基于UNet++网络与多边输出融合策略的船舶检测模型

船舶检测与识别技术的发展对海上监视及服务工作起重要作用,目前卫星遥感图像船舶目标检测存在背景复杂、船舶尺度变化大等问题,妨碍了海上威胁事件的预测及海上工作效率的提高。提出一种融合多尺度特征信息的目标检测模型,采用UNet++网络进行目标检测提取卫星图像特征,并将全局信息和细粒度信息相融合生成具有高空间精度的中间特征图。在此基础上,使用MSOF策略融合不同语义层次的特征信息,生成最终的检测特征图,以提高船舶目标检测与识别的精度,并通过将二元交叉熵损失函数与Dice系数损失函数结合使用,降低数据集中样本不均衡对模型准确度的影响。基于空客船舶数据集的实验结果表明,该模型能够对遥感图像中的船舶目标进行精准的检测识别,其Dice系数、IOU系数评估值分别为97.3%、96.8%,优于ResNet-34、UNet++等模型。

基于Siam-UNet+ +的高分辨率遥感影像建筑物变化检测

针对同一区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法。该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑。在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果。

基于全卷积神经网络的直肠癌肿瘤磁共振影像自动分割方法

目的直肠肿瘤(rectum cancer,RC)的图像精确分割是直肠癌诊断和治疗的基础和关键。目前,直肠肿瘤的分割通常是由放射科医生逐切片进行,这种方式主观性强,工作量大。为此,本文提出了一种直肠肿瘤磁共振影像全自动分割网络,在有效减少放射科医生负担的同时提高了肿瘤分割结果的可重复性。方法首先采用一个预训练的ResNet50提取特征,并在网络隐藏层添加3个边输出模块,实现图像数据的多尺度特征提取,最后融合3个边输出模块获得最终的分割结果。将所提网络架构的分割结果与基于U-net网络架构的分割结果进行比较,并分析不同损失函数和感兴趣区域(region of interest,ROI)尺寸对所提网络分割性能的影响。结果本研究使用中山大学附属第六医院512例患者的影像数据对模型进行训练及测试,其中随机选取的461例患者的T2加权磁共振影像用于网络训练,剩下51例患者的T2加权磁共振影像用于网络测试。结果表明,所提网络分割结果的平均Dice相似性系数(Dice similarity coefficient,DSC)、平均敏感度(sensitivity)、平均特异度(specificity)及平均豪斯多夫距离(Hausdorff distance,HD)分别达到了83.61%、89.10%、96.36%和8.49,均优于基于U-net的分割方法。对于包含了肿瘤组织的ROI,尺寸越小,分割效果越好。对于给定尺寸的ROI,几种损失函数并无太大差异。结论该算法能够准确地勾画肿瘤边界,有助于提升医生工作效率。