有限训练样本下的多尺度空洞密集网络高光谱影像分类

为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络的高光谱影像分类方法。首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大模型的感受野,并提取多尺度特征。然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。最后,将得到的特征依次通过池化层,全连接层和Softmax层完成分类。另外,本文在全连接层后加入dropout正则化防止出现过拟合。在Indian Pines和WHU-Hi-Longkou数据集上与经典分类方法进行对比,本文方法 OA分别为98.75%和98.82%。实验结果表明,本文设计的网络模型在有限训练样本情况下,分类效果最优。

基于密集多尺度空洞卷积的脑胶质瘤图像语义分割方法

对脑胶质瘤核磁共振图像进行语义分割是医学图像处理的一个研究热点。目前的分割方法均使用池化层进行下采样,存在空间位置信息损失问题,导致分割结果不精确、无效计算量高。为了提高分割效果和计算效率,提出一种新的语义分割方法。该方法使用空洞卷积代替池化层,获得了信息更丰富的特征图,进行多尺度空洞卷积改进,消除空洞卷积中网格问题和边缘特征无效问题,使用密集连接获取不同尺度的特征,保证方法的鲁棒性并降低计算量。使用Brats2017的数据进行实验验证,结果表明,该方法在分割整体肿瘤区域和增强肿瘤区域时效果良好,dice相对性系数分别达到0.912和0.88。

基于残差挤压激励与密集空洞卷积的视网膜血管分割

针对现有视网膜血管分割技术存在视网膜血管分割精度不高和病灶区域误分割的问题,提出对U型网络改进,结合密集空洞卷积(dense atrous convolution,DAC)模块与残差挤压激励(residual squeeze and excitation,RSE)模块的视网膜血管分割模型(DACRSE-Unet)。该模型采用改进集成随机失活块(DropBlock)的残差结构,不仅可以构建深层网络来提取更复杂的血管特征,还可以有效缓解过拟合;此外,为了进一步提高网络的表达能力,在改进残差块的基础上引入挤压激励模块(squeeze and excitation,SE);同时,为获取血管更多的上下文信息,在模型中引入DAC模块来实现对视网膜血管的精准分割;最后,在不同数据集上进行验证。结果表明,DACRSE-Unet模型的接受者操作特性曲线下面积分别为0.9869和0.9964,灵敏度分别为0.8226和0.8779,准确率分别为0.9692和0.9830,整体分割效果比其他模型更好。

坐标并行注意力下密集空洞卷积的脉络膜分割

脉络膜的变化与很多眼科疾病密切相关。医生在诊断过程中常需要手动分割光学断层扫描图像(Optical Coherence Tomography,OCT)中的脉络膜,再定量分析脉络膜健康状况,但人工分割费时费力。脉络膜自动分割难点在于OCT图像中脉络膜下边界模糊,很难捕捉上下文信息,并且脉络膜结构跟视网膜结构比较类似,容易混淆。为了解决该难点,本文提出了融合坐标并行注意力模块和密集空洞卷积模块的残差编解码模型;设计了一种桥结构,包含了注意力机制和空洞卷积,在增加模型感受野的同时抑制浅层噪声;同时为了使模型关注脉络膜结构信息,引入了一种包含结构相似性的混合损失函数来训练模型。实验结果表明,该模型能有效提升对脉络膜的分割精度,在OCT脉络膜数据集上,Dice系数和Jaccard相似度达到了97.63%和95.28%。

空洞卷积模型遥感影像建筑快速检测方法研究

基于端到端的检测框架,使用多空洞率卷积核组作为特征提取模块,并在不同特征提取层间设置了密集连接,来加强不同尺度特征图内的信息复杂度;以多尺度特征图融合为基础,构建了4个输出层的特征图上采样金字塔,最后通过数据增强提高了训练集内目标的表达能力。测试结果表明,本文方法在测试数据集上能够达到较高的检测精度,体现了良好的实时检测能力,并且对不同背景下多角度的房屋目标具有很好的泛化性能。该方法在城市违章建筑监管与智慧城市建设等领域具有较高的实用价值。

基于空洞卷积密集连接网络的左心室MR图像分割方法

左心室核磁共振(MR)图像分割对于评估心脏功能和诊断疾病具有重要意义.传统分割算法对于左心室,尤其是含有左心室流出道的左心室MR图像,存在分割精度不够的问题.设计了一种基于空洞卷积密集连接网络的左心室MR图像分割方法.该方法利用密集连接网络和空洞卷积缓解了深度学习中梯度消失和内存过度消耗的问题,并且通过数据增强和提取感兴趣区域的方法提升了网络的准确性.分割结果采用平均垂直距离、Dice系数等指标进行评价分析.在MICCAI2009心室分割数据集的138张图片上的测试结果为:内、外膜的平均Dice系数分别为0.91和0.96,平均垂直距离分别为1.71和1.42.实验结果表明,此方法分割精度明显高于其他方法,对于含有左心室流出道的MR图像也能准确分割.

