基于卷积神经网络的细长路面病害检测方法

针对细长路面病害人工检测耗时长和当前检测方法精度不足的问题,依据病害的弱语义特性和异常几何属性,提出了能够精准定位和分类出病害的二阶段细长路面病害检测方法Epd RCNN。首先,针对细长路面病害的弱语义特性,提出了一种复用低层特征并反复融合不同阶段特征的骨干网络;其次,在训练过程中,使用一种符合病害几何属性分布的锚框机制来生成高质量的正样本供网络训练;然后,在单一高分辨率特征图上预测病害包围框,并针对该特征图使用并行级联空洞卷积模块来提升其多尺度特征表达能力;最后,针对形状各异的候选区域,使用由可变形感兴趣区域池化(RoI Pooling)和空间注意力模块组成的候选区域特征改良模块来提取符合病害几何属性的候选区域特征。实验结果表明,所提方法在光照充足图像上的平均准确率均值(mAP)为0.907,在存在光照问题图像上的mAP为0.891,综合mAP为0.899,表明该方法具有良好的检测性能和对光照的鲁棒性。

基于DeblurGAN的运动模糊图像盲复原算法研究

DeblurGAN方法利用条件生成对抗网络解决了端到端的图像去模糊问题,但存在图像边缘细节恢复不足以及鲁棒性不高的问题,针对此问题,提出一种基于DeblurGAN的运动模糊图像盲复原方法。在生成网络中,采用多尺度卷积核神经网络提取特征,并使用级联空洞卷积扩大神经元的感受野;采用自适配归一化方法代替原来生成器中使用的实例归一化方法。其次,引入了梯度图像L1损失,结合对抗损失和感知损失,将其作为图像去模糊的正则约束,使得生成图像的边缘特征更加清晰。实验结果表明,提出方法复原的图像峰值信噪比数值较DeblurGAN算法高出5.4%,结构相似性指标高出1%;在主观上清晰化效果较好,且消除了网格效应。

多尺度密集注意力网络用于视网膜血管分割

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题,提出一种多尺度密集注意力网络用于视网膜血管分割.首先,以U-Net架构为基础,引入并行空间和通道挤压激励注意力密集块(scSE-DB)代替传统卷积层,加强特征传播能力,实现了对特征信息的双重校准,使模型能更好地识别血管像素;其次,在网络底端嵌入级联空洞卷积模块,以捕获多尺度血管特征信息,提升网络获取深层语义特征的能力;最后,在公共数据集DRIVE、CHASE_DB1和STARE上进行实验,所提网络的准确率分别为96.50%、96.62%和96.75%,灵敏度分别为84.17%、83.34%和80.39%,特异性分别为98.22%、97.95%和98.67%.所提网络的整体分割性能优于现有多数先进算法.