基于条件卷积与注意力的肝脏分割算法

鉴于现有肝脏CT影像分割算法中存在的对比度较低、边界模糊、分割效果差问题,提出一种基于条件参数化卷积与注意力的分割网络(CPat-Net)。首先用条件参数化卷积替代残差网络中的常规卷积,其次将融合后的条件残差卷积模块集成至编码器中,用以提升模型容量和保持高效计算。然后利用特征注意(CPat)模块中的空间和通道注意力获取特征图的语义和细节信息,从而将局部特征与其全局依赖性更好地结合起来,最后利用深度监督进行多尺度语义信息的融合,提升方法的性能与鲁棒性。实验表明,在肝脏CT影像数据集中本文方法的Dice相似系数、交并比、Jaccrad系数分别达到了94.1%、90.3%、92.4%。相较于UNet、CENet、CSNet等前沿方法,本文方法在肝部分割上的准确度更为优异。

基于改进型YOLOv8的复杂环境烟火检测

为解决森林火灾烟火检测识别较慢、检测准确性较低的问题,将Backbone部分的传统卷积替换为条件参数化卷积,显著增强模型性能,通过实验验证凸显了改进型YOLOv8在烟火检测方面的有效性,表现出平均均值精度(mAP)的mAP50达到99.499%且mAP50-95达到97.392%,识别达到99.539%的同时模型召回率也提升至99.746%。相较于原始的YOLOv8,降低了模型的复杂度且有效提升了模型识别的实时性,FPS提升56.41,达到256.41,且模型复杂度下降0.3GFLOPs。

改进SSD算法在交通标志检测中的应用

针对交通标志检测存在误检率高、鲁棒性差等问题,提出了一种改进SSD(single shot multibox detector)的交通标志检测方法。首先从不同维度提取交通标志的位置和方向感知信息,改善目标在浅层特征图上的感受野区域。其次使用特例化的卷积内核对深层特征图进行条件参数卷积,增强交通标志的特征表达能力。最后对通道注意力机制进行改进,在特征通道中融入目标空间信息,提升交通标志目标的显著性。实验结果表明,提出的方法相较于原始SSD在CCTSDB数据集上的检测精度提升了7.6个百分点,检测速度达到87.5 FPS;在LISA数据集上的平均准确率为94.6%,检测速率为85.0 FPS。相比于其他的检测方法,改进后的SSD算法在复杂的自然场景中对交通标志具有更好的鲁棒性。