基于多尺度Scale-Unet的单样本图像翻译

随着生成对抗网络(GAN)的发展,基于单样本的无监督图像到图像翻译(UI2I)取得了重大进展。然而,以前方法无法捕获图像中的复杂纹理并保留原始内容信息。为解决这个问题,提出了一种基于尺度可变U-Net结构(Scale—Unet)的新型单样本图像翻译结构SUGAN。所提出的SUGAN使用Scale—Unet作为生成器,利用多尺度结构和渐进方法不断改进网络结构,以从粗到细地学习图像特征。同时,提出了尺度像素损失scale-pixel来更好地约束保留原始内容信息,防止信息丢失。实验表明,与SinGAN、TuiGAN、TSIT、StyTR2等公共数据集Summer■Winter、Horse■Zebra上的方法相比,该方法生成图像的SIFID值平均降低了30%。所提方法可更好地保留图像内容信息,同时生成详细逼真的高质量图像。

基于多尺度特征融合与注意力的肝脏分割方法

由于CT影像对比度低、肝脏形状不规则、相邻器官边界模糊,目前基于卷积神经网络的方法在肝脏分割任务上的表现不佳,尤其是在边界识别和小目标检测方面。基于此,提出一种基于多尺度特征融合与注意力的肝脏分割方法(MFFA UNet)。首先,利用多尺度特征融合获取丰富的分割信息,同时使用空间和通道注意力机制捕获全局空间和通道间的关系。其次,通过深度监督模块充分利用中间隐藏层的输出,增强网络的学习能力,加快网络收敛速度。此外,采用一种混合损失函数,以解决类别不平衡的问题,进一步提升模型的分割效能。实验结果表明,所提出的MFFA UNet方法在公共数据集LITS上的表现超越当前主流分割网络,分割结果更接近真实值。

改进UNet++的食道癌肿瘤分割方法

晚期食道癌患者五年生存率仅约20%,准确地检出食道癌肿瘤区域对后续治疗具有重要的临床意义。该文针对当前主流的食道癌病灶分割方法在复杂曲度位置细节丢失、分割精度低等问题,基于UNet++设计了一种改进的网络模型。在编码器中引入SE模块,使网络重点关注待分割区域;将网络关键层X^(i,0)中常规方阵卷积替换为可变形卷积,使网络更好地适应癌灶边界复杂的曲度变化;使用多尺度特征融合,充分提取出肿瘤边界的细微特征;将Encode-Decoder结构升级为双向O型循环结构,来提高网络对特征的使用效率。实验表明,该算法在食道癌CT影像分割任务中,Dice相似性系数可以达到84.81%,相比UNet++提高了6.37%。文中所提出的方法相比现阶段其他先进算法,能更为准确地分割出食道癌肿瘤的不规则边界。

联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测

随着传感器技术的飞速发展,基于多源光学遥感影像的变化检测已成为遥感领域中的研究热点。由于传感器成像差异,同一景象在多源光学遥感影像中通常呈现出不同的表现形式,因此面临着更加突出的“伪变化”问题。为此,本文提出了一种联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测方法。该方法首先提出了一种多尺度特征提取差分(multi-scale feature extraction difference,MFED)模块,以增强模型对“伪变化”的识别能力;在此基础上,利用UNet++网络输出的多尺度特征对变化区域进行多角度精细刻画,并提出了一种自适应证据置信度指标(adaptive evidence credibility indicators,AECI);最后结合影像分割与Dempster-Shafer(DS)理论设计了加权DS证据融合策略(weighted dempster shafer evidence fusion,WDSEF),从而实现了深度网络像素级输出至对象级结果的映射。通过对不同地区的4组高分多源光学影像数据集进行试验,并与多种先进的深度学习方法进行对比分析,结果表明:在不同空间分辨率和时相差异条件下,本文方法的总体精度(overall accuracy,OA)和F 1 score分别可达91.92%和63.31%以上,在目视分析和定量评价均显著优于对比方法。

