基于密集特征推理及混合损失函数的修复算法

为有效解决现有算法修复大面积不规则缺失图像时存在特征利用率低、图像结构连贯性差的问题,提出基于密集特征推理(DFR)及混合损失函数的图像修复算法。修复网络由多个特征推理(FR)模块密集连接组成,首先将待修复图像输入第1个推理模块中进行特征推理,之后将输出特征图通道合并送入下一个推理模块,后续推理的每一个模块的输入都是来自前面所有推理模块的推理特征,如此循环,以充分利用每个推理模块捕获的特征信息;然后提出一个传播一致性注意力机制(PCA),提高修补区域与已知区域的整体一致性;最后,提出混合损失函数(ML)优化修复结果的结构连贯性。整个DFR网络使用组归一化(GN),小批量训练也可达到优异的修复效果。在国际公认的Paris StreetView巴黎街景数据集和CelebA人脸数据集上验证文中所提算法的性能,主客观的实验结果表明:所提算法能有效修复大面积不规则缺失图像,提升特征利用率与结构连贯性,其平均峰值信噪比(PSNR)、平均结构相似度(SSIM)、均方误差(MSE)、弗雷歇距离(FID)及学习感知图像块相似度(LPIPS)指标优于对比算法。

基于混合损失函数的U-Net网络建筑物提取

针对传统卷积神经网络进行建筑提取时效果不佳的问题,本文以U-Net网络为基础,在U-Net网络的跳跃连接结构中加入注意力门机制,并且使用混合交叉熵损失函数和Lovasz损失函数的策略监督训练。上述方法可有效解决不同层级特征在跳跃连接时,因语义鸿沟而造成拼接后的特征语义损失的问题,而混合损失函数的策略还能有效整合多个不同混合损失函数的优势,从而增强模型的鲁棒性。定性和定量化的实验结果均表明,本文方法的建筑物提取结果错漏较少,建筑物提取效果较为完整,并且精度较其他对比方法有一定优势。

混合损失函数支持向量回归机的性能研究

目的研究混合损失函数的支持向量回归机。方法综合一次ε-不敏感损失函数和二次ε-不敏感损失函数的部分性质,得到一种混合损失函数。结果同一般的一次ε-不敏感损失函数支持向量回归机和二次ε-不敏感损失函数支持向量回归机相比较,对数据的波动性不大,噪声不明显的数据,混合损失函数支持向量回归机的优势并不显著。结论该混合损失函数支持向量回归机对含有高斯强噪声和一些具有振幅较大的异常点所形成的数据具有较高的准确率。

基于三维UNet与混合焦点损失函数的脑肿瘤全自动分割算法

针对脑肿瘤分割方法中由于正常脑组织、脑肿瘤等不同类别的数据量严重不平衡,导致分割精度受到极大影响的问题,提出一种结合混合焦点损失函数与三维UNet(3D UNet)的全自动脑肿瘤分割算法。在3D UNet模型框架中,使用包含焦点损失与改进的焦点Tversky损失的混合损失函数,两种损失函数可以优势互补,分别缓解输入与输出数据类不平衡带来的不利影响,使分割模型聚焦在难以分类和学习的样本上。利用公开的脑肿瘤数据集进行相关实验,提出的混合焦点损失函数分割模型在完整肿瘤区域、核心肿瘤区域(TC)和增强肿瘤区域(ET)的Dice均值分别可达89.01%、88.67%与83.74%,豪斯多夫距离均值分别为14.29、5.01与3.84 mm,实验结果表明,基于混合损失函数的深度学习分割模型可以显著提升由于数据类不平衡导致的难以分类区域(TC和ET)的分割效果。

