基于融合损失函数的3D U-Net++脑胶质瘤分割网络

胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有一定的难度。文中构建了使用融合损失函数的3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网络使用不同层级的U-Net模型进行密集嵌套连接,使用网络的4个分支的输出结果作为深度监督以更好地结合深层和浅层的特征进行分割,并结合了Dice损失函数和交叉熵损失函数作为融合损失函数来提升小区域的分割精度。在2019年多模态脑肿瘤分割挑战赛(BraTs)的公共数据集划分的独立测试集中,采用Dice系数、95%Hausdorff距离、平均交并比(mIoU)、查准率(PPV)指标对所提方法进行了评估。结果表明,全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.873,0.814,0.709;其95%Hausdorff距离分别为15.455,12.475,12.309;其mIoU分别为0.789,0.720,0.601;其PPV分别为0.898,0.846,0.735。与基础的3D U-Net以及带深度监督的3D U-Net相比,所提方法可以有效地利用多模态的深层和浅层的信息,有效利用了空间信息,同时使用了Dice系数和交叉熵的融合损失函数,从而有效提升了对肿瘤各区域的分割精度,尤其是对小面积的增强肿瘤区域的分割精度。

一种基于新型损失函数的Listwise排序学习方法

排序学习是指运用机器学习方法,自主地构建排序模型,用来对新的数据进行排序。在所有的排序方法中,Listwise方法就是其中一类重要的排序学习方法,它的训练样例由文档列表组成,利用神经网络模型和概率模型来构造损失函数。但是由于Listwise算法存在时间复杂度高、排序位置信息利用度低等缺点,一直得不到广泛的推广。对此,文中在SHF-SDCG框架的基础上提出了一种新的排序学习算法,采用多层神经网络的List Net算法,引入Pointwise损失函数和位置加权因子,与Listwise损失函数融合构建新的损失函数,并分别使用梯度下降算法和多层神经网络算法训练网络权值,得到新的排序模型;同时使用效率高的Top-k训练方法,降低时间复杂度。最后在数据集LETOR4.0上进行实验,结果表明新算法排序性能明显提高。

多分辨率融合输入的U型视网膜血管分割算法

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的U型网络(MFIU-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一U型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%,97.47%和97.48%,灵敏度分别为82.73%,82.86%和83.24%,曲线下的面积(AUC)值分别为98.74%,98.90%和98.93%。其模型整体性能优于现有算法。

一种基于融合深度卷积神经网络与度量学习的人脸识别方法

现有的卷积神经网络方法大多以增大类间距离为学习目标,而忽略类内距离的减小,这对于人脸识别来说,将导致一些非限制条件下(如姿态、光照等)的人脸无法被准确识别,为了解决此问题,提出一种基于融合度量学习算法和深度卷积神经网络的人脸识别方法。首先,提出一种基于多Inception结构的人脸特征提取网络,使用较少参数来提取特征;其次,提出一种联合损失的度量学习方法,将分类损失和中心损失进行加权联合;最后,将深度卷积神经网络和度量学习方法进行融合,在网络训练时,达到增大类间距离同时减小类内距离的学习目标。实验结果表明,该方法能提取出更具区分性的人脸特征,与分类损失方法及融合了其他度量学习方式的方法相比,提升了非限制条件下的人脸识别准确率。

基于改进PSPNet的氩花图像分割算法

为解决高温复杂环境下钢包底吹氩图像实时分割速度慢的问题,提出一种改进PSPNet网络的氩花图像分割算法。采用轻量化网络Moblie Net替代Res Net作为特征提取主干网络,使用深度可分离卷积替代标准卷积减少模型参数量和计算量,提升分割速度;采用金字塔池化模块融合上下文信息,使用擅于分割小目标的融合损失函数辅助模型训练,提高分割精度。实验结果表明,该算法平均准确率为0.97,处理速度为40ms,图像细节信息丰富,实时性表现良好,适用于氩花图像分割任务。

基于改进Faster R-CNN的花色布瑕疵检测算法

针对布匹瑕疵自动化检测,基于传统的机器视觉方法依赖于人工设计特征,对具有复杂背景图案的花色布瑕疵特征提取难度非常大,因此提出一种基于改进Faster R-CNN(faster region with convolutional neural network)的花色布瑕疵检测算法。在Faster R-CNN的基础上使用Resnet-50作为主干网络,嵌入可变形卷积来提高瑕疵特征的学习能力。通过设计多尺度模型来提高小瑕疵的检测,引入级联网络来提高瑕疵检测精度和定位准确度,构造优化的损失函数来降低样本不平衡影响。通过试验验证了该算法的有效性。结果表明,瑕疵检测效果准确率达94.97%,并能精准定位瑕疵位置,可满足工厂的实际需求。

基于YOLOv4的车辆目标检测改进算法

针对当前YOLOv4算法存在的数据集特征提取不够充分、在车辆较多发生遮挡的漏检以及其CIoU损失函数未考虑到样本的平衡问题导致的检测效果不好等问题,提出了对数据集使用多种数据图像处理方式进行扩充,并对数据集进行标注;同时将CIoU损失函数和BCE损失函数进行融合,使得正负样本得到了平衡,减少了实验中可能出现的梯度消失问题,并通过调参得到最好效果。在VOC2007数据集与自制的数据集上进行检测,改进的YOLOv4算法达到了良好的效果,可满足实际应用的需要。

基于改进残差网络的运动目标模糊图像复原方法

传统的残差网络在复原运动目标模糊图像时,在模糊程度较严重的情况下,存在特征提取不充分、噪声干扰等问题,导致恢复出的图像无法完全达到原始图像的清晰度和细节。对此,提出基于改进残差网络的运动目标模糊图像复原方法。对采集到的运动目标模糊图像,采用多损失函数融合方法改进传统残差块结构,构建编码器-解码器网络训练结构,训练损失函数,提升网络的特征学习能力。通过完成训练的网络,输出运动目标模糊图像复原结果。实验结果表明,该方法复原运动目标模糊图像的峰值信噪比高于30 dB,结构相似性高于0.9。

用于腹部CT肝脏分割的边界监督模型

针对肝脏分割影像中模糊的肝脏边界,提出了一种新颖的用于腹部CT肝脏分割的边界监督模型.该模型包括肝脏区域分割模块和边界分割模块,其中边界分割模块使用肝脏边界进行监督训练,输出精准的肝脏边界.模型将肝脏区域分割输出与边界分割输出融合在一起,得到最终的肝脏分割预测.肝脏区域分割模块与边界分割模块分别设置了相应的损失函数进行监督训练.模型使用腹部器官分割挑战提供的数据集进行了消融实验并与先进模型进行了评估.结果证明该方法的有效性和优异性,提出的边界分割模块有助于保留肝脏的边缘信息,提高了肝脏分割的性能.