基于混合空洞卷积与特征融合的肝脏肿瘤图像分割

为了解决肝脏肿瘤图像中肝脏肿瘤形状复杂、与四周正常组织之间的边界模糊而导致分割模型准确率低的问题,本文提出一种基于混合空洞卷积与高层特征融合的肝脏肿瘤图像分割模型(HFU-Net)。该模型加入高层特征融合再校准模块,丰富U-Net中跳跃连接部分,使其利用特征融合与压缩注意力机制对特征信息校准,提升网络编码器的特征信息获取能力。并且,为进一步提高网络各层的特征提取效果,使用混合空洞卷积块替换原模型编码网络中传统卷积模块,以获得密集的肿瘤特征信息,扩大网络感受野。实验结果表明,与U-Net算法相比,Dice系数、体积重叠误差(VOE)、灵敏度、精确率指标均有较好效果,分别提高了3.3%,4.59%,4.39%和2.04%该模型显著提高肝脏肿瘤图像分割精度,为肝癌诊断与治疗提供可靠依据。

基于混合空洞卷积和注意力多尺度网络的残饵密度估计

及时、准确地估算饵料盘中残留饲料量是提高养殖效益的重要措施。针对虾类养殖场景下残饵检测模型复杂度高、计数精度低的问题,提出了一种基于混合空洞卷积和注意力多尺度网络(hybrid dilated convolution and attention multi-scale network,HAMNet)的残饵密度估计方法。首先,借鉴MCNN(multi-column convolutional neural network)多列架构的思想设计并行卷积块(parallel convolution block,PCB),使网络在单列架构中提取多种尺度的残饵特征,简化了网络结构并减轻了计算量;同时为了弥补网络结构简化造成残饵特征表示能力略有不足的问题,引入混合空洞卷积块(hybrid dilated convolution block,HDCB)避免信息丢失并增大感受野,增强模型深入挖掘多尺度残饵信息的能力。其次,在网络中嵌入通道注意力机制(channel attention mechanism,CAM),利用通道之间的相互依赖性重新校准有用特征信息的权重,凸显目标与背景的差异性。最后,针对下采样导致密度图质量差的问题,应用可学习的转置卷积恢复特征图细节信息,进而提升模型计数性能。利用饵料盘条件下采集的残饵图像进行了验证,试验结果表明,与基准模型MCNN相比,HAMNet模型的平均绝对误差、均方根误差和计算量分别降低了44.4%、40.8%和13.7%,参数量仅为0.52 MB。与经典密度估计模型CMTL(cascaded multi-task learning)、SANet(scale aggregation network)、CSRNet(congested scene recognition network)相比,该模型在各项性能指标上保持了最佳平衡,明显处于优势。该研究可为人工智能在水产养殖中快速量化残饵提供参考。

基于混合空洞卷积网络的多鉴别器图像修复

为了有效解决大面积语义信息缺失、孔洞区域大小及形状不规则、图像背景复杂时修复结果出现边缘模糊、伪影或修复失真等缺陷,提出了一种基于混合空洞卷积网络的多鉴别器图像修复算法.首先,将待修复图像输入一个基于混合空洞卷积层的模糊卷积网络,以重构损失为标准,进行粗修复.然后,将粗修复结果输入双平行卷积网络,该网络包含混合空洞卷积(HDC)层的卷积路径及一个与之平行的感知层卷积路径,两个平行路径的输出经过解码和反卷积后,送入鉴别器进行判别优化.最后,在网络的优化过程中,利用全局鉴别器、局部鉴别器和中心鉴别器增强修复图像的整体及局部语义一致性和细节特征.在国际公认的人脸数据集CelebA和风景数据集Places2上,对提出算法进行训练和测试,实验结果表明:提出方法在修复背景复杂和各种大小及形状的孔洞时,增强了图像细节的修复精度,有效避免了修复失真,在修复的视觉效果、峰值信噪比、结构相似度和平均误差方面,优于对比的4种经典修复算法.

