边缘损失约束下的多尺度动态图卷积点云分割网络

图卷积网络广泛应用于三维点云分割.然而最具代表性的图卷积网络(DGCNN)只考虑语义标签损失,而没有考虑分割边界损失,从而影响了分割精度.论文提出了一种用于点云分割的增强型动态图卷积网络MSES-DGCNN,联合边缘监督来提高点云分割准确率.联合损失函数在已有语义标签交叉熵损失基础上,采用标签变化提取边界区域.然后,论文在已有动态图卷积网络中增加一个边界损失模块,从而使反向传播中边界附近的困难点云样本梯度接近这些边界,并使最终分割结果接近真实边缘.同时,论文针对动态图卷积构建多尺度特征融合模块,以增强不规则形状和不均匀分布点云的语义可分性.实验表明,边缘损失模块可以使分割边界更为准确,在包括ShapeNet和S3DIS在内的基准数据集上改进了分割精度.

协同感知损失和注意力机制的低剂量CT去噪

由于存在特有的量子噪声,低剂量CT去噪是一项艰巨的任务。当前主流研究使用的深度学习方法存在定性和定量指标不匹配的问题,实验结果的定量指标高,但视觉效果不好。为此,提出一种感知损失和注意力机制的低剂量CT协同去噪网络。该协同机制能够在保证视觉效果的基础上明显改善现有方法定量指标低的问题。模型在网络输入端还引入8方向的边缘检测层,可提取更丰富的纹理与结构信息,进一步提升了网络效果。针对体模数据集和真实临床数据集的实验对比结果表明,该方法相比主流工作,在视觉感受和PSNR以及SSIM指标上,均有更优异表现。

面向病理图像分割的边缘感知网络

提出了一种针对病理切片图像的端到端语义分割方法--边缘感知网络(BPNet),以提高病理图像分割精度。BPNet网络首先在解码器阶段增加边缘感知模块,改善网络对于病理图像边缘的特征信息提取能力。然后,采用自适应通道注意力模块弥补不同层次特征间的语义差距,进一步加强网络的特征聚合能力。在此基础上,设计了一种基于结构和边缘的联合损失函数,以实现最佳的病理图像分割结果。在GlaS和MoNuSeg两个公开病理数据集上的分割实验结果表明,所提方法的Dice系数得分在两个数据集上分别达到92.21%和81.18%,有效提升了病理图像的分割精度。

基于ArcFace损失函数的监护安全人脸识别

随着人工智能的不断发展,人脸识别技术的不断改进与成熟,该文在人工智能人脸识别的基础之上,研究深度卷积神经网络中的不同损失函数,提出一种基于ArcFace损失函数的人脸识别模型,并应用于监护安全人脸识别领域。通过对在Pubfig数据集上的实验结果以及实时人脸识别效果的分析,验证了该模型在监护安全人脸识别上的优势与可行性,为小学生监护人接送提供了安全保障。

基于多语义融合与ArcFace损失的指静脉识别算法

指静脉识别深度学习方法往往忽视指静脉低级特征,未能充分利用指静脉轮廓、纹理等特征。为此,提出一种基于多语义特征融合网络与ArcFace损失的指静脉识别算法。首先,充分利用神经网络低层提取的指静脉轮廓角点等细节特征和纹理形状等结构信息,提出跨层拼接的特征融合机制,解决仅利用指静脉高级特征识别而忽视静脉低级特征的问题;其次,残差单元采用双层卷积结构,增加了相邻残差单元特征图的距离,消除了指静脉各级语义特征重叠现象,并采用阶跃式残差单元分布来提升网络高低层残差单元数量的差异,进一步加大了指静脉各级特征的距离;最后,在损失函数中加入ArcFace损失项,在角度域聚敛类内距离,分离类间距离,减小指静脉特征向量的类内距离。在公开数据集FV-USM、实验室采集的正常图像库及特殊图像库上进行性能分析实验,结果表明,和指静脉识别经典网络相比,提出算法的零误识拒识率分别降低了8.89%,6.89%和14.68%,Top1排序性能分别提升了2.85%,5.10%和9.07%。