基于空洞卷积与双注意力机制的红外与可见光图像融合

针对红外与可见光图像融合算法中多尺度特征提取方法损失细节信息,且现有的融合策略无法平衡视觉细节特征和红外目标特征,出了基于空洞卷积与双注意力机制(Dilated Convolution and Dual AttentionMechanism,DCDAM)的融合网络。该网络首先通过多尺度编码器从图像中提取原始特征,其中编码器利用空洞卷积来系统地聚合多尺度上下文信息而不通过下采样算子。其次,在融合策略中引入双注意力机制,将获得的原始特征输入到注意力模块进行特征增强,获得注意力特征;原始特征和注意力特征合成最终融合特征,得在不丢失细节信息的情况下捕获典型信息,同时抑制融合过程中的噪声干扰。最后,解码器采用全尺度跳跃连接和密集网络对融合特征进行解码生成融合图像。通过实验表明,DCDAM比其他同类有代表性的方法在定性和定量指标评价都有提高,体现良好的融合视觉效果。

基于多分支特征融合的密集人群计数网络

针对人群计数任务中存在的多尺度变化、背景噪声等问题,提出一种基于多分支特征融合的人群计数网络。在网络前端设计一个双向特征融合路径,将网络深层的语义信息和浅层的空间细节信息进行反复提取融合,使用位置注意力机制和通道注意力机制增强网络对人群和背景之间的判别能力,生成高质量特征图;网络后端采用密集残差连接增强网络对人头连续的多尺度信息提取能力,得到最终的人群密度图。在ShanghaiTech、UCF_CC_50和UCF_QNRF数据集上分别进行的对比实验的结果表明,该模型的计数性能优于先前诸多方法,有着良好的计数精度。

基于密集连接任务对齐的小目标检测算法

针对当前基于卷积神经网络的单阶段目标检测算法(YOLO系列、TOOD等)对高空拍摄场景下的小目标检测存在精度低、漏检、误检等问题,在TOOD算法基础上,提出一种基于密集连接任务对齐的小目标检测算法DATNet。为提升网络的检测能力,采用CSPDarkNet网络提取输入图像特征,通过密集连接的方式融入空洞卷积,添加注意力模块捕捉感兴趣的目标区域,引入DIoU回归损失函数通过任务对齐的检测头来训练模型。实验结果表明,DATNet在VisDrone-DET数据集上相对于TOOD算法平均准确率提升1.7%,为小目标检测场景提供了一种技术方案。

基于空洞卷积的街景影像多目标检测方法研究

针对街景影像中的目标背景复杂、尺寸跨度大、小目标数量多等问题,提出一种基于卷积神经网络的检测方法。首先利用空洞卷积核及快捷链路机制构建了具备跨层信息传递的特征提取网络;然后利用密集连接技术构建了跨尺度上采样特征强化金字塔,输出4个不同尺度特征图;最后根据街景影像中的目标尺寸特点精准设计锚点框,加快模型训练初期的收敛速度。测试结果表明,所提方法在开源数据集CCTSDB上对所有目标的综合检测精度达到了90.56%,同时检测速度可达到每秒37帧,说明模型能够在复杂街景环境下对多类目标实施快速精准的检测。

基于空洞卷积的密集连接网络人流量预测模型

针对人流量数据的时空特性和外部因素等对预测精度的影响,提出一种基于空洞卷积的密集连接网络人流量预测模型。通过空洞密集连接模块捕获相邻区域之间的空间依赖关系,采用SE-LSTM模块帮助网络学习更重要的特征并学习数据中的周期性和动态时间性;对于外部因素,利用全连接网络对天气、假期、事件等数据进行处理来辅助预测。采用2个公开的数据集验证提出的模型。实验结果表明,与其他基线模型相比,该模型将预测误差分别从6.33、16.69降低到5.30、15.41,能够更好地学习数据中的时空依赖关系,提升预测精度。

密集场景下基于多尺度特征聚合的人群计数方法

密集场景下个体尺度存在巨大差异,目标个体尺度不一导致人群计数精度不高。针对这一问题,提出了一种密集场景下基于多尺度特征聚合的人群计数方法。该方法研究不同特征层级对不同尺度个体的特征信息表示能力,通过层级连接充分获取多尺度特征;同时,提出了一个多尺度特征聚合模块,采用多列具有不同扩张率的空洞卷积,通过动态特征选择机制自动调整感受野,以有效提取不同尺度个体的特征。该方法能够在保留小尺度个体特征信息的基础上进一步扩大感受野,增强大尺度个体的检测能力,使其更好地适应人群个体的多尺度变化。在3个公共人群计数数据集上进行了实验,实验结果表明,所提模型在计数准确性上有了进一步的提高,其中在ShanghaiTech数据集Part_A上MAE为51.21,MSE为83.70。