基于混合损失函数的改进型U-Net肝部医学影像分割方法

针对现有方法对肝部医学影像分割上的不足,提出了一种用于对肝部医学影像进行分割的改进型U-Net结构。在上采样过程中只复制池化层特征,以减少信息丢失;同时引入残差网络对初步分割图像进行循环精炼,实现高层特征与低层特征的融合;利用对边界敏感的新型混合损失函数对图像进行细化处理,得到更为精确的分割结果。实验结果表明,肝脏图像和肝脏肿瘤图像的Dice系数分别为96.26%和83.32%。相比传统的U-Net,所提网络可以获得更高级的语义信息,进一步提高对肝脏和肝肿瘤图像的分割精度。

基于混合损失U-Net的SAR图像渤海海冰检测研究

渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化(VV和VH)合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络(PCNN)、马尔科夫随机场(MRF)和分水岭算法]和基于深度卷积神经网络(CNN)的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。

基于混合损失ResNet34-UNet的路面裂缝分割方法

路面裂缝图像由于其形状细长、弯曲复杂等特点,在模型训练中存在裂缝样本不平衡问题,为此提出了一种基于混合损失函数的ResNet34-UNet路面裂缝分割方法。该方法借助于U-Net结构,以ResNet-34作为主干提取网络,根据数据集中裂缝像素所占比例对BCEFocal Loss和Tversky Loss进行权重调整,并使用调整后的BCEFocal Loss和Tversky Loss组成混合损失函数,平衡了裂缝样本输入和输出不平衡问题。对比实验表明文中的网络模型的F1分数(0.7018)、MIoU(0.8306)均为最高,说明该分割算法能有效地对路面裂缝进行准确分割。

一种结合注意力残差的肝脏及肝肿瘤分割算法

长时间的肝脏医学图像人工诊断容易使医生产生疲劳,导致误诊和漏诊情况发生。针对以上现象提出一种改进的Unet网络用于肝脏和肝肿瘤自动分割。改进Unet模型,引入注意力残差结构和特征复用结构,提高输入图像中特征信息的利用效率;对损失函数进行改进,在Dice系数中加入欠分割和过分割惩罚因子,提高模型的预测能力。在公开数据集上的实验结果表明:该算法对肝脏和肝肿瘤的分割相似系数分别达到了0.962和0.713,优于现有的分割模型且具有较强的鲁棒性。

一种基于ConvMixer骨干的显著性目标检测模型

显著性目标检测(Saliency Object Detection,SOD)算法多采用基于卷积神经网络(Convolutional Neural Network,CNN)的骨干网络提取特征,然而CNN无法获取图像的长范围特征依赖。视觉转换器(Vision Transformer,ViT)将图像划分为图块(patch),通过Transformer在patch之间传播全局上下文信息获得长范围特征依赖,但Transformer的自注意力层具有二次方的时间复杂性。因此,提出一种低复杂性的基于patch的SOD算法CM-PoolNet,对经典的显著性目标检测PoolNet模型的骨干网络进行改进,使用卷积模型ConvMixer替换VGG和RestNet,提出新的特征融合方法。基于U型结构,编码器对输入图像进行Patch Embedding,送入重复堆叠的由深度可分离卷积和膨胀卷积构成的ConvMixer特征提取器中。为解码器设计了基于patch的特征融合模块。设计了BCE、SSIM和IOU 3种损失,引导模型在像素级、图块级、特征图级3级层次中学习输入图像和真值图像之间的转换。在DUTS数据集和ECSSD数据集上进行实验,结果表明:提出的模型能够有效地分割突出的目标区域,并且准确预测具有清晰边界的精细结构。

改进多阶段渐进式的受电弓碳滑板图像去模糊

针对高铁运行速度过快,容易导致受电弓碳滑板的监测图像出现运动模糊问题,提出了一种改进多阶段渐进式网络的图像去模糊方法。首先,引入混合膨胀卷积作为特征提取网络,在不改变计算量和特征图分辨率前提下,可以增大局部感受野,进而可获取高质量的图像纹理和细节信息;其次,引入像素点注意力机制,自适应地选择每个像素点的权重值,增强模型去模糊质量;再次,引入混合损失函数,提高模型对不同类型模糊的鲁棒性;最后,制作1600对受电弓碳滑板监测图像合成数据集以供模型进行训练和测试。为了评估所提网络的去模糊效果,将训练所得模型在上述数据集上进行了测试,实验结果表明峰值信噪比达到了38.82 dB、结构相似性达到了0.9723,在视觉上较另外7种经典方法能更好地复原图像的边缘轮廓和纹理细节信息。有效地提升了模型的鲁棒性。

