IC+IEffxNet:一种基于CBAM和改进通道注意力的EfficientNet的混合脑肿瘤分类方法

为进一步提高脑肿瘤影像诊断的准确性和稳健性,提出一种基于CBAM(Convolutional Block Attention Module)和改进通道注意力机制的EfficientNet神经网络(IC+IEffxNet)的新型混合脑肿瘤分类方法。该方法分为2个阶段,第一阶段由基于改进空间注意力机制的CBAM模型提取特征。第二阶段将EfficientNet架构中的Squeeze and Excitation(SE)块替换成Efficient Channel Attention(ECA)块,将第一阶段的组合特征输出作为第二阶段的输入。实验展示了在混合脑肿瘤MRI数据集下,神经胶质瘤患者、脑膜瘤患者、脑垂体瘤患者与正常患者图像的4分类结果,实验结果显示分类平均准确率比现有方法提高约0.5~2个百分点。实验结果证明了该方法的有效性,为医疗专家能够准确判断脑肿瘤种类提供了新的参考。

基于EC-CSP和双路特征融合的红外无人机目标检测

针对红外无人机目标检测的实时性与准确性需求不断提升的问题,提出基于EC-CSP和双路特征融合的红外无人机目标检测算法。首先,提出结合ECA-CBAM注意力机制的CSP模块(Efficient Channel Attention-Convolutional Block Attention Module-CSP,EC-CSP),使网络能关注更重要的区域。其次,提出包含5×5、9×9像素大小最大池化的STM(Small Target Maxpool)模块,抑制背景特征对小尺度目标特征的干扰;最后,提出融合1×1与3×3基本卷积操作的全局特征提取(Global Feature Extracion,GFE)模块,并与STM模块组成双路特征融合(Dual Path Feature Fuasion,DPFF)模块,提高全局特征和局部特征的融合能力。实验结果表明,新算法取得了良好的实验效果。