细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将...细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.展开更多
遥感图像目标检测存在目标尺寸变化大、小目标排列密集、背景信息复杂等问题,针对这些问题,提出了端到端的遥感图像目标检测网络AMFI-RetinaNet(Attention and Multi-scale Feature Interactive-RetinaNet)来提高特征的判别能力。首先,...遥感图像目标检测存在目标尺寸变化大、小目标排列密集、背景信息复杂等问题,针对这些问题,提出了端到端的遥感图像目标检测网络AMFI-RetinaNet(Attention and Multi-scale Feature Interactive-RetinaNet)来提高特征的判别能力。首先,提出了卷积注意力来增强特征的空间信息,并结合通道注意力来增强特征的通道信息,该注意力模块位于特征提取网络的低层,能有效突出关键的细节特征,并提高网络对小目标的检测能力。此外,还提出了多尺度特征交互模板,通过相邻两层特征的交互,使低层特征信息流向高层,在特征金字塔结构后引入该模块,进一步提高了网络对多尺度目标的检测性能。在RSOD数据集和NWPU VHR-10数据集上进行实验,该方法比原RetinaNet网络的平均检测精度分别提升了2%和1.1%,实验结果表明提出的AMFI-RetinaNet网络可以更精确地对遥感图像目标进行检测和定位。展开更多
文摘细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.