融合密集连接与自适应加权损失的血管壁图像分割

针对传统深度神经网络在对血管壁图像分割中难以提取具有针对性有效特征的问题,提出一种融合密度连接与自适应加权损失的血管壁图像分割方法。首先通过构建密集连接的分割网络学习更多的边界和轮廓表征以促进特征复用融合;然后设计了改进的自适应加权损失和边界紧凑性损失约束训练网络,利用自适应加权损失自动调整不同区域分割产生的损失比例来引导网络向最佳方向学习;同时引入边界紧凑性损失约束以充分利用边界信息,提升对血管壁图像的分割精度;最后对包含2544张MRI的MERGE血管壁数据集进行了验证实验。结果表明,提出的改进方法能够有效提取血管壁图像的特征信息,在管腔和外壁轮廓分割中的Dice分别达到了93.65%和95.81%,设计的消融实验也充分证明了所提各个模块和网络的有效性,能够更好地实现高精度的图像分割。

用于CD56图像分割的细胞标注精细化与自适应加权损失

CD56是神经细胞黏附分子,可用于多种肿瘤细胞的诊断与研究。CD56是目前最新的肿瘤分子标记物之一,计算机医学图像处理领域目前对CD56图像的研究刚刚起步。随着诸如语义分割深度学习技术的发展,越来越多的研究人员将语义分割技术应用到医学图像处理中,以实现辅助医疗诊断。CD56图像中的背景、阴性细胞和阳性细胞像素点个数的比例非常不平衡,大致为70∶10∶1,这会影响语义分割技术用于CD56图像分割的效果。对不同类别的像素点添加损失权重且对每个像素点添加自适应权重,改进了相关语义分割模型的损失函数,使得模型能更关注细胞,特别是阳性细胞。同时使用聚类的方法,在模型训练之前精细化对CD56图像的标注,进一步提升了模型的分割精度。针对CD56图像数据集的实验结果表明,对图像标注的精细化和对相关语义分割模型的损失函数的改进有效提升了模型对CD56图像的分割精度。

基于SAW-PCL的输电线路缺销螺栓弱监督检测方法

螺栓作为输电线路中不可或缺的紧固件,其缺销必然会引起重大的安全隐患。针对螺栓目标较小、标注难度大的问题,提出了一种基于SAW-PCL的输电线路缺销螺栓弱监督检测方法。该方法通过图像级标注信息即可定位到螺栓目标。在主网络中引入卷积块注意模块(CBAM),抑制无用的背景特征,提取螺栓精细特征,提高螺栓的检测能力。针对弱监督检测中缺销螺栓的检测精度远低于正常螺栓及不平衡性问题,提出自适应加权损失函数(SAW),动态调节模型对不同类别样本的学习程度,均衡不同类别之间的检测精度,并定义了平均类间检测精度差(ADPD)来评价不平衡性。构建的自适应加权损失函数可以提升缺销螺栓的检测精度,对正常螺栓和缺销螺栓的检测精度有一定的均衡能力,定义的ADPD可以评价模型检测性能的平衡度。在自建数据集V1上的实验结果表明:改进方法的平均准确率均值(mAP)提高了19.7%,ADPD值降低了21.8,在mAP和ADPD双重指标评估下的模型表现出了更好的缺销螺栓检测能力。

基于改进YOLO算法的无人机图像草原火灾检测研究

草原火灾一旦发生,受风力、地势等因素的影响迅速向四周无规则蔓延,形成面积不断扩大的条状燃烧带。为了提高草原火灾检测效率,结合无人机拍摄草原火灾的图像特征,研究基于改进YOLO算法的草原火灾检测方法。首先,针对火灾区域狭长、火灾区域占比小的特点,对YOLO算法的Neck部分进行优化,提出一种具有全链接结构的特征提取网络FC-FP Neck,使语义特征和定位特征充分融合,提高网络的特征提取能力;其次,结合阈值分割技术提出一种改进的自适应加权损失函数,提升模型的收敛速度,同时解决火灾检测敏感度不足,容易造成误检的问题。在公开小目标检测数据集AI-TOD上测试改进算法的可行性,平均准确率提高了7.28%,平均精度提高了12.46%;在自建草原火灾数据集上平均精度达到了90.24%,平均准确率达到了87.33%。实验表明改进后的算法提高了草原火灾检测效率。