面向边缘计算平台及遥感影像的实时检测算法

针对现有目标检测算法难以满足无人机遥感中实时检测的问题,提出了一种基于ShuffleNetv2及结构化剪枝的模型压缩方法。以YOLOv5m为基础,将ShuffleNetv2模型作为YOLOv5m的主干网络,减少模型的参数量及计算量,提升模型推理速度;其次,利用ECA注意力机制替换ShuffleNetv2中的SE模块,强化主干网络的特征提取能力;再者,以FocalEIoU作为YOLOv5算法的损失函数,提升模型的回归能力;最后,利用通道剪枝算法剔除Neck结构中冗余的参数,进一步压缩模型的参数及计算量,并通过模型微调的方式提升剪枝模型的精度。实验结果表明,在相同的测试环境下,与YOLOv5m相比,本文所提出模型的参数量及浮点运算量分别降低了86.3%和80.0%,mAP@0.5和mAP@0.5:0.95达到了92%及50.4%,优于所对比的其他主流检测算法。此外,所提出的模型在AGX边缘计算平台上达到了35帧/s的检测速度,满足实时检测的要求。

基于注意力机制和边缘生成的图像修复研究

针对图像中大面积缺失区域修复产生纹理结构不清晰和上下文语义内容不协调的问题,提出基于注意力机制和边缘生成的图像修复算法.以生成对抗网络作为整体架构,添加边缘生成网络和ECA注意力机制模块,旨在强调破损区域内部边缘的修复,重点突出感兴趣区域与图像内容整体的一致性;采用感知损失函数进一步约束图像内容的生成,使纹理细节修复更加清晰.在CelebA和Paris Street View数据集上进行测试,实验结果表明,算法在峰值信噪比和结构相似度两项指标上均有所提升,对图像修复实践具有一定的参考价值.

边缘信息引导多级尺度特征融合的显著性目标检测方法

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题,文中提出了一种基于边缘信息引导多级尺度特征融合网络(EGMFNet)。EGMFNet使用多通道融合残差块(RCFBlock)以嵌套的U型网络架构作为主干模型。同时,在网络的较低层级引入具有边缘信息引导的全局空间注意力模块(EGSAM)以增强空间特征及边缘特征。此外,在损失函数中引入了图像边界损失,用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验,实验结果表明,文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%,验证了EGMFNet网络模型的有效性。

融合卷积特征的清晰边缘检测研究

受益于卷积神经网络(CNN),边缘检测性能在多个基准数据集上都已经超过人类水平。但这类算法无法保证边缘的清晰性和定位的准确性。为获取细化清晰、有效抑制背景纹理、定位准确的目标边缘图,提出了一种融合卷积特征的清晰边缘检测算法(FCF)。该算法使用VGG16作为主干网络进行卷积特征提取,将不同阶段的卷积特征上采样后进行特征融合,并通过所设计的细化融合模块(RFB)获得清晰的边缘图。RFB使用多个归一化细化块(GRB)来细化得到的边缘图。此外,为平衡边缘像素和非边缘像素,还提出一个细化骰子损失函数(RD)。在BSDS500数据集上,所提方法将HED、RCF等深度边缘检测器的F-score(ODS)分别提高了2.8%和2.1%;当不使用非极大值抑制(NMS)进行边缘检测评估时,F-score(ODS)、F-score(OIS)分别达到0.801和0.816,超过了其他算法。

图像边缘检测综述

边缘检测的任务是将亮度变化明显的像素点识别为目标边缘,是计算机视觉低层级问题,并且边缘检测在对象识别和检测、对象提议生成、图像分割有着重要应用。如今,边缘检测已经产生了多类方法,如基于梯度的传统检测方法、基于深度学习的边缘检测算法,还有结合新兴技术的检测方法等。对这些方法进行更精细的分类,让研究者更清楚地了解边缘检测的发展趋势。对传统边缘检测的理论依据及实现方法做出介绍;详细介绍近年来主要的深度学习边缘检测方法,根据使用的方法进行分类,并对其中所使用的创新技术进行说明,如分支结构、特征融合和损失函数。衡量算法性能采用评估指标:单图最佳阈值(ODS)和帧数(FPS),在基础数据集(BSDS500)上进行对比。对边缘检测的研究现状进行分析和总结,对未来可能的研究方向进行展望。

