基于级联U-Net的遥感影像道路分割和轮廓提取方法

针对基于深度学习的遥感图像道路信息提取模型往往只能输出单任务结果且多任务之间相关性利用不充分的问题,提出了一种基于级联U-Net的道路语义分割和轮廓联合检测方法,将道路语义分割后的特征图与原始图像融合后进行道路轮廓的提取,实现道路语义分割和边界轮廓的联合训练。首先使用U-Net网络结构提取光学遥感图像丰富的层次化特征,通过级联结构将特征串联融合,分别用于提取道路的语义类别和边界轮廓。其次在每级U-Net结构中引入注意力机制模块,进行空间上下文信息和深层次特征提取,改善网络提取过程中出现的细节模糊现象。最后,使用骰子系数和交叉熵误差组成的联合损失函数进行多任务整体训练,实现深度学习模型对遥感图像中道路语义类别和边界轮廓的同时提取。通过在加拿大渥太华城市地区的光学遥感数据集上进行实验,基于级联U-Net的道路信息联合提取方法在分割指标上分别获得了42%的精确度、58%的召回率、48.2%的F1分数以及71.6%的平均交并比,在道路检测指标上取得了0.896的全局最佳阈值(ODS)。结果表明,该模型在满足联合提取道路多任务信息的同时具有更优的检测精度。

基于级联U-Net的手指静脉分割算法研究

针对传统的手指静脉分割算法无法达到良好的分割效果,公开手指静脉数据集较小,没有合适的参考标准用于神经网络训练,数据集未进行ROI处理导致包含背景过多等问题,提出一种基于级联U-Net的手指静脉分割算法。从UNet网络结构出发,针对所使用的指静脉数据集简化网络、减少参数,并以此作为所提方法的网络组成部分。针对山东大学公开数据集SDU-FV采用一种基于最小二乘的旋转校正算法提取ROI区域,该方法可以克服手指轴向旋转引起的成像区域不一致等问题,进而突出静脉丰富区域。在神经网络训练过程中,一方面在每张图像中随机选择其中心获得子块进行数据扩充;另一方面将检测静脉图像横截面局部最大曲率方法提取到的纹路作为标准。实验结果表明,基于级联U-Net的手指静脉分割算法取得了比其他方法更加优异的分割性能,在3个手指静脉公开数据集SDU-FV、MMCBNU_6000和THU-FVFDT2上分别获得了91.56%,92.91%和93.08%的AUC以及92.44%,93.93%和94.86%的准确率。

一种改进级联U-Net网络的结肠息肉分割算法

结肠镜图像中息肉的精确分割是诊断结肠癌的关键环节,针对目前结肠息肉分割算法存在孔洞、分割粗糙以及分割不完全的问题,提出了一种改进级联U-Net结构的结肠息肉分割算法。运用特征融合思想,设计了多尺度语义嵌入模块和残差模块,充分利用深、浅层特征的语义信息。引入注意力机制,在模型的级联处构建了改进空洞卷积模块,扩大卷积感受野并增强特征捕获能力。改进了卷积层模块和分割损失函数,提升模型的泛化性和鲁棒性。在Kvasir-SEG数据集上进行实验分析,相似系数、平均交并比、召回率和准确率分别达到了90.39%、88.34%、83.62%和95.12%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全的问题,优于其他息肉分割算法。