过参数卷积与CBAM融合的胸腔积液肿瘤细胞团块分割网络

目的胸腔积液肿瘤细胞团块的分割对肺癌的筛查有着积极作用。胸腔积液肿瘤细胞团块显微图像存在细胞聚集、对比度低和边界模糊等问题,现有网络模型进行细胞分割时无法达到较高精度。提出一种基于UNet网络框架,融合过参数卷积与注意力机制的端到端语义分割模型DOCUNet(depthwise over-parameterized CBAM UNet)。方法将UNet网络中的卷积层替换为过参数卷积层。过参数卷积层结合了深度卷积和传统卷积两种卷积,保证网络深度不变的同时,提高模型对图像特征的提取能力。在网络底端的过渡区域,引入结合了通道注意力与空间注意力机制的注意力模块CBAM(convolutional block attention module),对编码器提取的特征权重进行再分配,增强模型的分割能力。结果在包含117幅显微图像的胸腔积液肿瘤细胞团块数据集上进行5折交叉实验。平均IoU(inter⁃section over union)、Dice系数、精确率、召回率和豪斯多夫距离分别为0.8580、0.9204、0.9282、0.9203和18.17。并且与UNet等多种已存在的分割网络模型进行对比,IoU、Dice系数和精确率、召回率相较于UNet提高了2.80%、1.65%、1.47%和1.36%,豪斯多夫距离下降了41.16%。通过消融实验与类激活热力图,证明加入CBAM注意力机制与过参数卷积后能够提高网络分割精度,并能使网络更加专注于细胞的内部特征。结论本文提出的DOCUNet将过参数卷积和注意力机制与UNet相融合,实现了胸水肿瘤细胞团块的有效分割。经过对比实验证明所提方法提高了细胞分割的精度。

基于深度过参数化卷积的路面病害分割研究

道路精准养护关键是精确发现并解决影响车辆驾驶的道路问题,有效缩短道路病害工作闭环时间.针对道路养护中路面病害分割实时性与准确性,提出一种基于深度过参数化卷积的路面病害分割网络.首先,利用Focus模块与2层3×3卷积的切片操作替换了网络特征压缩结构,以减小图像信息丢失.其次,通过替换ResNet50卷积模块中的传统卷积为深度过参数化卷积,提升网络收敛速度,并引入卷积块状注意力机制增强特征提取网络对图像信息的聚焦能力.最后,组合原型网络与预测头网络分别生成的原型掩膜与预测框掩膜系数,完成路面病害分割.路面病害分割实验在公开数据集和自制数据集下进行,分割平均精度AP_(all)分别为21.59%和31.43%,分割速度分别为31.33帧/s和30.52帧/s.实验结果表明改进后模型能够实现路面病害分割的实时性与高精准性.

基于AD-SegNet模型的苗族服饰图案分割方法研究

针对苗族服饰图案纹理多元化、形状不规则问题,提出了注意力特征融合的深度过参数化卷积语义分割网络(a deep over-parameterized convolutional semantic segmentation network for attentional feature fusion,AD-SegNet)模型。在传统卷积操作中增加深度卷积操作,加快了模型的收敛速度,提高了模型的分割性能。针对苗族服饰图案色彩差异大的问题,引入了注意力特征融合(attentional feature fusion,AFF),通过融合不同卷积层输出之间的特征信息,加强对特征信息的提取,减少色彩差异给网络学习带来的影响。实验结果表明,AD-SegNet模型性能优于其他对比模型,能有效对苗族服饰图案进行分割,与语义分割网络(semantic segmentation network,SegNet)基准模型相比,在像素准确率(pixel accuracy,PA)、交并比(intersection over union,IoU)、戴斯相似系数几个指标上分别提升了0.0447、0.0921、0.0542,为少数民族服饰图案分割研究提供了有效可行的方法。

基于改进YOLO v7的笼养鸡/蛋自动识别与计数方法

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用,针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题,本研究以笼养鸡只与鸡蛋为研究对象,基于YOLO v7-tiny提出一种轻量型网络YOLO v7-tiny-DO用于鸡只与鸡蛋识别,并设计自动化分笼计数方法。首先,采用JRWT1412型无畸变相机与巡检设备搭建自动化数据采集平台,获取2146幅笼养鸡只图像用于构建数据集。然后,在YOLO v7-tiny网络基础上应用指数线性单元(Exponential linear unit,ELU)激活函数减少模型训练时间;将高效层聚合网络(Efficient layer aggregation network,ELAN)中的常规卷积替换为深度卷积减少模型参数量,并在其基础上添加深度过参数化组件(深度卷积)构建深度过参数化深度卷积层(Depthwise over-parameterized depthwise convolutional layer,DO-DConv),以提取目标深层特征;同时在特征融合模块引入坐标注意力机制(Coordinate attention mechanism,CoordAtt),提升模型对目标空间位置信息的感知能力。试验结果表明,YOLO v7-tiny-DO识别鸡只和鸡蛋的平均精确率(Average precision,AP)分别为96.9%与99.3%,与YOLO v7-tiny相比,鸡只与鸡蛋的AP分别提高3.2、1.4个百分点;改进后模型内存占用量为5.6 MB,比原模型减小6.1 MB,适合部署于算力相对有限的巡检机器人;YOLO v7-tiny-DO在局部遮挡、运动模糊和鸡蛋粘连情况下均能实现高精度识别与定位,在光线昏暗情况下识别结果优于其他模型,具有较强的鲁棒性。最后,将本文算法部署到NVIDIA Jetson AGX Xavier边缘计算设备,在实际场景下选取30个鸡笼开展计数测试,持续3 d。结果表明,3个测试批次鸡只与鸡蛋的计数平均准确率均值分别为96.7%和96.3%,每笼平均绝对误差均值分别为0.13只鸡和0.09枚鸡蛋,可为规模化养殖场智能化管理提供参考。

