融合Seg-UNet的中医面像分割网络模型研究

目的为实现中医面像部分区域的精准分割,提出一种融合Seg-UNet的中医面像分割网络模型。方法采用Seg-Net网络中的最大池化索引将U-Net网络中的上采样改为上池化来改进U-Net网络。在U-Net网络原编码阶段的池化过程通过池化索引保留权重信息,上采样过程即可利用该索引实现特征图矩阵的扩充。在此基础上增加一层卷积扩增通道数,改进原网络中将特征图矩阵直接复制的上采样方式,从而降低池化过程中权重信息的损失。将Seg-UNet网络模型分别对脸颊、额头和嘴唇3个部位进行分割训练和测试。结果对中医面像部分区域分割精度高,分割效果优于传统U-Net和Seg-Net网络模型,采用准确率(Acc)、Dice系数、平均交并比(MIoU)作为评价指标。结论本研究结合深度学习方法实现了较好的中医面像部分区域分割效果。

基于UNet深度学习算法的东海大型漂浮藻类遥感监测

基于语义分割神经网络UNet,利用GOCI(Geostationary Ocean Color Imager)卫星传感器数据,构建出能够有效提取大型漂浮藻类的深度学习模型,实现了对大型漂浮藻类信息端到端、像素到像素的分割识别。验证结果表明:所提出的深度学习模型对验证集中大型漂浮藻类的平均识别精度达到88.54%;通过与传统的归一化植被指数法和替代型漂浮藻类指数法进行对比,发现基于UNet构建的大型漂浮藻类监测模型具有更高的准确率且受云的影响较小。利用UNet大型漂浮藻类提取模型的识别结果对2017年东海藻类暴发过程进行了分析,模型显示出很好的实用性。