轻量级深度可分离混合卷积神经网络的目标检测算法

本文在传统的SSD(Single Shot Detection)目标检测算法的基础上,替换原有的大型VGG前馈网络为本文创新提出的轻量级深度可分离混合卷积神经网络Mixmobilenet,使得整体目标检测模型参数量下降。之后加入FPN(Feature Pyramid Network)多尺度特征融合方法和集中损失函数(Focal Loss)。综合上述,本文创新提出轻量级深度可分离混合卷积神经网络的目标检测算法Mixmobi lenet-FFSSD,通过实验表明在PASCAL VOC数据集上准确率达到72.5mAP,参数量仅为6.6M,该目标检测算法在参数量、准确性和实时性方面均具有较好的表现,适合于嵌入式智能设备终端的高效目标检测需求。

基于级联网络的肝脏肿瘤CT图像分割

肝脏肿瘤计算机断层扫描(Computed Tomography,CT)图像分割是肝癌诊断与治疗过程的重要环节。近年来,基于U型结构的卷积神经网络在该分割任务取得了巨大的成功,但仍存在一些挑战,如肿瘤边界分割不精确、小肿瘤难以检测等。为提高肝脏肿瘤的分割精度,提出一种级联网络MCPUNet用于肝脏肿瘤分割任务。MCPUNet引入MDB(MDconv Block)和MP(Mixing Pooling)以获取上下文信息,MDB通过混合深度可分离卷积和坐标注意力机制提取图像的多尺度特征,MP用于下采样减少图像尺寸。实验证明,与原始的U-Net模型相比,该模型在肝脏肿瘤分割任务上的交并比(Intersection over Union,IoU)、准确度和召回率指标分别提高3.8%、2.5%和2.0%,为肝癌诊断和治疗提供了可靠依据。

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional,MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation,SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution,Batch normal,Hardswish,CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%。同时本研究在50次迭代下与YOLO v5s、RetinaNet、YOLO v4网络模型的检测效果进行了对比,结果表明,YOLO v5-MDC的mAP为99.40%,比YOLO v5s模型降低了0.06个百分点,但模型所占存储空间最小,仅为13.4 MB,比YOLO v5s模型减少了0.6 MB,对于单幅图像的最大检测时间为0.08 s,平均检测时间为0.03 s。综上,本研究所设计模型能有效实现重度粘连小麦籽粒的检测,同时模型检测效率高,所占存储小,可为小麦籽粒检测嵌入式设备研发提供技术支持。

DeepLabV3_DHC:城市无人机遥感图像语义分割

高分辨率无人机遥感图像具有极为丰富的语义和地物特征,在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题,基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先,利用多种主干网络进行下采样,采集图像的低级特征和高级特征。其次,将原模型的atrous spatial pyramid pooling(ASPP)全部替换成深度可分离混合空洞卷积,同时添加自适应系数,减弱网格效应。之后,抛弃传统上采样的双线性插值法,替换为可学习的密集上采样卷积。最后,在低级特征中串联注意机制。选用多种主干网络进行实验,数据集选用四川省隆昌市地区的部分图像,采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明:所提方法不仅具有较高的分割精度,而且减少了计算量和参数量。

基于多通道的光学相干层析成像视网膜图像自动分类研究

光学相干层析成像(OCT)是获取眼部图像的主要技术手段之一。常见的眼科临床症状有软性玻璃疣,糖尿病性黄斑水肿和脉络膜新生血管性疾病。根据OCT图像的特殊性,通过利用深度神经网络对上述常见病变图像进行自动分类识别,提出了基于OCT视网膜病变图像自动分类的轻量级卷积神经网络—GM-OCTnet,其具有多通道、多尺度和相对轻量化等特点,并且能实现高精度、低误诊或少漏诊。此外,将所提出的模型与传统轻量级模型在OCT数据集中进行了比较。实验表明,利用混合深度分离卷积和轻量型注意力机制替换原始深度卷积和压缩注意力机制,相比传统的GhostNet模型平均准确率提高了2%左右,验证了该方法在OCT视网膜图像自动分类识别的性能和有效性。