基于改进MultiResUNet网络的甲状腺超声图像分割

甲状腺超声图像分割在临床超声图像研究中有很重要的意义。针对甲状腺超声图像信噪比低,斑点噪声多,且甲状腺形态不确定等问题,提出了一种改进的MultiResUNet分割网络(称为Oct-MRU-Net网络)。该方法在MultiResUNet网络的基本结构的基础上引入Octave卷积,并采用改进的Inception模块学习不同空间尺度的特征,将训练过程中的特征图按通道方向分为高低频特征。其中,高频特征描述图像细节和边缘信息,低频特征描述图像整体轮廓信息。在甲状腺超声图像分割过程中可以重点关注高频信息,减少空间冗余,从而实现对边缘更加精细的分割。实验结果表明,Oct-MRU-Net网络的性能相较于U-Net网络和MultiResUNet网络都有较大的提升,说明该网络对甲状腺超声图像的分割效果较好。

基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法

针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并引入Respath残差连接模块减少跳跃连接过程中的语义差距,同时引入PSConv多尺度卷积模块、Eca有效通道注意力机制模块,提高网络特征学习能力,构建PS-Eca-Multiresunet网络模型,弥补传统U-Net网络存在的细节特征提取能力较弱问题。选择“2020年第四届中科星图杯高分遥感图像解译软件大赛”数据集进行实验,结果表明,与传统U-Net网络模型相比,该方法水体提取的平均交并比提高了9.08,像素精度提升了7.4%。改进的网络提取结果能够有效避免阴影影响,提高对细节水体的提取精度,实现遥感影像水体信息的高精度提取。

深度学习作物分类模型空间泛化能力分析

大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技术支撑地球系统科学研究和社会应用的关键。本研究通过设计实验分析了模型架构、作物物候特征、农区地块尺度、数据类型等因素对作物分类模型泛化能力的影响。结果表明:一方面当训练区和测试区地块大小发生明显变化时,MultiResUNet相对于SegNet,DeepLab V3+和U-Net具有更好的泛化性能。然而,单纯依靠MultiResUNet的泛化能力依然无法完全克服地块空间形态的变化对模型迁移的不利影响,为获得更高精度的华北玉米分布信息,需要优先使用与华北地区农业景观更相似的东北作物分布数据产品进行深度学习模型训练;另一方面,相对于TOA (Top of Atmosphere)数据,采用SR (Surface Reflectance)数据更有利于模型在跨洲际尺度进行空间迁移,因此,在大尺度作物制图研究中,应优先考虑使用SR数据。综上,本研究从一定程度上验证了影响农作物分类模型迁移性能的内在因素,可为大尺度作物制图提供科学依据。