多尺度注意力交互式图像去噪网络

图像去噪中,针对去噪网络提取图像细节信息不全面和特征利用率低的问题,提出一种基于深度学习的多尺度注意力交互式图像去噪网络(MAINet)。首先,对于浅层像素级特征采用多尺度特征提取块获取丰富的上下文信息和图像纹理特征,以保证图像信息的完整性;然后,引入双路通道注意力机制指导网络获取更具判别性的特征信息,抑制不期望的噪声,从而进一步优化特征信息;最后,利用分类密集残差块的密集连接和成对卷积操作增强模型的交互性,对全局多层次特征进行联合学习,提取更高质量的语义级特征,以提升去噪网络的性能。实验结果表明,在定量和定性评估方面,所提出的去噪网络在合成噪声和真实噪声两种数据集上的去噪效果都有所提升。

基于密集双流聚焦网络的肺炎辅助诊断模型

X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文模型的有效性和鲁棒性。

基于生成对抗网络的深海图像增强算法

在复杂的深海环境中提高图像的质量和可视化效果对水下科学研究和工程应用具有重要意义。针对深海特殊环境导致深海数据集稀缺,以及深海图像存在的色彩失真、对比度低等问题本文构建了一个成对的深海图像数据集DSIEB,并在此基础上提出了一种结合DC注意力和MSDR多尺度密集残差的生成对抗网络DM-GAN算法。首先,在网络跳跃连接部分构建DC双重通道注意力机制,用于加强通道间联系,提取图像细节纹理特征。其次,在生成器结构中嵌入MSDR多尺度密集残差块,提高对局部信息的关注和特征重用能力。最后,重构新的损失函数,引入平滑保真度SF损失,从多个角度引导网络学习原始图像到目标图像的映射。通过在自建数据集DSIEB上进行实验验证,并与7种先进水下图像增强算法进行对比实验,实验结果表明本文所提算法具有更强的泛化能力,适应于多样性的深海图像。

改进卷积神经网络的SAR图像识别方法

针对SAR图像存在散斑噪声且各个类别的区分度不高而导致的目标特征提取难的问题,提出了一种改进卷积神经网络的SAR图像识别方法.采用不同尺度的卷积层提取SAR图像特征,设计了一种多尺度特征提取模块,充分提取图像的隐含信息;对经典的残差神经网络残差块进行改进,设计了一种密集残差块结构,为后面层提供丰富的细节信息,保证输出特征的表达能力.最后在MSTAR数据集上进行了验证.实验结果表明,本文模型在测试集上的识别率达到了99.17%,优于其他方法.对测试集加入不同比例的椒盐噪声,本文模型比其他CNN识别率高,说明本文模型具有较好的鲁棒性.

多注意力机制网络的调制识别算法

针对小尺度衰落信道下调制信号识别率低的问题,提出一种基于多注意力机制网络的调制识别算法。提取信号瞬时幅度/相位特征与同相/正交序列构建双通道输入方式,实现多尺度感受野。通过残差密集块提取双通道数据的频域特征,将特征向量融合后送入双向门控循环单元提取时域信息,引入改进卷积注意力机制模块和软注意力机制捕捉信号的关键特征,构建多注意力机制网络对BPSK、QPSK、8PSK、16PSK、PAM4、GMSK、CPFSK、16QAM、64QAM这9种信号进行调制识别。仿真结果表明,信噪比大于10 dB时,9种信号平均识别率达89.2%以上,与其它深度学习算法相比具有更高的识别率,验证了该算法的有效性。

矿井图像超分辨率重建研究

受井下粉尘大、照度低等环境影响,矿井图像存在分辨率低、细节模糊等问题,现有的图像超分辨率重建算法应用于矿井图像时,难以获取不同尺度图像信息、网络参数过大而影响重建速度,且重建图像易出现细节丢失、边缘轮廓模糊、伪影等问题。提出了一种基于多尺度密集通道注意力超分辨率生成对抗网络(SRGAN)的矿井图像超分辨率重建算法。设计了多尺度密集通道注意力残差块替代SRGAN原有的残差块,采用2路并行且卷积核大小不同的密集连接块,可充分获取图像特征;融入高效通道注意力模块,加强对高频信息的关注度;采用深度可分离卷积对网络进行轻量化,抑制网络参数的增加;利用纹理损失约束网络训练,避免网络加深时产生伪影。在井下数据集和公共数据集上对提出的矿井图像超分辨率重建算法和经典超分辨率重建算法BICUBIC,SRCNN,SRRESNET,SRGAN进行实验,结果表明:所提算法在主客观评价上总体优于对比算法,网络参数较SRGAN减少了2.54%,峰值信噪比与结构相似度较经典算法指标均值分别提高了0.764 dB和0.05358,能更好地关注图像的纹理、轮廓等细节信息,重建图像更符合人眼视觉。

基于多尺度生成对抗网络的水下图像增强

针对水体对光的吸收和散射导致的水下图像细节模糊和颜色失真等问题,提出了一种基于多尺度生成对抗网络的水下图像增强算法。该算法用对抗网络作为基础框架,结合残差连接和密集连接加强水下图像特征的传播。首先,通过两个并行支路提取退化图像不同空间的视觉信息,并在每个支路加入残差密集块,以学习更深层次的特征。然后,将两个支路提取的特征进行融合,经过重建模块恢复图像的细节信息。最后,构建多个损失函数,反复训练对抗网络,获得增强的水下图像。实验结果表明,本算法增强的水下图像色彩鲜明且去雾效果较好,水下彩色图像质量均值比原始图像高0.1887,加速稳健特征的匹配点数比水下残差网络算法多17个。

基于双注意力的肺癌半监督学习分割网络

肺癌计算机断层扫描(computed tomography, CT)中对病灶的分割目前存在两个问题:一是病变区域的大小和形状差异大,二是标注数据量少。为了应对上述问题,提出一种用于肺癌分割的双注意力半监督学习网络(dual attention semi-supervised learning network, SDA-Net)。首先,在U-Net的编码阶段加入残差-密集块(residual-dense block, RDB)进行特征提取,尽可能多地保留浅层特征。其次,在编码阶段末端利用包含位置注意力和通道注意力的双注意力机制整合同一类别特征的语义相关性,增强目标的特征表达。最后,针对标注数据量少的问题,采用双路一致性半监督学习(semi-supervised learning, SSL)的方法,使得双注意力网络同时利用标注数据和未标注数据进行训练,大幅提高了网络分割的性能。测试结果表明,所提方法的Dice相似系数、杰卡德系数、灵敏度和精确度分别达到了0.843 2、0.733 1、0.809 2和0.886 1,优于当前典型的分割算法。