改进融合注意力机制的小目标和被遮挡目标检测

针对夜间光照条件不足等条件下交通环境的多目标检测问题,提出一种改进YOLOv5s的目标检测算法。该算法首先在原始的YOLOv5s网络中嵌入三分支结构并行卷积注意力模块,通过计算跨维度注意力权值矩阵,实现了一种轻量级的有效注意力机制。其次,为了解决小目标和遮挡目标的检测问题,嵌入残差遮挡感知注意力机制,通过不同卷积核大小的卷积块对图像进行类分块操作,更准确地突显小目标和被遮挡目标。通过在FLIR数据集上的对比实验表明,改进算法在夜间交通环境下的多目标检测任务中能够提高检测精度,相较于传统YOLOv5s,其检测准确率mAP@0.5提高2.9%。

基于深度学习的视网膜眼底图像的渗出分割方法研究

目的探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法应用研究。基于印度糖尿病视网膜病变图像数据集(IDRID)模型的U型网络,将深度残差卷积引入到编码和解码阶段,使其能够有效提取渗出深度特征,解决过拟合和特征干扰问题,同时提升模型的特征表达能力和轻量化性能。此外,通过引入改进的上下文提取模块,使模型能捕捉更广泛的特征信息,增强对视网膜病灶的感知能力,尤其是提升捕捉微小细节和模糊边缘的能力。最后,引入卷积三重注意力机制,使模型能自动学习特征权重,关注重要特征,并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果应用本文研究方法后,改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比,改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征,对于辅助医生更准确地诊断疾病情况具有重要意义。