动态平衡多尺度特征融合的结直肠息肉分割

结直肠癌作为最常见的疾病之一,精准的结直肠息肉分割可辅助医师对其进行早期预防。然而,在分割过程中,结直肠息肉图像存在对比度较低、病灶形状不一、位置随机化等问题,而且Unet网络参数量较大但分割精度不高。因此,提出了一种基于动态平衡多尺度特征融合的Unet改进算法,以Unet为主体,结合空洞空间卷积池化金字塔模块(ASPP)提高Unet深层次特征的多样性;提出通道打乱多尺度特征融合模块(CSI)和分组多尺度特征融合模块(GI)对编解码器的卷积块进行改进,降低整体网络参数量同时提高模型的表征能力,并提出残差金字塔拆分注意力模块(RPSA)用于编解码器的跳跃连接,平衡跳跃连接中的通道信息,提高整体网络的分割性能。实验结果表明,该方法不仅在分割效果上优于其他方法,还大幅减少了参数量,证明了其有效性。

基于MLUM-Net的高分遥感影像土地利用多分类方法

针对高分辨率遥感影像土地利用多分类结果中地块结构不完整、边界质量差的问题,提出了基于MLUM-Net模型的遥感影像土地利用多分类方法。该方法利用多尺度空洞卷积和通道注意力机制构造MDSPA编码器,提高了网络多尺度特征提取能力与地块位置定位的准确性,并通过空间注意力机制自适应增强了多尺度特征表达;为消除上采样语义损失和减少分类结果噪声,设计了混合池化上采样优化模块,用于优化分类结果并消除网络分类误差;根据土地利用多分类数据集类别占比不均衡的特点和地块结构的相似性指数设计混合损失函数,消除数据类别占比产生的影响,提高地块结构完整性和精细化分类边界。在多个数据集上进行了实验验证,总体精度和kappa指标均有明显提高,其分类结果结构完整且边缘划分准确,在土地利用多分类领域具有较好的实用价值。

融合改进UNet和迁移学习的棉花根系图像分割方法

[目的/意义]根系是植物组成的重要部分,其生长发育至关重要。根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战。[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet模型为基础,提出了一种多尺度特征提取根系分割算法,并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先,获取棉花根系单一数据集和开源多作物混合数据集,基于单一数据集的消融试验测试多尺度特征提取模块(Conv_2+Add)的有效性,与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法(UNet+Conv_2+Add)在迁移学习的优势。[结果和讨论] UNet+Conv_2+Add相比其他算法(UNet、PSPNet、SegNet、DeeplabV3Plus),mIoU、mRecall和根系F_1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比(Intersection over Union,IoU)值提升1.25%,根系的Recall值提升1.79%,F_1调和平均值提升0.92%,且模型的整体收敛速度快。[结论]本研究采用的多尺度特征提取策略能准确、高效地分割根系,为作物根系表型研究提供重要的研究基础。

基于深度学习多尺度特征的胎儿头围测量方法

传统医学超声胎儿头围测量方法存在效率低、测量不稳定等问题。为此,提出一种医学超声胎儿头围自动测量方法。提出一种H-Unet改进模型进行医学超声胎儿头部图像分割。该过程利用Non-local模块捕获长范围依赖关系,采用空间金字塔模块获取多尺度特征信息,并提出一种改进的损失函数进行网络训练;利用边缘检测算子提取分割目标的头部轮廓;利用基于最小二乘法的椭圆拟合方法自动计算出胎儿头围值。在HC18数据集上进行测试,以头围绝对差值(A_(D))、Hausdorff距离(H_(D))、Dice系数评估该模型性能。实验结果表明:对比已有方法,该方法的上述三种指标均有提升,在胎儿头围测量上可取得满意的效果。

多层次特征融合低照度图像增强算法

针对成像设备在夜间等低照度环境下采集的图像存在细节丢失、动态范围较窄和大量噪声等特点,导致采集图像清晰度低、可用性不高和识别性较差等问题,提出了一种多层次特征融合(Multi-level Feature Fusion, MFF-Net)算法。该算法利用多尺度采样构建U型网络,并引入多种注意力机制多线程处理图像流,各支路特征向量跨通道交互,协同渐进式抑制冗余信息。高效运用特征融合模块强化对低尺度纹理细节和多层次特征的感知。设计了由峰值信噪比(Peak Signal to Noise Ratio, PSNR)和结构相似性(Structural Similarity, SSIM)指标构成的损失函数,有目的地引导网络由浅到深地学习图像之间的映射关系,从而加快模型收敛速度,助力提高模型性能和图像增强。所提算法在LOL数据集Low-Light Dataset上进行了相关实验和测试。其PSNR、SSIM和学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)等6种客观评价指标上整体优于大部分先进算法。实验结果表明,所构建的模型能有效抑制图像失真、噪声问题并显著提高图像质量和照度。

