联合自注意力和分支采样的无人机图像目标检测

无人机图像目标检测在诸多领域被广泛应用,但受制于图像背景复杂、目标密集,目标尺度变化剧烈,现有的无人机图像目标检测算法检测效果不够精准。为解决此类问题,提出了一种联合自注意力和分支采样的无人机图像目标检测方法。首先,设计了自注意力和卷积相融合的嵌套残差结构以实现全局信息和局部信息的有效结合,让模型聚焦于待测目标,从而淡化复杂背景的影响。其次,设计了一种基于分支采样的特征融合模块以弥补目标信息丢失。最后,引入浅层细粒度特征图,新增了针对微小目标的改进检测头以缓解尺度剧烈变化,并基于此提出一种特征增强模块,用于捕获更多具有鉴别性的小目标特征。经实验验证,本文所提算法在多种场景中性能良好。其中s模型在VisDrone2019数据集上的mAP50和mAP分别达到59.3%和37.1%,相较于基线模型增长了5.6%和5.4%,在UAVDT数据集上的mAP50和mAP分别达到44.1%和24.9%,相较于基线模型提高了5.8%和3.2%。

采用级联策略融合边界特征的多尺度息肉分割网络

结直肠息肉分割能有效辅助医生筛查大肠腺瘤,但息肉分割存在噪声较多、边界区分度不够等问题。针对以上问题,本文设计了一种采用级联策略融合边界特征的多尺度息肉分割网络。首先,本文提出了一种改进的通道分组空间增强模块,以增强骨干网络提取的图像特征,从而提高通道和空间位置的相关性。其次,考虑到边界区分度不够,设计了一个级联特征融合网络,以更好地保留边界信息并提高边界区分度,从而提高分割精度。最后,引入了一种双分支混合上采样模块来获取更多的特征细节信息,以实现特征的互补以及捕获更完整有效的特征。在CVC-ClinicDB和Kvasir数据集上进行测试,本文算法的平均Dice系数分别为0.944,0.920,平均交并比分别为0.900,0.869;而M2SNet算法的平均Dice系数分别为0.922,0.912,平均交并比分别为0.880,0.861。在ETIS-LaribPolypDB,CVC-300和CVC-ColonDB数据集上进行测试,本文算法的平均Dice系数分别为0.776,0.915,0.782;而M2SNet算法的平均Dice系数分别为0.749,0.903,0.758。实验结果表明本文算法的分割精度较高,泛化能力较强。