基于感受野扩大与解码特征增强的U型去云网络

U型架构的网络在遥感影像去云中应用广泛,并取得了显著效果。然而,大多数U型架构去云算法编解码之间传输的仅是单一感受野特征,导致对应层级解码层接收到的信息受限,去云影像存在空间细节信息的损失。此外,大多数U型网络的输出仅以解码层中尺寸最大的特征为出口,忽略了对其他各层级解码特征的有效利用,导致纹理结构信息重构不理想。为了解决这些问题,提出了一个基于感受野扩大与解码特征增强的U型去云网络。具体来说,在各级编解码层之间依次加入不同数量感受野自适应扩大模块,实现编解码之间传输信息的感受野自适应扩大;在解码层不同层级之间逐级加入层级交互模块并上采样至输出尺寸大小再进行通道串联,实现解码特征的增强。此外,现有公开去云数据集未能考虑不同云层厚度对去云的影响,对此,提出了1个含有薄云、中云、厚云3个子集的合成数据集,每个子集包含5种地物类型。在所提出的合成数据集和1个公开的真实数据集上,与近年来提出的5种优秀算法相比,所提出的方法取得了最好的客观评价指标和视觉效果。

Intelligent identification of oceanic eddies in remote sensing data via Dual-Pyramid UNet

海洋涡旋是大洋中重要的组成部分,对海洋能量和物质的输送至关重要.海洋涡旋的检测和表征无论是对于海洋气象学,海洋声学还是海洋生物学等领域都具有重要的研究价值.本文基于UNet架构,并结合金字塔分割注意力(PSA)模块和空洞空间卷积池化金字塔(ASPP)构造了Dual-Pyramid UNet模型,以平面异常和海表面温度数据中进行海洋涡旋的识别.实验在北大西洋和南大西洋两个涡旋活跃区域进行并选用多个评价指标对识别结果进行评价以证明模型的优异性能.

localswin:基于swin-transformer的高效胃癌病理图像分割

医学图像分割技术在疾病诊断中发挥着重要作用,但是CNN在处理图像时缺乏全局上下文信息,而transformer对于局部信息处理能力相对较弱,这都影响分割任务的准确性。针对这一问题,提出名为localswin的高性能分割网络,在U-Net架构的基础上,编码部分使用swin transformer模块,将反向残差块中所使用的深度卷积引入前馈网络中,增强了对局部特征的提取能力。利用所提出的策略来融合全局和局部特征,提高了模型的性能和效果。在公开的BOT胃切片数据集上评估了所提出的网络。实验结果表明,localswin与其他深度分割模型相比,在分割任务上有更好的效果,对基于切片的分割的准确率达到86.27%。

基于Swin-Transformer的颈动脉超声图像斑块分割

评估颈动脉超声图像斑块需要大量且经验丰富的临床医生,并且超声图像具有边界模糊、噪声干扰强等特性,使得评估斑块耗时费力,因此需要一种全自动的颈动脉斑块分割方法来解决人力稀缺问题。文中提出了一种基于Swin-Transformer(Shifted-Windows Transformer)模块的深度神经网络模型用于自动分割颈动脉斑块。在U-Net(U-Convolutional Network)架构基础上,编码部分使用3个用于图像下采样的卷积块以获得不同分辨率大小的特征图像,再添加6对连续Swin-Transformer模块用于更细化的特征提取。解码部分将Swin-Transformer模块输出的细化特征逐级上采样,分别与编码部分各级分辨率的特征图进行跳跃连接。基于同仁医院数据集进行对比实验,结果显示所提网络模型Dice指标达到0.8142,高于其他对比网络,证明了所提模型可以有效地提取颈动脉超声图像斑块特征,实现自动化、高精度的斑块分割。