基于深度学习分割掩膜的胸片图像配准技术及其应用

医学图像配准技术对临床诊断治疗具有重要意义。相比传统的图像配准方法,目前基于深度学习的配准方法提高了配准的精度和速度。为了将深度学习图像配准技术应用于胸片的配准以及减影分析,本研究先采用深度学习掩膜对原始胸片进行预处理,然后以掩膜图像作为输入,以ResUNet网络作为配准框架来实现胸片图像配准,最后评估配准效果。结果显示深度学习掩膜结合深度学习图像配准方法训练出的模型在胸片配准上具有良好的图像配准精度。这种基于掩膜的深度学习配准模型可以较好地应用于胸片的减影分析。

基于对象的视频分割算法研究与实现

通过对连续3帧图像进行二次差分,自适应估计差分图像的噪声特征参数并滤除噪声,结合边界信息进行数学形态学运算,最终提取运动目标。实验结果证明,该方法能够从背景不变的图像序列中较好的提取出视频运动对象,具有较强的鲁棒性。

利用运动纹理差异的运动目标分割无监督评价方法

提出了基于运动纹理差异的运动目标分割无监督评价方法。通过基于贝叶斯决策的精确量化准则得到差分图像的类别映射图,利用区域生长方法产生不同效果的运动目标分割掩膜,定义了运动纹理差异的评价准则,并将该评价准则用于这些分割掩膜中以验证评价结果的有效性。为进一步准确衡量所提出准则的性能,在实验中将其与两种评价准则进行对比,一是有监督评价准则Ⅷ,二是基于彩色纹理的无监督评价方法JSEG中的无监督评价准则J。实验结果证明基于运动纹理差异的无监督评价与人类主观感知和客观实际基本一致,可有效地对红外视频运动目标分割性能进行无监督评价。

注意力监督策略下的自然场景文本检测算法

已有的场景文本检测算法在处理任意形状的文本区域时,会将多余的背景区域也包含在内,为了自动学习聚焦任意形状的文本区域,提出一种注意力监督策略下的文本检测算法.首先使用深度残差网络作为骨架网络提取包含多尺度信息的特征图,然后通过注意力掩膜生成模块将融合特征图转换生成注意力掩膜,再通过背景抑制模块,利用注意力掩膜监督生成下一级特征图,最后经过一系列卷积操作生成分割掩膜,处理优化后得到最终的文本检测结果.实验表明,所提算法在ICDAR2015数据集上的多指标综合表现优越,其中F值相较对比算法提高了2.1%.

基于孪生三分支神经网络的目标跟踪

为了在保持较高跟踪精度的前提下,提高智能监控摄像头对单目标跟踪的实时性,提出一种基于孪生三分支神经网络的跟踪方法。首先,基于DenseNet重新构建孪生网络的骨干部分,使用较少的参数量和计算量更加充分地利用不同层次的特征图;其次,添加掩膜分支,对目标模板图像和搜索图像特征间的相似性度量得分重新排序,直接根据最大得分对应的候选响应窗口生成和细化掩膜;最后,定义算法的损失函数。在OTB50/100以及VOT2018基准数据集上对所提算法进行评估,实验结果表明,所提算法相比原始的SiamMask算法在准确性有所提升的情况下更加轻量级,平均帧速提高了2倍,实时性更佳。