基于差分卷积和深浅层特征融合的表面缺陷分割

针对弱纹理情况下缺陷特征不明显和小目标缺陷分割准确性较低的问题,提出基于差分卷积和深浅层特征融合的表面缺陷分割方法。首先,基于差分卷积设计特征增强模块,对特征图进行特征增强;其次,在特征融合网络中将深浅层特征进行融合,对浅层网络中的细节特征和深层网络中的语义信息进行有效融合;最后分别采用NEU-Seg和MT-Magnetic数据集对本文方法和现有的代表性方法进行综合对比分析。结果表明:本文研究方法在NEU-Seg和MT-Magnetic数据集上分别实现85.2%、83.3%的分割精度,优于现有的代表性语义分割算法,证明该法可有效提升弱纹理和弱小缺陷的分割准确度,显著提高缺陷分割算法的精度。

seqAFF-ResNet:面向新冠肺炎的诊断模型

新冠肺炎的计算机辅助诊断是一种实现智能化影像诊断、临床诊断及临床分型的方法,在新冠肺炎的辅助诊断过程中,图像的病灶区域与组织边界对比不明显,导致模型不能较好地关注病灶区域,对有效特征的提取不够充分。针对上述问题,提出一个新冠肺炎辅助诊断模型seqAFF-ResNet(sequential attentional feature fusion-residual neural network)。设计串行注意力特征融合(sequential attentional feature fusion,seqAFF)模块,该模块串联条带注意力特征融合(strip attentional feature fusion,SAFF)模块和全局局部注意力特征融合(global local attentional feature fusion,GLAFF)模块,获取图像的纹理信息以及全局和局部信息,弥补卷积神经网络对于细节特征提取能力的不足,使得模型可以更好地关注于病灶区域;构造深浅层特征融合(deep and shallow feature fusion,DSFF)模块,使用深层特征的语义信息来影响浅层信息,同时将浅层的空间信息传入深层特征中,使深浅层特征进行有效融合,捕获丰富的上下文信息,实现跨层注意力特征增强,使网络能够更好地定位病变区域。与残差神经网络(residual neural network,ResNet)相比,seqAFF-ResNet准确率提升了3.42%,精确率提升了3.53%,F1分数提升了2.77%,AUC值提升了0.9%,实验结果表明,所提模型可以提高新冠肺炎的识别准确率,且与同类模型相比具有更好的性能。所提方法为新冠肺炎的辅助诊断提供了有效的识别方法,对新冠肺炎的计算机辅助诊断具有重要意义。

基于改进Faster R-CNN的铁路信号灯与停留车检测方法

在铁路编组站调车作业中,因调车头机车结构特点,司机难以时刻观察地面信号,常因主观误判导致调车头误闯信号灯挤坏道岔和冲撞停留车的事故发生。文章针对铁路信号灯与停留车目标大小悬殊的多尺度目标检测问题,改进Faster R-CNN目标检测算法,采用深浅层特征融合方法和多尺度训练策略,较好地兼顾了对二者的高质量检测。此外,文章采集车载铁路视频图像,标注信号灯和停留车,构建了较大型的目标检测数据集。实验结果表明,改进的Faster R-CNN在所构建数据集中,信号灯检测精确率达到96.6%,停留车检测精确率达到98.9%,检测速度约10帧/秒,能够满足铁路编组站低速调车作业应用场景的实时性要求。

基于注意力机制的人脸表情识别网络

人脸表情识别一直是计算机视觉领域的一个难题.近年来,随着深度学习的飞速发展,一些基于卷积神经网络的方法大大提高了人脸表情识别的准确率,但未能充分利用人脸图像中的信息,这是由于对于面部表情识别有意义的特征主要集中在一些关键位置,例如眼睛、鼻子和嘴巴等区域,因此在特征提取时增加这些关键位置的权重可以改善表情识别的效果.为此,提出一种基于注意力机制的人脸表情识别网络.首先在主干网络中加入了深浅层特征融合结构,以充分提取原始图像中不同尺度的浅层特征,并将其与深层特征级联,以减少前向传播时的信息丢失.然后在网络中嵌入一种基于两步法的通道注意力模块,对级联后的特征图中的通道信息进行编码,得到通道注意力图,再将其与级联特征图逐元素相乘,得到通道加权特征图,将多尺度特征提取与空间注意力相结合,提出多尺度空间注意力模块,对通道加权特征图的不同位置进行加权,得到空间加权特征图.最后将通道和空间均已加权的特征图输入到后续网络中继续进行特征提取和分类.实验结果表明,所提出的方法与现有的基于深度学习的方法相比,在扩展的Cohn-Kanada数据集上的表情识别准确率提高了0~3%,在OULU-CASIA NIR&VIS数据集上的表情识别准确率提高了1%~8%,证明了该方法的有效性.