基于改进CenterNet的绝缘子缺陷检测模型

针对电力输电线无人机巡检图像中绝缘子及其缺陷识别精度低的问题,提出了一种基于CenterNet改进的绝缘子缺陷检测模型。该模型基于CenterNet目标检测模型,对编码器和解码器进行了改进。改进的编码器采用ResNet 50作为骨干网络,兼具特征提取能力和较快的运行速度,并加入卷积注意力模块(CBAM)和空间金字塔池化模块(SPP),以增强特征提取能力。改进的解码器将转置卷积替换为内容感知特征重组模块(CARAFE),以减小连续上采样导致的特征丢失,并在解码器末尾加入坐标卷积以减小标准卷积空间不变性造成的影响。最后将模型中的标准卷积层替换成深度过参数化卷积(DO-Conv),进一步提升模型的性能、加快模型训练的收敛速度。使用绝缘子图片数据集对改进CenterNet模型进行了训练和测试。结果表明,改进CenterNet模型与其他主流的目标检测模型对比精度最高,mAP达到97.16%,检测速度达到了43帧·s^(-1),mAP比CenterNet模型提高了2.92%。

一种基于深度学习的分割植物病害叶片方法

为提高植物病害叶片分割模型的分割准确率和效率,本文提出了一种基于深度过参数化卷积来替代传统卷积的植物叶片病害图像分割模型.为了更好地提取图像高层和底层语义特征,在传统卷积上添加深度卷积,用深度过参数卷积层替换传统卷积层,增加模型可学习的参数数量,并添加注意力机制.实验结果表明,该模型对各类病害的平均识别准确率达到92.16%,分割均交并比达到70.4%,模型性能优于以传统卷积为基础的分割模型,参数量更少,运行时间更短,效率更高.

基于稀疏约束滤波器剪枝策略的模型压缩方法

针对现有滤波器剪枝逐层固定比率修剪导致的模型性能及自适应能力不足,提出一种基于稀疏约束的滤波器剪枝方法。将批归一化(batch normalization,BN)层的比例因子作为特征图及滤波器重要性权重,对其进行稀疏正则化训练,经排序计算出全局最优阈值,修剪出最优子网络;通过提出全局-局部阈值策略,解决剪枝率过大导致的断层现象;采用过参数化卷积方法,在保持模型大小的前提下,提升剪枝模型性能。实验结果表明,提出方法在压缩性能及自适应性上优于现有剪枝方法。

基于DO-Conv改进的端到端车牌识别算法

提出了基于DO-Conv改进的端到端车牌识别算法,该算法引入一种新颖的深度过参数化卷积(Depthwise Over-Parameterized Convolutional Layer, DO-Conv),用于替换常规卷积,提升图像特征提取的有效性,从而提高车牌识别的准确率。研究结果表明:改进后的算法在合成数据集和SYSU数据集上的识别准确率分别为97.42%和95.08%,均优于使用传统卷积的端到端识别算法。

基于iHDODC-LinkNet网络的遥感图像道路提取方法

遥感图像的道路提取在推动城乡发展规划及建设方面具有重要意义。然而,目前传统方法对于遥感图像道路提取存在工程量大、效率低下的问题,基于深度学习的方法又存在复杂场景下提取精度不高和连通性差等问题。针对上述存在的问题,为提高不同地貌区域的道路提取精度,本文提出一种基于iHDODC-LinkNet网络的高分辨率遥感图像道路提取方法。该方法在语义分割模型D-LinkNet的基础上进行改进:一方面使用ResNeSt50重建D-LinkNet网络并添加预训练模型,提出一种混联深度过参数化扩张卷积(hybrid depthwise over-parameterized dilated convolution,HDODC)模块;另一方面采用迭代注意力特征融合(iterative attentional feature fusion,iAFF)机制替换原始的相加融合,从而使模型关注于道路的全局信息。最后,在马萨诸塞州道路数据集和某省高速公路场景数据集上进行训练并通过测试集的提取效果证明模型改进方法的有效性。根据实验模型分割效果表明,改进后的方法在测试集上F1达到71.66%,相比原始模型提升了10%,能够得到效果更好的分割结果。