引入轻量级Transformer的自适应窗口立体匹配算法

现有端到端的立体匹配算法为了减轻显存消耗和计算量而预设固定视差范围,在匹配精度和运行效率上难以平衡。提出一种基于轻量化Transformer的自适应窗口立体匹配算法。利用具有线性复杂度的坐标注意力层对低分辨率特征图进行位置编码,减轻计算量并增强相似特征的辨别力;设计轻量化Transformer特征描述模块,转换上下文相关的特征,并引入可分离多头自注意力层对Transformer进行轻量化改进,降低Transformer的延迟性;用可微匹配层对特征进行匹配,设计自适应窗口匹配细化模块进行亚像素级的匹配细化,在提高匹配精度的同时减少显存消耗;经视差回归后生成无视差范围的视差图。在KITTI2015、KITTI2012和SceneFlow数据集上的对比实验表明,该算法比基于标准Transformer的STTR在匹配效率上快了近4.7倍,具有更快的运行速度和更友好的存储性能;比基于3D卷积的PSMNet误匹配率降低了18%,运行时间快了5倍,实现了更好的速度和精度的平衡。

基于EMobileNet的肝硬化图像分类网络研究

为了解决肝硬化病理图像分类准确率低的问题,基于复合卷积神经网络提出了一种更准确的对肝硬化病理图像分类的深度学习模型EMobileNet.EMobileNet是在EfficientNetV2网络的基础上,插入可分离自注意力模块MobileViTv2,并引入四阶龙格-库塔残差块调整MBViTconv模块间的连接方式.肝硬化病理图像数据集由华中科技大学同济医学院附属同济医院提供,实验采用十折交叉验证法对线阵和凸阵图像分别进行训练并分类.对所提出模型进行消融实验并与多种经典网络效果进行对比,结果显示EMobileNet模型在三分类任务上达到了97.89%的总体准确率,显著提高了检测性能,可以取得较高精度的肝硬化病理图像分类效果.