基于边缘计算的实时目标检测算法

为了解决目标检测算法——SSD算法存在模型参数过多、存储需求大、对小目标检测效果不理想、难以应用于边缘计算设备的问题,提出一种基于SSD的改进算法SFF-SSD。该算法将SSD骨干网络改为ShuffleNet V2,并将网络中的Stage2_3和Stage3_7进行特征融合,形成新的特征提取层N_Stage3_7进行目标检测。同时,使用焦点损失函数处理不均衡正负样本的方法,改善SSD算法检测精度不稳定的问题。最后,采用对不同特征通道的重要性进行重标定的方式,引入SENet,提高网络的表示能力。实验结果表明:SFF-SSD算法在VOC2007数据集上参数量为5.465 MB,检测速度为77 fps,检测精度为73.96%,因此该研究方法可以在保证实时性和检测精度的同时满足边缘设备部署的要求。

基于特征加权融合的轻量级人脸识别方法

针对复杂自然场景中人脸识别的难题,提出一种基于特征加权融合的轻量级人脸识别方法,通过对MobileFaceNet进行改进,实现自然场景下的实时人脸识别。SEMobileFaceNet对原MobileFaceNet的BottleBlock模块及边缘损失ArcFace进行了优化,在BottleBlock模块中加入了SE,利用通道注意力机制对不同通道的特征进行加权融合,提高对关键特征的利用。对边缘损失ArcFace的改进在于将角度裕量改为动态调整,根据梯度值的大小忽略或裁剪部分梯度。改进后的SEMobileFaceNet在自然场景人脸识别中准确率和召回率更高,泛化能力更好,能够有效完成复杂环境中的人脸识别。

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas,DRIVE,ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。

基于局部投影和边缘检测的自动分层模型

笔者将局部投影算法和边缘检测运用于测井曲线的自动分层。首先将测井时间序列进行相空间重构,在高维相空间中用局部投影算法来分离测井信号中的由非地层因素引起的噪声;再由边缘检测确定出隶属度高的数据点,根据损失函数确定出可能的分界点集,最后用最优分割法实现自动分层。通过对测井时间序列的处理,得到较满意的结果。

基于非对称多解码器和注意力模块的三维肾脏影像结构分割模型

针对肾脏结构中,因不同结构间差异大,动静脉体积小、结构薄及计算机断层扫描血管造影(CTA)图像灰度分布不均和伪影带来的精确分割困难的问题,提出基于非对称多解码器和注意力模块的三维肾脏影像结构分割模型MDAUnet(MultiDecoder-Attention-Unet)。首先,针对不同结构间差异大导致网络无法共享权重的问题,采用多解码器结构,为语义结构不同的特征结构匹配不同的解码器分支;其次,针对血管体积小、结构薄难分割的问题,引入非对称的空间通道联合注意力模块使模型更关注管状结构,并对学习到的特征信息同时进行空间维度和通道维度的校准;最后,为了保证模型在反向传播中对血管结构有足够的关注,提出改进的加权硬区域适应损失(WHRA)作为损失函数来动态保持训练过程中血管结构的类间平衡以及保留背景信息的特征;此外,为了提高特征图灰度值的对比度,将传统图像处理边缘检测算子嵌入模型的预处理阶段,对待分割的感兴趣区域边界进行特征增强使模型更关注边界信息并抑制伪影信息。实验结果表明:所提出的MDAUnet模型在肾脏结构分割任务上的Dice相似系数(DSC),豪斯多夫距离95(HD95)和平均表面距离(AVD)分别为89.1%,1.76 mm和1.04 mm;在DSC指标上,与次优的MGANet(Meta Greyscale Adaptive Network)相比,MDAUnet提升了1.2个百分点;在HD95和ASD指标上,与次优的UNETR(UNEt TRansformers)相比,MDAUnet分别降低了0.87 mm和0.45 mm。可见MDAUnet能有效提高肾脏三维结构分割精度,有助于医生在临床手术中客观有效地评估病情。