基于U-net边缘生成和超图卷积的两阶段修复算法

为了有效修复背景复杂、大面积不规则缺失区域,得到合理的结构和精细的纹理,提出了基于U-net边缘生成和超图卷积的两阶段修复算法.首先,将缺失图像输入基于U-net门控卷积的粗修复网络,通过跳跃连接将图像的上下文信息向深层传播,获取丰富的图像细节信息,下采样提取缺失区域边缘特征,上采样还原缺失区域边缘细节,同时使用混合空洞卷积增大信息感受野,获取细节纹理信息.然后,将粗修复结果输入含超图卷积的细修复网络,捕获和学习输入图像中的超图结构,使用空间特征的互相关矩阵捕获空间特征结构,改善结构完整性并提升细节细粒度.最后,将细修复结果输入鉴别器进行判别优化,进一步优化修复结果.在国际公认数据集上进行实验仿真,结果显示:本文提出的算法在修复大面积不规则缺失时,可以生成合理的结构和丰富的纹理细节,修复的视觉效果,PSNR,SSIM和L1损失优于对比算法.

基于空洞卷积和Focal Loss的改进YOLOv3算法

为了进一步提升YOLOv3的小目标检测能力,文中提出将Darknet-53中的第2个残差块输出的特征图用混合空洞卷积处理后,与YOLOv3的8倍下采样特征图相融合,建立新的检测特征;同时,使用Focal Loss改进损失函数中的负样本置信度公式,缓解YOLOv3的正负样本比例失衡问题。实验结果表明,在小目标数量占比为47.7%的特定测试集上,改进YOLOv3的平均准确率和召回率分别比原YOLOv3提高了8.8%和16%;在VOC测试集上,改进YOLOv3的平均精度均值比原YOLOv3提升了3.4%。

基于交叉注意力的多任务交通场景检测模型

感知是自动驾驶的基础和关键,但大多数单个模型无法同时完成交通目标、可行驶区域和车道线等多项检测任务。提出一种基于交叉注意力的多任务交通场景检测模型,可以同时检测交通目标、可行驶区域和车道线。使用编解码网络提取初始特征,利用混合空洞卷积对初始特征进行强化,并通过交叉注意力模块得到分割和检测特征图。在分割特征图上进行语义分割,在检测特征图上进行目标检测。实验结果表明:在具有挑战性的BDD100K数据集中,所提模型在任务精度和总体计算效率方面优于其他多任务模型。

SAA-UNet:特征信息融合网络的遥感图像分割

针对星载遥感图像分割精度低、边缘分割模糊问题,提出一种高低层特征信息融合网络模型。以U-Net网络模型为基础,在编码器中加入注意力机制模块获取图像低层特征信息,并在解码器中利用语义嵌入分支将图像的高层信息与低层信息进行融合,在编码器末端利用不同空洞扩张率的混合空洞卷积构建相应模块。为验证网络有效性,以WHDLD数据集和DeepGlobe-Road数据集作为数据源,将SAA-UNet模型与常用语义分割模型进行对比。实验结果显示,SAA-UNet模型整体分割精度优于对比模型,对小目标地物的分割效果更好。在WHDLD数据集中,平均交并比和类别平均像素准确率分别高于次优模型0.013和0.027。此外,本文采用DeepGlobe-Road数据集进行泛化性。结果表明,本文模型可以有效提高星载遥感图像的分割精度。

基于RepVGG-A0改进的公路车型识别网络

针对当前车型识别过程中检测精度与实时性难以平衡的问题,提出了一种基于RepVGG-A0改进的公路车型识别网络,利用结构重参数化思想融合多分枝网络以提升网络推理速度。使用混合空洞卷积替换传统卷积,强化了模型对大目标的识别能力。在网络主干中插入融合残差结构的坐标注意力(RES-CA)模块,提升了网络对有效特征信息的提取能力,同时避免了梯度消失与梯度退化造成的影响。此外采用了标签平滑正则化方法对损失函数进行改进,降低了模型过拟合对检测结果的影响,提升了模型的泛化性。经验证,本方法在公路车辆数据集BIT-Vehicle上的识别准确率达到了97.17%,较原模型提升了2.67%,优于现有的ResNet-18,VGG等网络模型,同时保证了模型的检测速度。

