一种交通场景下人车检测的VHA-CenterNet无锚方法研究

在真实的交通场景中,车辆和行人检测器容易受到复杂背景的干扰,导致严重的误检和漏检。此外,由于交通场景图像中存在各种不同尺度的目标,大多数检测方法对小物体的检测性能较差,且难以适应交通物体的多样性。为了解决这些问题,提出了一种基于注意力和前景注意模块的无锚方法VHA-CenterNet。在主干网络中加入一个卷积块注意模块(CBAM),以提高对小目标的关注能力。在前景注意模块(FAM)中引入前景信息,以减少复杂背景的干扰。结果表明:在中等难度下,所提出的VHA⁃CenterNet方法在KITTI数据集上的mAP达71.92%,在RTX 2080 Ti上的推理速度为10.68 FPS,可以显著提高人车识别的准确率和速度。在所有情况下,交通场景的人车检测准确率都高于传统模型。

概率扩充和改进OIM损失的多目标跟踪算法

为解决多目标跟踪中联合目标检测和重识别训练时间过长、多分支特征不对齐和目标相互遮挡的身份转换问题,提出一种高效的多目标跟踪算法。在特征提取阶段利用深层聚合网络联合多层次特征,在重识别阶段通过三元组对在线实例匹配损失进行增强,缓解特征不对齐问题。加入高斯核函数对训练样本进行概率扩充,缩短训练时间。利用运动、外观特征与卡尔曼滤波实现高效的在线关联,利用轨迹池暂存丢失的轨迹,提高目标相互遮挡时的跟踪性能。算法在MOT15和MOT17数据集上的准确度分别达到了60.1%与74.2%,MOT17上的FPS也达到21.6 Hz。

基于双注意力机制的头影标志点检测研究

准确可靠的头影标志点检测在口腔正畸的临床诊疗和研究中至关重要,但在实践中存在标志点定位难度大、准度低以及速度慢等问题,因此为了降低检测难度,提高临床诊断的准确性和高效性,提出了一种结合多注意力机制的检测算法CenterNetSC。算法首先采用深度聚合网络DLA-34作为CenterNetSC的主干网络并用于特征提取;其次,通过在深度聚合网络中引入SE和CBAM两种注意力机制加强网络对卷积通道以及空间位置的全局感知;再次,在DLA-34网络之后加入可变形卷积捕捉对象的细节和局部信息;最后,模型在ISBI 2015 Grand Challenge的cephalometric X-rays两个测试集上分别实现了1.11 mm和1.37 mm的平均径向误差(MRE),以及2.0 mm定位误差范围内87.13%和77.03%的成功检测率(SDR)。较其他检测方法而言,CenterNetSC能够快速、准确地定位标志点,可以满足临床医学的需求。

基于改进U-Net的超声前列腺分割算法研究

前列腺超声图像分割在临床诊疗和病理学研究中具有重要影响,而发现有些影像边缘出现凸起及不规则等复杂情形,这导致无法明确定位边缘位置,进而无法分割出前列腺。为解决上述问题,文章基于U-Net网络模型,设计出了一种改进的网络模型,通过添加高效层聚合网络(Efficient Layer Aggregation Network,ELAN)模块,使编码获取更丰富的特征信息,有助于提高模型的感知能力和区分能力。实验表明该算法的MPA、MIoU、Dice值比基础模型算法分别提高3.28%、2.97%、3.04%。

基于深层聚合结构网络的灰度图像彩色化方法

当前灰度图像彩色化方法普遍存在边界晕染、细节丢失和着色效果枯燥等问题。针对以上问题,提出了一种基于改进的深层聚合结构网络的灰度图像彩色化方法。将深层聚合结构网络引入图像彩色化领域中,且在传统网络基础上加入长连接,在缓解网络梯度消失问题的同时提升其特征利用率,从而提升算法模型对图像边界和细节的处理能力。另外,模型融合生成对抗网络结构,搭建判别网络,动态评价图片彩色化质量,缓解着色枯燥的问题。实验证明,该方法相比于传统彩色化方法,减轻了着色时边界漏色问题,还原了更多的图像细节,图像颜色更为丰富。

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络(DLAnet,Deep Layer Aggregation)、挤压-激励SE(Squeeze-and-Excitation)模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03 frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。

结合深层密集聚合的新冠肺炎CT图像分类方法

新型冠状病毒肺炎在全球范围迅速蔓延,为快速准确地对其诊断,进而阻断疫情传播链,提出一种基于深度学习的分类网络DLDA-A-DenseNet。首先将深层密集聚合结构与DenseNet-201结合,对不同阶段的特征信息聚合,以加强对病灶的识别及定位能力;其次提出高效多尺度长程注意力以细化聚合的特征;此外针对CT图像数据集类别不均衡问题,使用均衡抽样训练策略消除偏向性。在中国胸部CT图像调查研究会提供的数据集上测试,所提方法较原始DenseNet-201在准确率、召回率、精确率、F1分数和Kappa系数提高了2.24%、3.09%、2.09%、2.60%和3.48%;并在COVID-CISet图像数据集上测试,取得99.50%的最优准确率。结果表明,对比其他方法,提出的新冠肺炎CT图像分类方法充分提取了CT切片的病灶特征,具有更高的精度和良好的泛化性。

深层聚合残差密集网络的超声图像左心室分割

目的超声图像是临床医学中应用最广泛的医学图像之一,但左心室超声图像一般具有强噪声、弱边缘和组织结构复杂等问题,其图像分割难度较大。临床上需要一种效率高、质量好的超声图像左心室分割算法。本文提出一种基于深层聚合残差密集网络(deep layer aggregation for residual dense network,DLA-RDNet)的超声图像左心室分割算法。方法对获取的超声图像进行形态学操作,定位目标区域,得到目标图像。构建残差密集网络(residual dense network,RDNet)用于提取图像特征,并将RDNet得到的层次信息通过深层聚合(deep layer aggregation,DLA)的方式紧密融合到一起,得到分割网络DLA-RDNet,用于实现对超声图像左心室的精确分割。通过深监督(deep supervision,DS)方式为网络剪枝,简化网络结构,提升网络运行速度。结果数据测试集的实验结果表明,所提算法平均准确率为95.68%,平均交并比为97.13%,平均相似性系数为97.15%,平均垂直距离为0.31 mm,分割轮廓合格率为99.32%。与6种分割算法相比,所提算法的分割精度更高。在测试阶段,每幅图像仅需不到1 s的时间即可完成分割,远远超出了专业医生的分割速度。结论提出了一种深层聚合残差密集神经网络对超声图像左心室进行分割,通过主、客观对比实验表明本文算法的有效性,能够较对比方法更实时准确地对超声图像左心室进行分割,符合临床医学中超声图像左心室分割的需求。