基于特征融合的低剂量CT图像降噪方法

近年来低剂量CT(Low Dose CT,LDCT)被广泛应用于临床诊断中,但LDCT会产生不规则的噪声。已有的降噪方法往往缺乏对全局特征信息的考虑,以及不注重边缘特征信息和重建图像的视觉效果。为此,提出了一种基于特征融合的低剂量CT图像降噪方法。首先,利用Transformer优异的全局感受野提取图像的全局特征信息,并利用卷积神经网络(Convolutional Neural Network,CNN)良好的局部特征提取能力提取图像的局部特征信息。在Transformer模块中加入维度变换思想,以更好地抑制噪声;在CNN模块中使用稠密连接的方式将浅层网络的特征信息复用于深层网络中,以此保存更多的特征信息。其次,为了获取更加丰富的图像细节特征,使用了改进的索伯边缘增强算子来加强模型对边缘特征信息的提取能力。最后,将Transformer模块和CNN模块获取的特征信息进行融合并输出重建图像。此外,为了使降噪重建后的图像有更好的质量和视觉效果,设计了一个多尺度复合损失函数。实验表明:在AAPM-Mayo数据集的降噪实验中,与当前主流的LDCT图像降噪方法相比,本文方法取得了更好的降噪效果。

基于空间‑光谱级联差分网络的病理学高光谱图像融合方法

高分辨率高光谱病理学图像包含细粒度的二维空间信息和光谱维信息,对于精确诊断具有重要意义。现有方法存在空间光谱信息提取不充分和边缘信息利用不足的问题,为此,提出一种基于空间-光谱级联差分网络的病理学高光谱图像融合方法,通过级联空间-光谱模块重建高分辨率高光谱病理学图像,其中,每个空间-光谱模块都采用差分的方法分别设计了空间边缘损失和光谱边缘损失来分阶段约束和优化模型,从而实现病理学高光谱图像和多光谱图像的有机融合。该模型在病理图像数据集上进行实验,融合图像的4项评价指标RMSE,PSNR,ERGAS,SAM分别达到4.5937,32.3280,4.6683和3.6354,研究表明,基于空间-光谱级联差分网络的融合方法能够对细节较为丰富的病理学图像实现精细融合,为多光谱图像融合提供了参考依据。

基于边缘保持和注意力生成对抗网络的红外与可见光图像融合

由于红外与可见光图像特征差异大,并且不存在理想的融合图像监督网络学习源图像与融合图像之间的映射关系,深度学习在图像融合领域的应用受到了限制。针对此问题,提出了一个基于注意力机制和边缘损失函数的生成对抗网络框架,应用于红外与可见光图像融合。通过引入对抗训练和注意力机制的思想,将融合问题视为源图像和融合图像对抗的关系,并结合了通道注意力和空间注意力机制学习特征通道域和空间域的非线性关系,增强了显著性目标特征表达。同时提出了一种边缘损失函数,将源图像与融合图像像素之间的映射关系转化为边缘之间的映射关系。多个数据集的测试结果表明,该方法能有效融合红外目标和可见光纹理信息,锐化图像边缘,显著提高图像清晰度和对比度。

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程,是计算机视觉领域研究热点,也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来,针对边缘轮廓线过粗以及检测精度不高等问题,业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状,首先,介绍了传统边缘检测的实现理论及方法;然后,总结了近年来基于深度学习的主要边缘检测方法,并依据实现技术对这些方法进行了分类,对其涉及的关键技术进行分析,发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较,可知边缘检测算法在伯克利大学数据集(BSDS500)上的最优数据集规模(ODS)经过多年研究从0.598提高到了0.828,接近人类视觉水平。最后,展示了边缘检测算法研究的发展方向。

基于卷积神经网络的跨层融合边缘检测算法

针对目前边缘检测算法因过于依赖全连接层,使得边缘线条粗糙,且损失函数设定不当,造成梯度消失和大量主要特征信息丢失等问题,提出了基于卷积神经网络的交叉融合边缘检测算法。该算法利用1×1多卷积核的梯度方式来降维,完成横纵向图像低级与高级特征对象的采集;然后通过自上而下和自左向右循环卷积流向方式,保证每层的损失函数可以较平稳地前向和反向传播;最后利用跨层交叉融合对图像边缘特征进行细化。实验结果表明,该算法在伯克利大学数据集(BSDS500)上最优数据集规模(ODS)F-measure为0.806,接近人类平均视觉感知。