融合残差注意力和标准偏差的6D姿态细化网络

在6D物体姿态估计领域中,现有算法往往难以实现对目标物体精准且鲁棒的姿态估计.为解决该问题,提出了一种结合残差注意力、混合空洞卷积和标准差信息的物体6D姿态细化网络.首先,在Gen6D图片特征提取网络中,采用混合空洞卷积模块替换传统卷积模块,以此扩大感受野、加强全局特征捕获能力.接着,在3D卷积神经网络中,加入残差注意力模块,这有助于区分特征通道的重要程度,进而在提取关键特征的同时,减少浅层特征的丢失.最后,在平均距离损失函数中,引入了标准差信息,从而使模型能够区分物体的更多姿态信息.实验结果显示,所提出的网络在LINEMOD数据集和GenMOP数据集上的ADD指标分别达到了68.79%和56.03%.与Gen6D网络相比,ADD指标分别提升了1.78个百分点和5.64个百分点,这一结果验证了所提出的网络能够显著提升6D姿态估计的准确性.

结合HDC和Attention的高分遥感影像光伏板提取研究

人工调查维护光伏板导致人力维护成本昂贵。因此,使用深度学习方法通过遥感影像提取光伏板能够低成本为光伏发电场景的运行维护提供重要数据支撑。使用改进后的DeepLabV3+语义分割模型,解决了如何利用高分辨率遥感影像进行光伏的精确分割与提取的问题。提出一种基于DeepLabV3+深度学习架构的超高分辨率遥感影像光伏板提取方法。主要创新工作体现在:(1)针对遥感影像中光伏板信息难以精细提取的问题,提出混合空洞卷积空间金字塔池化模块;(2)针对光伏板信息提取中边缘细节易丢失的问题,引入注意力机制敏感捕捉小区域特征,以提高模型的分割能力。该研究采用2021年中国科学院大学发布的多分辨率光伏数据集进行实验,结果表明:提出的模型在0.1 m、0.3 m、0.8 m空间分辨率的分布式光伏数据集中IoU可达92.54%、79.91%、76.27%。在0.3 m、0.8 m空间分辨率的地面光伏数据集中可达到94.27%、87.24%,相较于原本的DeepLabV3+模型,在三种不同分辨率和不同背景的场景中的IoU提高0.13~2.02个百分点;同时在0.1 m、0.3 m、0.8 m空间分辨率的屋顶分布式光伏数据集上,提出的方法与经典语义分割模型U-Net、PSPNet、DeepLabV3+相比,IoU提高0.64~20.51个百分点。以上实验证明了该方法的有效性。

一种基于生成对抗网络的图像去雾算法

经现有去雾算法处理的图像存在色彩失真、纹理细节丢失、网格伪影等问题,为此,基于生成对抗网络,提出了一种端到端的去雾算法。该算法将U-Net网络引入生成器模块,采用多尺度卷积和跳跃连接融合不同层级的特征,使用混合空洞卷积模块捕获上下文信息,扩大了感受野并缓解了网格伪影问题;同时通过复合损失函数约束图像边界,提高了去雾图像的精细化质量,有效解决了现有去雾算法存在的问题。所提算法在SOTS数据集上的实验结果表明,去雾图像的客观评价指标和感官效果均优于所有对比算法;在UA-DETRAC数据集上的实验证明,经该算法处理的图像可应用于交通场景的目标检测任务中。

基于图像放缩增强网络的图像分类方法

随着人工智能的快速发展,基于深度神经网络的图像分类任务性能得到了巨大提升,在图像检索、智能安防和自动驾驶等领域具有重要的应用价值。但目前图像分类网络的性能通常会受到输入图像大小的限制,相比于输入较小的图像,增大输入图像大小可以保留更多的细节信息,保证网络可以提取到更丰富的特征,从而提高分类准确性,但其也会降低网络的推理速度。目前的深度学习算法通常用线性插值的方式调整图像分辨率至固定大小,这种方式往往会限制网络的性能。针对上述图像输入大小和插值方式对分类准确率的影响问题,提出了一种基于图像放缩网络的图像分类方法,以轻量化网络架构Effi cientNet为基准分类网络,引入混合空洞卷积增大特征的感受野,并设计了一种图像放缩增强网络模块对输入图片进行压缩增强,在少量增加网络参数量的情况下,丰富输入图像包含的信息,提升分类网络的分类性能。多组实验证明,所提出方法对图像分类准确率有着显著的提高。

