基于多层特征上下文编码网络的遥感图像场景分类

遥感图像场景分类问题是目前遥感图像处理领域中的研究热点之一。卷积神经网络(Convolutional Neural Networks,CNNs)具有强的特征提取能力,已被广泛应用于遥感图像场景分类中。然而,目前的方法并没有充分考虑并利用CNN不同层间的互补信息和遥感图像的空间上下文信息,导致其相应的分类精度有待提高。针对上述问题,提议一种多层特征上下文编码网络,并将其用于解决遥感图像场景分类问题。所提议网络由两部分组成:1)密集连接的主干网络;2)多尺度上下文编码模块。前者用于融合CNN不同层的特征信息,后者用于对蕴含在多层特征中的空间上下文信息进行编码利用。在两个大规模遥感图像数据集上的实验结果表明,与现有的遥感图像场景分类方法相比,所提出的网络框架取得了显著的分类精度提升。

改进U型网络在视网膜病变检测中的应用研究

眼底视网膜血管分析和渗出物、出血点等主要病灶区检测是判断糖尿病性视网膜病变程度的重要方法。针对细微血管的分叉以及端点处分割效果不好、渗出物边界不明显以及出血点细小且分布零散不易分割等问题,提出一种改进U型网络,通过改进上下文提取编码模块,提取更丰富的高级别特征;并在特征编码阶段加入混合注意力机制(HAM),突出细微血管以及病灶区特征,减小背景类和噪声影响。实验结果表明,提出的算法在眼底视网膜血管分割数据集DRIVE上的分割准确率、灵敏度、特异性和AUC值比U-NET、CE-NET等现有方法有一定提升,其中灵敏度相较CE-Net网络提升了0.0146。在糖尿病性视网膜病变病灶区分割数据集DIARETDB1上,对渗出物和出血点的分割效果比U-NET、CE-NET等现有方法有较好的提升,能有效辅助医生诊断。