.9374,敏感度为0.941,该结果证明了改进模型在肺结节分割中更优。

一种基于改进AOD-Net的航拍图像去雾算法

针对航拍图像易受雾气影响,AOD-Net(All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题,本文提出了一种基于改进AOD-Net的航拍图像去雾算法.本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良.首先在AOD-Net的第二个特征融合层上添加了第一层的特征图,用全逐点卷积替换了传统卷积方式,并用多尺度结构提升了网络对细节的处理能力.然后用包含有图像重构损失函数、SSIM(Structural similarity)损失函数以及TV(Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度.最后采用分段式的训练方式进一步提升了去雾图的质量.实验结果表明,经该算法去雾后的图像拥有令人满意的去雾结果,图像的饱和度和对比度相较于AOD-Net更自然.与其他对比算法相比,该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好,更适用于航拍图像实时去雾.

工程项目群的AHP-NET风险评价模型

在分析工程项目群风险传播的基础上,研究工程项目群风险评价建模问题。首先,分析工程项目群风险在各项目之间的传播原因及传播结果。然后,在假设各个风险相互独立的条件下,基于风险传播形成的工程项目群风险网络,应用层次分析法(AHP),定量计算风险网络中的最大风险损失,并考虑管理者的风险偏好,建立AHP-NET风险评价模型。最后,用某一工程项目群作为算例验证了该风险评价模型的可行性。算例结果表明,该工程项目群的风险较高,并且找到了该例项目群中应被重点关注的项目。

特征压缩激活作用下U-Net网络的煤尘颗粒特征提取

为研究煤尘颗粒的图像特征内在机理,以选煤厂为项目背景区,包含6个工作面1500个煤尘图像信息为依托,搭建特征压缩激活U-Net卷积神经网络并对煤尘颗粒图像进行语义分割。首先通过现场采样获取煤尘颗粒样本,建立图像数据集并输入到分割网络;其次通过网络左半部模型完成煤尘特征的批量归一化和压缩激活,获得输出特征传递到网络右半部模型进行上采样以恢复煤尘特征图像尺寸,完成煤尘颗粒信息的二分类;最后运用二值交叉熵及合页协同损失函数训练网络并缓解分割任务中的颗粒特征类别不平衡问题。通过搭建模型进行仿真试验:①通过试验仿真二值交叉熵及合页协同损失函数对网络分割性能的影响;②通过试验评估所提出的优化网络与常规颗粒图像提取算法FCN,SegNet,DeepLab,SENet,U-Net网络的分割性能,并验证所提出的优化网络的特征信息提取能力;③在试验①,②结果基础上,采用八邻域特征算法实现煤尘颗粒的定位标注,提取颗粒占比特性参数。研究结果表明,二值交叉熵及合页协同损失函数可获得较优分割效果;所提出的Unet-SE改进网络模型对不同形状及粒径的颗粒类别具有较优的学习效果,其学习性能指标:准确率、召回率以及F_(1)分数分别提高到0.8732,0.8434和0.8580。与其他识别算法相比,改进算法可有效增强煤尘特征的学习能力,大幅缩短训练时间,并精确获取颗粒特征更多细节信息。

基于改进U-Net的城市新增建设用地高分遥感变化检测

城市建设用地是城市建设发展的重要基础。鉴于当前城市新增建设用地调查完全是利用遥感影像进行人工解译,文章设计和研发了一种改进U-Net的城市新增建设用地高分遥感变化检测技术。该技术基于U-Net开展了两个方面的改进和优化:一是为降低训练集类别不平衡对检测精度的影响,通过三种损失函数的对比寻找最优的损失函数提高模型识别率;二是为提高分割结果的精细程度,同时避免层数加深带来的模型退化问题,将残差网络ResNeXt加入到U-Net的编码结构中。技术实验以重庆市茶园区为对象,选择前后两期高分遥感影像制作训练集和测试集。分析结果表明,改进U-Net的变化检测精度较高,满足生产中的变化区域筛选需求,具有较高的应用价值。

一种基于U-Net的脑肿瘤分割方法

脑肿瘤MRI图像分割是脑肿瘤诊断和治疗的重要环节。对于脑肿瘤MRI医学图像存在难以精确分割的问题,在U-Net网络分割方法基础上进行了改进,于编码路径-解码路径的长连接中引入注意力模块,使网络模型关注需要分割区域的特征,避免信息冗余,以达到脑肿瘤图像精准分割的目的。此外,还提出一种基于Dice损失和焦点损失的混合损失函数,用以解决类不平衡问题,提高对肿瘤核心区域的分割效果。将改进模型及改进混合损失函数在BraTS2018和BraTS2019上进行实验。通过分析表明,与传统的U-Net相比,提出的分割方法在脑肿瘤不同区域的Dice值、精准率、敏感度均有提升,拥有更好的性能。

基于空洞U-Net神经网络的PET图像重建算法

为了提高PET重建的图像质量,提出一种基于空洞U-Net神经网络(Dilated U-Net,D-Unet)的PET图像重建方法。首先,在不增加参数量的情况下,为了更好地增强上下文语义信息,提取更深层次的图像特征,设计了嵌套空洞卷积的残差块(residual dense blocks nested with dilations,RnD Blocks)对含有径向条纹伪影和高噪声的图像进行处理。另外,结合基于预先训练的VGG网络特征的感知损失代替传统的均方误差作为训练损失函数来保留图像细节,构建了端到端的PET图像重构网络。实验结果表明,该算法在降低复杂性、保持较高收敛速度的同时,能够更好地抑制噪声,重构效果相比于传统方法有明显提高。