结合全局注意力机制的实时语义分割网络

针对轻量化网络结构从特征图提取有效语义信息不足,以及语义信息与空间细节信息融合模块设计不合理而导致分割精度降低的问题,本文提出一种结合全局注意力机制的实时语义分割网络(global attention mechanism with real time semantic segmentation network,GaSeNet)。首先在双分支结构的语义分支中引入全局注意力机制,在通道与空间两个维度引导卷积神经网来关注与分割任务相关的语义类别,以提取更多有效语义信息;其次在空间细节分支设计混合空洞卷积块,在卷积核大小不变的情况下扩大感受野,以获取更多全局空间细节信息,弥补关键特征信息损失。然后重新设计特征融合模块,引入深度聚合金塔池化,将不同尺度的特征图深度融合,从而提高网络的语义分割性能。最后将所提出的方法在CamVid数据集和Vaihingen数据集上进行实验,通过与最新的语义分割方法对比分析可知,GaSeNet在分割精度上分别提高了4.29%、16.06%,实验结果验证了本文方法处理实时语义分割问题的有效性。

一种基于改进U-Net的肝脏肿瘤分割方法

肝脏肿瘤分割是肝癌诊断与治疗不可或缺的重要环节。针对传统的U-Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题,对其进行改进以提高肝脏肿瘤分割精度。首先,在编码阶段使用混合空洞卷积替换原有卷积块,增大感受野、获取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制,使模型重点关注感兴趣区域,抑制冗余特征;使用组归一化(GN)代替常用的批量归一化(BN),减小Batch Size过小对网络准确性的影响,并结合Focal Tversky损失函数以改善类不平衡问题。通过LiTS2017数据集的实验表明,相较于传统U-Net,所提改进模型在肝脏和肿瘤分割中的Dice指标分别提升了3.56%和4.21%,召回率提升了3.71%和5.35%。

基于深度卷积神经网络的地震相识别

近年来,随着深度学习技术的快速发展,尤其在计算机视觉等领域取得了重大进展。地震相解释为分析地质环境和预测油气藏提供了重要基础。大多现有方法对地震数据解释效率低,严重依赖地震资料解释人员通过检查地震反射、相位、频率、连续性和方向的空间变化来识别地震相的人工操作。本论文采用深度学习中先进算法来实现地震相的自动解释,大幅度减轻解释人员对地震数据的解释经验和专业知识。通过改进VGG16网络模型,在全连接层前端添加混合空洞卷积和空洞空间金字塔池化模块,获取地震剖面的全局信息。

基于深度学习的油页岩CT图像有机质识别分割方法研究

【目的】油页岩中有机质的密度远低于其他岩石基质,因此,在CT图像中有机质的灰度值往往接近于孔隙裂隙的灰度值,从而在图像中表现为灰度值差异不明显,有机质和岩石的边界模糊等问题。【方法】为了精准识别分割出油页岩CT图像中的有机质,对深度学习领域的图像分割方法进行研究,并自主搭建了描述有机质分割的OM-Unet语义分割网络架构。通过在传统Unet模型中引入混合空洞卷积模块、由粗到精的部署策略和轻量化自适应特征融合模块,利用卷积神经网络识别分割油页岩CT图像中的有机质,并结合MIoU等评价指标对其分割效果进行评估。【结果】OM-Unet模型的MIoU为80.66%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet和LAFF-Unet模型分别增加了8.01%、17.68%、9.5%、2.54%、2.83%和9.13%.OM-Unet模型的MPA为89.16%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet和LAFF-Unet模型分别增加了12.85%、20.62%、15.82%、8.81%、9.55%和15.34%.【结论】该结果证明OM-Unet模型可有效提高油页岩有机质分割的准确性,更加精确地确定有机质体积百分比、有机质团数量随温度或者热解条件的变化规律,为油页岩原位开发提供基础理论数据。