基于多尺度串联空洞卷积的轻量化UNet香蕉图像分割

针对香蕉果串识别系统中传统的UNet网络存在实时性差、参数量多、下采样后丢失空间信息等问题,该研究提出基于UNet模型的轻量化分割网络,构造一个轻量级的主干特征提取模块,在降低模型参数量和计算量的同时增强网络提取特征的能力,使用膨胀率为[2,1,2]锯齿波形的多尺度串联空洞卷积组合在增大感受野的同时保持对细节的敏感度。该研究算法在自建香蕉果串数据集上的试验结果表明,网络参数量为0.45 M时,香蕉果串识别分割速度可达41.0帧/s,平均像素分类准确率为97.32%、交并比为92.57%。相比于其他模型具有准确率高、参数量小等优点,能够较好地实现精度和速度的均衡。该算法对自然种植环境下的香蕉果串具有良好的识别效果,可为智能化香蕉采摘等应用提供视觉识别技术支持。

一种改进的双通道多尺度医学图像分割网络模型

近年来,深度学习在医学图像处理中的应用越来越广泛。UNet作为医学图像分割的主要方法,虽然具备一定的优势,但在细节处理及精确度上仍不够理想。为了优化分割效果,本研究提出一种改进的UNet分割模型。该模型在UNet的网络架构基础上,使用残差连接代替编码器和解码器之间的跳跃连接;同时将编码器中卷积操作更改为双通道多尺度卷积,并在编码器中加入挤压激励块。在Kvasir-SEG、CVC-ClinicDB、ISIC2018三个数据集上的实验结果表明,该模型与其它几种UNet改进算法相比,分割精度有所提高。

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明:改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。

基于多尺度特征感知的胸腔图像危及器官分割

医学图像危及器官自动分割是计算机辅助诊断中的重要组成部分,对辅助医生高质高效完成放射治疗有着极其重要的作用。胸腔CT图像对比度低,且各器官之间重叠交错、边界模糊,使得危及器官的精确分割具有较大的挑战性。提出一种多尺度特征感知的编码-解码网络模型(FA-Unet),实现胸腔CT图像危及器官的分割。针对胸腔中四类器官大小差异的问题,首先构建了输入感知模型,提取图像中各器官的多尺度特征。为了弥补编码与解码之间的语义鸿沟,在解码-编码中融入改进的inception模块。用空间金字塔卷积(ESP)与金字塔池化(PSP)模块代替传统的串行卷积运算,使得网络模型更为轻量化,在一定程度上缓解数据量不足带来的过拟合问题。采用一种联合Dice系数与交叉熵的损失函数训练分割网络,可解决胸腔CT图像中类别不平衡的问题。最后,在2019年ISBI发布的Seg THOR数据集上验证模型的有效性,该数据集共包括40例肺癌或霍奇金淋巴瘤患者的胸腔CT图像7 390张。实验结果表明,胸腔CT图像各器官分割的Dice系数分别为食道0.793 2、心脏0.935 9、气管0.854 9、主动脉0.889 0,Hausdorff距离分别为食道1.420 7、心脏0.212 4、气管0.627 3、主动脉0.887 0。结果表明,与同类型分割网络相比,模型可获得较好的分割性能,尤其在小目标器官的分割上取得竞争性优势。

基于强化特征提取的视网膜血管分割

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual)和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改进模型的分割能力。结果表明,两种数据上的准确率分别为0.9652和0.9715,灵敏度分别为0.8205和0.8256,与其他算法相比,分割性能更有优势。

基于多尺度特征改进UNet++的遥感影像建筑物提取方法

针对现有遥感影像建筑物提取方法所存在的问题,提出了一种基于多尺度特征改进UNet++网络的建筑物提取方法。通过引入Res2Net模块增强模型对建筑物复杂结构的特征提取能力,深入挖掘遥感影像的多尺度特征,使用JaccardLoss提高模型的收敛速度及整体性能。在制作的Ganzhou建筑物数据集及WHU全球卫星建筑物数据集上,Accuracy、Precision和F1-Score值较高,对比PAN、PSPNet、FPN等主流网络表现较好。