基于边缘分割与改进CNN的CT影像预诊断技术

针对基于图像识别的智能预诊断精确度较低的问题,文中提出了一种融合边缘分割与改进CNN的CT影像预诊断算法。在Bandelet变换的基础上构建WTS-MRF模型,并采用分割递归算法对CT影像的特征区域进行处理,进而设计出基于决策输出补偿的Faster R-CNN预诊断识别算法。同时还利用了脑出血、肺结核和肾结石等典型病例影像的数据样本,通过设置对比实验验证了该算法的预诊断可靠性。相较于同类预诊断识别方法,所提算法的准确率提升了6%,CT影像的分割准确率平均值为90%,预诊断识别精确率的平均值则可达96.9%。故其性能优于同类文献对比算法,能为基于人工智能的CT影像预诊断技术发展提供一定的理论支撑。

基于FasterMDNet的视频目标跟踪算法

多域卷积神经网络(MDNet)算法在卷积层采用选择性搜索的方式来提取候选框,因此它没有共享完整图像特征,从而导致在线视频目标跟踪速度慢。针对这个问题,提出一种快速多域卷积神经网络(FasterMDNet)视频目标跟踪算法。FasterMDNet是建立在MDNet基础上的一种模型,在卷积层后面引入RPN(Region Proposal Network)网络,优化了损失函数,共享完整图像卷积特征,加快候选区域建议框(ROI)更高效的生成;为了更好地获得目标和背景信息表示,在RPN网络后加入ROIAlign层,对提取的候选区域建议框特征图用双线性插值方法来提高感受野的分辨率。该算法对目标跟踪基准数据集OTB2013、OTB2015、VOT2016进行了评估,并与前沿的跟踪算法做对比,实验结果证明,该算法跟踪准确率优于其他对比方法,并且对比相同实验环境下MDNet算法,在线跟踪速度提高了近12倍。