基于HDCNN-BIGRU-Attention油田措施效果预测模型

为预测油田增油控水措施效果中月产油量与含水量,提出一种基于混合空洞卷积神经网络(HDCNN:Hybrid Dilated Convolutional Neural Network)-BIGRU-Attention的措施效果预测模型。模型通过HDCNN,提取生产数据多尺度全局特征;针对措施生产数据时序性较强与波动性较大的特点,利用双向门控循环单元(BIGRU:Bidirectional Gated Recurrent Unit)充分挖掘数据间长期依赖关系,提高时序信息利用率与学习效果;引入缩放点积注意力模块(Attention),为重要信息赋予较高权重并不断调整参数使模型始终关注与预测目标相关性较大的特征。为验证模型的有效性,将LSTM(Long Short-Term Memory)、CNN(Convolutional Neural Network)-LSTM以及LSTM-Attention作为实验对比,结果表明该模型具有更低的预测误差与更好的泛化能力。

基于U-Net网络的成像测井图像修复方法研究

针对微电阻率成像测井图像部分缺失的问题,该文提出了一种基于改进U-Net卷积神经网络的修复方法。该方法使用了VGG16网络的预训练权重,对模型参数进行初始化;引入混合空洞卷积增大感受野来捕获多尺度缺失区域信息;并且通过在模型中引入双向注意力图模块,前向注意力图进行缺失区域权重的重加权,反向注意力图注重修复区域的质量提升。根据实验结果,测试集中五组缺失区域大小不同的成像测井图像的平均结构相似性度量为0.93,相比其他同类方法提升了0.25左右。研究表明,该方法可用于微电阻率成像测井图像的修复,并在语义结构连贯、纹理细节等方面有不错的提升,从而为保证对微电阻率成像测井图像后续解释的顺利推进提供了一种新的深度学习方法。

基于多尺度特征融合的细胞计数方法

细胞计数一直是医学影像分析中非常重要的一项工作,在生物医学实验和临床医学等领域起着十分关键的作用。针对细胞计数工作中存在的由细胞尺寸变化等因素造成的细胞计数精度低的问题,引入高度拥挤目标识别网络CSRNet并加以改进,构建了一种基于多尺度特征融合的细胞计数方法。首先,使用VGG16的前10层提取细胞特征,避免了由于网络过深造成的小目标信息丢失;其次,引入空间金字塔池化结构提取细胞的多尺度特征并进行特征融合,降低了因细胞形态各异、尺寸不一和细胞遮挡等问题带来的计数误差;然后,使用混合空洞卷积对特征图进行解码,得到密度图,解决了CSRNet在解码过程中像素遗漏的问题;最后对密度图逐像素进行回归得到细胞总数。另外,在训练过程中引入了一种新的组合损失函数以代替欧几里得损失函数,不仅考虑了groundtruth密度图与预测密度图单个像素点之间的关系,还考虑了其全局和局部的密度水平。实验证明,优化后的CSRNet在VGG cells和MBM cells数据集上取得了较好的结果,有效改善了由细胞尺寸变化等因素造成的细胞计数精度低的问题。

一种阶梯型多尺度神经网络条带噪声降噪模型

针对遥感影像上存在的复杂条带噪声问题,提出一种阶梯型多尺度卷积神经网络降噪模型(SmCNN)。该模型采用一种阶梯型网络结构轻量化设计,高度融合高、低层等多层网络特征,对影像上的非均质、高覆盖、多尺度条带噪声具备优秀的识别、去除能力。模型主要通过3*3空洞卷积构建多尺度网络和残差网络融合多尺度特征信息,增强多尺度条带噪声的检测能力、弥补深度网络退化缺点;采用锯齿状混合空洞卷积网络结构解决图像信息不连续问题;设计阶梯型多尺度网络结构、引入1*1卷积以轻量化神经网络模型,降低模型复杂度。实验结果表明,SmCNN降噪性能明显优于传统图像降噪方法,比经典的前馈去噪卷积神经网络(DnCNN)降噪模型在均方误差、峰值信噪比、结构相似性三项图像降噪质量评价指标上,分别提高了61.2%、11.8%和0.7%,且网络结构轻量化效果显著,节约了53.11%的模型训练时间。