引入门控轴向自注意力的多通道病理图像分割

在苏木精-伊红(HE)染色病理图像中,细胞染色分布的不均匀和各类组织形态的多样性给自动化分割带来了极大挑战。针对传统卷积无法捕获大邻域范围内像素间的关联特征,导致分割效果难以进一步提升的问题,提出引入门控轴向自注意力的多通道分割网络(MCSegNet)模型,以实现病理图像细胞核的精准分割。所提模型采用双编码器和解码器结构,在其中使用轴向自注意力编码通道捕获全局特征,并使用基于残差结构的卷积编码通道获取局部精细特征;在编码通道末端,通过特征融合增强特征表示,从而为解码器提供良好的信息基础;而解码器通过级联多个上采样模块逐步生成分割结果。此外,使用改进的混合损失函数有效解决了病理图像中普遍存在的样本不均衡问题。在MoNuSeg2020公开数据集上的实验结果表明,改进的分割方法比U-Net在F1、交并比(IoU)指标上分别提升了2.66个百分点、2.77个百分点,有效改善了病理图像的分割效果,提高了临床诊断的可靠性。

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%。

融合类激活映射和视野注意力的皮肤病变分割

在皮肤镜图像分割问题中,分割精度受多重因素影响,包括图像对比度、病变大小及异物干扰等,为提高分割精度,解决病变边界分割不准等问题,提出一种改进的DeepLab V3+网络。该改进网络一方面生成原图像的类激活映射,融入到网络的编码器中作先验信息,为网络提供准确的定位信息并消除部分干扰因素;另一方面,在空洞空间金字塔模块中融合视野注意力机制,实现局部跨视野交互;同时将Dice损失和排序损失相结合作为本网络的损失函数,使网络更关注硬像素的误差,优化分割模型。分别在ISIC-2017和PH2数据集上对所提模型评估,其Jaccard指数(JA)分别达到82.6%和89.2%,准确率分别达到95.2%和96.5%,实验结果表明所提模型分割敏感度更高,综合分割性能较其他先进网络有所提升。

基于改进Double U-Net的秀丽隐杆线虫显微图像端泡分割

针对秀丽隐杆线虫显微图像噪声较多,端泡区域像素与虫体及周围环境相似,标准Double U-Net分割效果较差的问题。该研究提出一种改进的Double U-Net网络的秀丽隐杆线虫端泡分割方法,在网络中引入密集连接,并采用改进的损失函数,解决了传统网络无法进行精确分割的问题。实验表明:改进后算法对线虫端泡的分割,Dice Coefficien、准确率和召回率达到了90.12%、87.45%和91.53%。

基于改进DeepLabv3+的室外交通场景识别

针对目前常用语义分割模型对小目标分割不全、精度低等问题,文章提出了一种改进的DeepLabv3+网络。结合结构重参数化思想,在训练阶段将具有多分支卷积结构的DBB模块替代网络中的部分结构,推理阶段再将DBB模块等价转化成单分支结构,从而使网络在具有简单结构的同时拥有复杂多分支网络带来的高分割性能,并且配合使用交叉熵和Dice损失人函数组成混合损失函数训练网络,进一步提高分割的准确性。所提算法在针对室外交通场景的Cityscapes数据集上验证,得到的MIoU(平均交并比)值为76.79%、MPA(平均像素精度)为83.95%,对比原模型分别提高了4.63%和3.53%。经实验证明,文章所提出的方法可以有效地改善分割精度,从而达到更好的分割效果。