基于改进注意力W-Net的工业烟尘图像分割

针对小目标烟尘尺寸小、边缘稀薄和U-Net在提取小目标烟尘特征效果不佳等原因导致的烟尘漏检、误检和分割精度低等问题,提出一种基于改进注意力W-Net(IAW-Net)的烟尘图像分割网络。采用注意力机制将U-Net扩展为W-Net,在W-Net的基础上引入改进的注意力机制,增强了小目标烟尘的特征;针对小目标烟尘特点对焦点损失进行改进,增加了小目标烟尘的分割比重。实验结果表明,IAW-Net能够在不影响大目标烟尘分割的基础上更加关注小目标烟尘的分割效果,从而提升了烟尘图像的整体分割能力,相比现有语义分割网络具有更好的分割效果。

一种基于改进ResU-Net的角膜神经分割算法

角膜神经图像的自动分割对于糖尿病神经病变等疾病的诊断与筛查至关重要。针对由于角膜神经图像存在对比度低且包含非神经结构而造成分割效率较低的问题,在ResU-Net结构基础上引入多尺度残差、注意力机制、多尺度图像输入与多层损失函数输出模块,提出一种基于注意力机制的角膜神经分割算法。多尺度残差模块通过在残差模块中加入多尺度表征信息以提高卷积层提取多尺度特征的能力,而注意力机制模块在双重注意力作用下,利用网络对编码器与解码器中的目标特征进行权重优化,使得在增强图像目标区域特征的同时抑制背景及噪声区域,并采用多尺度图像输入与多层函数输出模块以监督网络中每一层的特征学习。实验结果表明,与主流分割算法相比,该算法的分割效果更优,且曲线下面积与敏感度分别可达到0.990和0.880。

基于GDL损失函数U-net神经网络在放疗定位CT图像上对甲状腺分割的初步研究

目的探讨基于GDL(generalized Dice loss)损失函数U-net神经网络模型在放疗定位CT图像上甲状腺分割效果。方法选取76位乳腺癌和鼻咽癌患者的放疗定位CT图,由影像学专家勾画标签图,制作为数据集。将数据集随机分为训练集(n=59)、验证集(n=8)和测试集(n=9)。对训练集进行数据扩充,使用Dice和Jaccard对基于GDL损失函数U-net神经网络模型进行性能评估。结果基于GDL损失函数的U-net神经网络模型预测分割的甲状腺在测试集上Dice系数与Jaccard系数分别为0.81±0.15和0.70±0.17。相较于基于Dice损失函数的U-net神经网络模型,基于GDL损失函数的U-net神经网络模型测试集的Dice系数与Jaccard系数均提升了3.0%。测试集影像图结果表明,基于GDL损失函数的U-net神经网络模型分割的甲状腺相较于基于Dice损失函数的U-net神经网络模型分割的甲状腺过、欠分割现象有所改善。结论与基于Dice损失函数的U-net神经网络模型相比,基于GDL的U-net神经网络模型分割出来的甲状腺更优,Dice系数和Jaccard系数更高。基于GDL损失函数的U-net神经网络模型可提高医师临床工作的效率,但仍需进一步改进模型来解决甲状腺过、欠分割的现象。

基于融合损失函数的3D U-Net++脑胶质瘤分割网络

胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有一定的难度。文中构建了使用融合损失函数的3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网络使用不同层级的U-Net模型进行密集嵌套连接,使用网络的4个分支的输出结果作为深度监督以更好地结合深层和浅层的特征进行分割,并结合了Dice损失函数和交叉熵损失函数作为融合损失函数来提升小区域的分割精度。在2019年多模态脑肿瘤分割挑战赛(BraTs)的公共数据集划分的独立测试集中,采用Dice系数、95%Hausdorff距离、平均交并比(mIoU)、查准率(PPV)指标对所提方法进行了评估。结果表明,全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.873,0.814,0.709;其95%Hausdorff距离分别为15.455,12.475,12.309;其mIoU分别为0.789,0.720,0.601;其PPV分别为0.898,0.846,0.735。与基础的3D U-Net以及带深度监督的3D U-Net相比,所提方法可以有效地利用多模态的深层和浅层的信息,有效利用了空间信息,同时使用了Dice系数和交叉熵的融合损失函数,从而有效提升了对肿瘤各区域的分割精度,尤其是对小面积的增强肿瘤区域的分割精度。

FPN-CenterNet安全帽佩戴检测算法

安全帽作为施工场所工人的安全保障,佩戴与否影响着工人的生命安全。在佩戴检测方面引入深度学习可以高效地提醒工人佩戴安全帽。但由于施工图像中安全帽的图像过小,CenterNet表现得并不好。因此针对这个情况,提出了FPN-CenterNet框架;使用ACNet非对称卷积核来对主干网络的特征提取进行增强;使用DIoU损失函数来优化边框预测的准确度。最终修改的算法相较于原始的CenterNet算法mAP提升了4.99个百分点,在GTXGeForce 1050的GPU上的FPS达到25.81。实验结果表明修改之后的算法在安全帽佩戴检测上有良好的准确性和效率。