基于双重注意力机制和迭代聚合U-Net的脑肿瘤MR图像分割方法

脑肿瘤核磁共振图像分割是脑肿瘤临床诊断的基础.针对传统U-Net网络中编码器无法从多尺度提取特征信息以及跳跃连接过程特征融合信息不全面等问题,提出了一种引入双重注意力机制以及迭代聚合的U-Net脑肿瘤分割算法.首先,在U-Net编码器部分,引入了卷积核注意力机制SKNet,网络可自适应选择卷积核尺寸,获取不同尺度的特征信息;其次在解码器部分添加了通道注意力模块CAM,使网络模型聚焦于重要的特征信息,减弱无关信息的干扰;最后在跳跃连接部分引入迭代聚合的思想,让网络将高级语义特征和低级语义特征进行融合,使得特征信息更加丰富全面,进而提高分割精度.在BraTS2019数据集上实验结果表明:肿瘤的整体区域(WT)、核心区域(TC)以及增强区域(ET)的Dice相似系数分别为80.51%,71.46%,71.32%,较原始模型分别提升了1.34%,4.34%,3.41%.与其他模型相比,该算法具有很好的分割性能.

一种迭代聚合的高分辨率网络Anchor-free目标检测方法

针对目前Anchor-free目标检测方法CenterNet(Objects as Points)生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨率的特征图进行融合,提高网络的分辨率,有效减少图像在下采样过程中损失的空间语义信息。其次,使用高效通道注意力机制对高分辨率表征骨干网络的输出进行优化。最后,利用结合空洞卷积的空间金字塔池化操作增强网络对不同尺度物体的感受野。实验在PASCAL VOC数据集和KITTI数据集上进行,结果表明:CenterNet-DHRNet精度更高,满足实时检测的性能要求,具有良好的鲁棒性。

基于更新网页排名算法的研究

页面内容的内容评分与PageRank评分都需要频繁更新,以保证提供最新的结果。基于如何使得更新Page Rank向量过程更为容易,并使得更为频繁的更新成为可能这一问题,本文通过对更新算法的数学内容分析,研究更新PageRank向量的问题,通过提出假设矩阵Q_(m×m)的PageRank向量?~T=(?1,?2,…,?m),文中立足于通过3种聚合更新算法来利用准T中的值计算G的更新后的π~T,文中分析了近似聚合更新、精确聚合更新、迭代聚合更新的算法,并对3种更新算法各自的使用条件进行分析。