基于改进U-Net的新冠肺炎图像分割方法

近两年,新冠肺炎在全球暴发,给人类带来了极其严重的生命安全隐患,为尽可能地提高医生的诊断效率,研究新冠肺炎图像的病灶分割方法是极具价值的。利用U-Net网络模型作为基础网络,在第一、二层拼接前,引入改进的通道注意力,强化重要信息;在第三、四层拼接前,引入空间注意力,提取空间信息,对目标区域的细节信息进行补充;最后使用混合损失函数,加快网络收敛速度,避免样本不均衡。对比基础网络,改进后的网络模型既能够分割出较大的目标区域,也能够分割出较小的目标区域,更好地避免出现梯度消失问题,捕捉特征更加充分,有效提高分割性能和网络的可靠性。

基于改进DeepLabV3p的遥感图像中小目标分割方法

针对背景信息复杂、目标类别不均衡,遥感图像的中小目标在分割时常出现误检、漏检的问题,提出一种基于DeepLabV3p改进的遥感图像中小目标分割方法。采用ResNet101作为DeepLabV3p的骨干网络,提出多级感受野融合的ASPP模块,以获取更多感受野;添加SE注意力机制,使模型获得更加精准的通道信息;使用加权的CrossEntropyLoss和LovaszSoftmaxLoss损失函数进行训练,克服数据集目标不均衡的问题;使用全连接条件随机场对预测结果进行图像后处理,对模型输出进行精细化处理。实验结果表明,使用该方法对DLRSD数据集进行分割,mIOU可达到73.22%,与基础网络相比提高了3.78%,有效提高了遥感图像中小目标的分割精度和准确率。

基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法

针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺寸目标的能力,同时融入双域注意力单元,提高网络的边缘识别和边界保持能力。另外该文提出一种混合自适应权重损失函数改善网络优化方向,缓解正负样本极度不均衡的影响。实验结果表明,该文所提方法的平均骰子相似系数(Dice)值达到0.8063,较U形网络(UNet)提高5.3%,参数量下降73.36%,具有更优的分割性能。

基于双注意力机制信息蒸馏网络的图像超分辨率复原算法

针对超分辨率复原技术中网络层数不断加深导致的网络训练困难、特征信息利用率低等问题,设计并实现了一种基于双注意力的信息蒸馏网络(IDN)的图像超分辨率复原算法。首先,利用IDN较低的计算复杂度及信息蒸馏模块提取更多特征的优势,通过引入残差注意力模块(RAM)并考虑图像通道之间的相互依赖性来自适应地重新调整特征权重,从而进一步提升图像高分辨率细节的重建能力;然后,设计了对于边缘信息敏感的新型混合损失函数对图像进行细化处理,以加速网络收敛。在Set5、Set14、BSD100和Urban100公共数据集上的测试结果表明,该方法的视觉效果和峰值信噪比(PSNR)均优于当前主流算法。

基于RDSRCNN的单幅图像去雨模型研究

下雨天气在图像上造成雨痕,不仅严重影响图像观感,更会干扰后续图像分析与处理。图像去雨始终是图像复原研究的热点,于是提出RDSRCNN单幅图像去雨模型。为提升特征提取能力,以增强型特征提取方法ESIFEM为特征提取手段,利用其远距离像素关联能力及低局部特征提取代价实现高效特征提取,同时利用l1与MSS-SIM构造的复合损失函数优化训练效率并保证输出图像对视觉友好,将以上方法与增强型DSRCNN去雨网络相结合形成单幅图像去雨模型。在Rain100H数据集上的实验结果表明,该方法在视觉上能将浓密雨分布情况下的图像恢复至细节丰富的干净场景图,并且相较于大部分对比方法,虚影与物体边缘变形的情况减少90%以上,背景的雨痕清除率高于95%。该方法在量化评估中,峰值信噪比和结构相似性参数在较大部分较对比方法更优,且在空间复杂度等方面优于Restormer方法。