融合密集连接与多尺度卷积的脑肿瘤MRI图像分割算法

针对现有脑肿瘤分割算法存在上下层联系匮乏、特征欠提取而导致分割精度低的问题,提出一种融合密集连接与多尺度卷积的U型算法,实现对脑肿瘤病灶的精确分割。通过对传统的U-Net算法进行改进,在编码和解码部分引入多尺度卷积、密集连接以及空洞卷积,增强算法对病灶特征的提取以及定位能力。使用BraTs2019数据集对改进后的算法进行实验验证,脑肿瘤整体区域、核心区域、增强区域的Dice分割指数达到0.8532,0.8721,0.7960,对应的Hausdorff距离分别为2.6089,1.5852,2.7416,相较于其他算法均有不同程度的提升。实验结果表明,所提算法可有效地实现对脑肿瘤的精准分割。

监控视角下密集人群口罩佩戴检测算法

针对密集人群场景的口罩佩戴检测面临着监控视角下目标密集、互相遮挡、目标小、人脸透视畸变等难题,同时,涵盖不规范佩戴口罩场景的公开数据集也较为缺乏。提出一种基于YOLO-v5改进的监控视角下密集人群口罩佩戴检测算法MDDC-YOLO。利用空洞卷积构造多分支感受野模块MRF-C3替换YOLO-v5中常规C3模块,解决密集人群中小目标占比大的问题。使用Repulsion Loss基于样本边界框排斥吸引的原则提高模型抗遮挡能力,并充分利用训练过程中的遮挡正样本。在此基础上,引入ECA注意力机制进行特征通道最优化选择,并提出基于透视变换的离线数据增强方法,结合使用更适用于生成更多小目标样本的Mosaic-9数据增强方法,解决监控视角下密集人群口罩佩戴数据集缺乏的问题。实验结果表明,MDDC-YOLO算法相较于YOLO-v5算法mAP提升6.5个百分点,并达到32帧/s的检测速度,满足密集人群口罩佩戴检测的应用需求。

融合双残差密集与注意力机制的视网膜血管分割

针对视网膜血管末端细小,且容易与背景混淆等现象从而导致细小血管不易分割和断裂等情况,提出了一种融合双残差密集与注意力机制的视网膜血管分割算法。首先,在编码器部分利用双残差密集块与高效通道注意力机制来获取特征;其次,为了解决细小血管分割不足的现象,在编码器与解码器中间使用空洞卷积替换标准卷积来增大感受野;最后,自适应聚合块将之前所有块的特征映射组合起来,形成一个新的特征映射,作为后续层的输入,在自适应聚合块或DDRB之后,将使用卷积层来压缩特征映射,则双残差密集块(从DDRB1到DDRB5)的输出特征映射被完全重用。分别在DRIVE和STARE数据集上进行验证,其ACC分别为96.85%和97.84%,AUC分别为98.61%和99.45%。

结合多尺度融合特征和残差注意力机制的联合三维人脸重建及密集对齐算法

针对三维人脸重建和密集对齐算法精度不足的问题,引入密集连接的多尺度特征融合模块和残差注意力机制设计了一种性能强大的网络。在编码器结构前,引入密集连接的多尺度特征融合模块获得多尺度融合特征,使编码器获得更丰富的信息;在解码器模块中引入残差注意力机制,强化网络对重要特征的关注同时抑制不必要的噪声。实验结果表明,相较其他算法,该算法取得了较显著的改进;相对PRNet,该算法以更少的参数量在各项指标上取得7.7%~12.1%的性能提升。

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。

自然场景下的密集文本检测方法

自然场景下的文本检测任务是图像处理领域中的难点之一.EAST(Efficient and Accurate Scene Text detector)算法是近年来比较出色的文本检测算法,但是增加后置处理之后的AdvancedEAST算法仍存在由于激活像素的头尾边界丢失导致的漏检情况,对密集文本的检测效果也不是很理想.因此提出了Dilated-Corner Attention EAST(DCA_EAST)改进算法,对网络结构加入空洞卷积模块以及角点注意力模块,改善了漏检情况.针对损失函数,加入类别权重因子和样本难度权重因子,有效提升了密集文本的检测效果.实验结果表明,该算法在ICDAR2019的ReCTS数据集上准确率为93.02%,召回率为76.69%,F-measured值为84.07%,优于AdvancedEAST算法.

基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法(SC-Net)。SC-Net有两条主干线:分割主线、分类主线。这种新型算法分为两步进行训练:第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。

一种基于改进U-Net的肝脏肿瘤分割方法

肝脏肿瘤分割是肝癌诊断与治疗不可或缺的重要环节。针对传统的U-Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题,对其进行改进以提高肝脏肿瘤分割精度。首先,在编码阶段使用混合空洞卷积替换原有卷积块,增大感受野、获取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制,使模型重点关注感兴趣区域,抑制冗余特征;使用组归一化(GN)代替常用的批量归一化(BN),减小Batch Size过小对网络准确性的影响,并结合Focal Tversky损失函数以改善类不平衡问题。通过LiTS2017数据集的实验表明,相较于传统U-Net,所提改进模型在肝脏和肿瘤分割中的Dice指标分别提升了3.56%和4.21%,召回率提升了3.71%和5.35%。