基于全尺度跳跃连接的TransUNet医学图像分割网络

医学图像分割是医学图像智能分析的关键技术之一,其中深度学习更是为医学图像分割作出了不少的贡献。为进一步提高U型网络对医学图像分割的精确度,提出基于全尺度跳跃连接和权重深度监督的改进Transformer医学图像分割网络(full-scale jump connectivity and weight depth supervision for improved Transformer medical image segmentation networks, FS-TransUNet3+),该模型通过全尺度跳跃连接的结构,使模型聚合了多层抽象语义特征和空间信息,并且降低了模型的网络参数,提高计算效率。同时采用权重深度监督(weight depth supervision, WDS)的方式,提高了特征学习的表征能力和图像识别精度,细化了目标区域的边界,以及改进了特征聚合机制,将混合编码器与解码器的语义信息进行拼接,强化模型在图像的边缘注意力。在多个医学图像复杂场景分割,如细菌图像数据集、肝脏肿瘤分割挑战数据集、多模态脑肿瘤分割挑战数据集上的参数量、FLOPS、样本相似性指标(DSC)、交并比(IoU)、像素精度(PA)、95HD指标有所改进,有效验证了各个部分的性能,综合分割效果优于其他网络。

全尺度特征聚合的高分辨率遥感影像变化检测网络

利用遥感影像检测地表变化对了解地表动态至关重要。近年来,基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中,融合多尺度特征信息是提高变化检测性能的关键,以往方法大多采用跳跃连接或密集连接结构,一定程度上提高了变化检测方法的精度。然而,此类方法只对相同尺度上的特征进行融合,无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先,使用孪生网络提取双时相影像的特征;然后,利用全尺度特征连接结构将提取的特征有效地连接起来,为了防止特征冗余,使用特征细化模块将特征细化;最后,为了优化模型训练,采用多尺度监督策略,在解码器中额外输出多个检测结果,共同计算最终的损失值。为了验证方法的可行性,本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明,本文方法优于其他主流的变化检测方法,同时在精度和复杂度之间有着较好的平衡。

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于循环残差卷积神经网络的医学图像分割算法

针对使用深度学习进行医学图像分割时出现的网络退化问题,通过融合更大尺度的特征映射实现更加精确的图像分割,提出一种基于循环残差卷积神经网络的图像分割算法.首先引入循环卷积模块实现离散步长上的特征提取,提高图像上下文语义信息的利用率,实现更多、更广泛的特征映射提取;然后结合残差学习单元与循环卷积单元形成循环残差卷积模块,替换普通卷积神经网络的前馈卷积单元以解决深层网络模型面临的网络退化问题;最后引入全尺度跳跃连接将不同尺度下的特征图融合,生成分割图像.在PyTorch环境下用3个数据集与其他4种算法进行比较的实验结果表明,所提算法的分割性能更好,图像分割的精确度更高.

基于U-Net3+的高分遥感影像建筑物提取

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.9027,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。

基于改进U-Net网络对输电塔陶瓷绝缘子表面缺陷的识别算法

针对传统巡检方法对输电塔陶瓷绝缘子表面缺陷识别存在效率低、精度差、漏检率高的问题,采用基于改进U-net网络的无人机智能巡检方法,对输电塔中的陶瓷绝缘子表面缺陷进行检测与识别。运用空洞卷积矩阵对U-net网络中的卷积层进行膨胀系数优化,增大卷积核感受野提升缺陷细节信息的完整性;采用全尺度跳跃连接模型融合高位特征信息与低维特征信息,提高陶瓷绝缘子表面缺陷特征的准确性。实验结果表明:基于改进U-net网络的无人机智能巡检方法对陶瓷绝缘子的表面缺陷检测,其识别准确率(Accuarcy)为97.6%、平均精度(mPA)为95.28%、平均交并比(mIOU)为91.56%。与U-net相比,此方法对陶瓷绝缘子表面缺陷的巡检精度提高了7.8%。