U型卷积网络在乳腺医学图像分割中的研究综述

U-Net及其变体模型在乳腺医学图像分割领域展现了卓越的性能,U-Net采用全卷积网络(FCN)结构进行语义分割,U-Net对称结构的高度灵活性和适应性可以通过调整网络深度、引入新的模块来适应不同的图像分割任务和挑战,这种创新结构对后续网络设计产生了深远影响。深入探讨了基于U型卷积网络在乳腺医学图像分割中的应用,并对近年来用于乳腺医学图像分割的U型卷积网络进行了分类与归纳。针对U-Net网络结构改进的乳腺医学图像分割技术进行了如下总结。阐述了目前广泛使用的乳腺医学图像数据集及评价指标,陈述了常用的数据增强方法;详细介绍了U-Net模型的网络结构以及用于乳腺医学图像的传统分割方法;对用于乳腺医学图像分割方法的U型网络结构按照残差结构、多尺度特征、膨胀机制、注意力机制、跳跃连接机制、结合Transformer等方面改进进行归纳总结。讨论了当下乳腺医学图像分割所遇到的问题与挑战,对未来的研究走向做出了展望。

双U型门控网络融合非局部先验的图像压缩感知重建方法

针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题,提出了一种双U型门控网络(dual U-shaped gated network, DUGN)用于图像压缩感知重建。该方法在原有的U型结构网络的基础上进行了改进,提升了U型结构网络在压缩感知任务中的学习能力。在测量值的利用上,结合交叉注意力机制,提出了一种测量值非局部融合模块(measurements non-local fusion, MNLF),用于将测量值中的非局部信息融合到深层网络中,指导网络进行重建,提升模型性能。此外,在基本模块的设计上,提出了窗口门控网络模块(window gated network, WGN),增强了网络的细节处理能力。实验结果表明,与已有的压缩感知重建方法相比,DUGN在Set11数据集上有着更高的PSNR和SSIM,且在图像重建的真实性上有着更好的表现。

融合Transformer和CNN的U型神经网络遥感影像道路提取算法

U型网络作为一种经典的编码–解码结构网络,不只在医学影像领域内发挥出色,在图像分割领域也有广泛的影响。以U型网络为基础其它衍生网络层出不穷。U型网络最经典的思想是编码和解码,再加上编解码之间的跳跃连接。由于道路遥感图像和医学影像有众多相似的地方,如今U型网络又被用于从遥感图像中提取道路。U型网络使用跳跃连接的方式将下采样低维特征拼接到上采样的高维特征中,以保留更多的空间位置信息和语义信息。因此U型网络更能处理一些特征信息明显的图像数据。但浅层的UNet无法准确提取道路丰富多维的细节信息,在高分辨率卫星遥感图像上无法奏效。所以本文提出一种融合蛇形动态卷积和Swin-Transformer的U型网络用于提高道路提取任务的分割精确度。

混合U型网络与Transformer的图像去模糊

针对现有去模糊方法不能有效地恢复图像精细细节的问题,提出了一种混合U型网络与Transformer的图像去模糊方法。首先,使用一个多尺度特征提取模块提取图像的浅层特征信息。然后,通过一个含逐级特征增强模块的层级嵌套U型子网络,在保留图像细节信息的同时获取图像深层特征信息。再次,构建了一个局部-全局残差细化模块,通过卷积神经网络和SwinTransformer之间的信息交互充分提取全局和局部信息,并实现特征信息的进一步细化。最后,使用一个1×1卷积层进行特征重建。所提方法在GoPro数据集上的实验结果显示,图像的峰值信噪比和结构相似度均值分别为32.92和0.964,均优于其他对比方法。实验结果表明,所提方法可以有效地去除模糊,重建出具有丰富细节的潜在清晰图像。

网络中心性与企业绩效的倒U型关系研究——基于商业模式创新的中介作用

以商业模式创新作为中介变量构建网络中心性与企业绩效关系理论模型,基于“过犹不及”原则,从曲线视角探讨三者的复杂关系,并进一步探究组织合法性的调节作用。对279个样本数据进行分析,结果表明:网络中心性分别与商业模式创新、企业绩效呈倒U型关系;商业模式创新中介网络中心性与企业绩效的倒U型关系;商业模式创新能够显著促进企业绩效提升;组织合法性正向调节商业模式创新与企业绩效之间的关系。

基于密集残差连接U型网络的噪声图像超分辨率重建

现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景,且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题,提出了一种密集残差连接U型网络,用于对低分辨率噪声图像进行超分辨率重建。在特征提取路径中引入基于密集残差连接的去噪模块,通过密集连接的方式对图像特征进行充分提取,再利用残差学习的特点对低分辨率噪声图像进行有效去噪;在重建路径中引入残差特征注意力蒸馏模块,通过在残差块中融入增强特征注意力块,对不同空间的特征赋予不同的权重,加强网络对于图像关键特征的提取能力,同时减少图像细节特征在残差块中的损失,从而更好地恢复图像细节信息。在煤矿井下图像数据集及公共数据集上进行了对比实验,结果表明:在客观评价指标上,所提网络的结构相似度、图像感知相似度均优于对比网络,且在复杂度及运行速度上有着较好的均衡;在主观视觉效果上,所提网络重建的图像基本消除了原有图像噪声,有效恢复了图像的细节特征。

基于多尺度全局注意力的U型视网膜血管分割网络

眼底视网膜血管分割在多种类型眼科疾病的评估和诊断中起着重要作用。由于眼底图像中血管的拓扑结构复杂多变,现有算法通常存在分割结果中血管特征不连续以及血管边缘分割准确度不高的问题。针对上述问题,本文提出一种用于视网膜血管分割的多尺度全局注意力U型神经网络MSGA-UNet。该网络一方面通过全局特征注意力模块从编码器中较为容易地获得图像的全局表征信息,解决眼底视网膜血管分割中特征不连续的问题;另一方面利用多尺度空洞卷积模块,利用不同膨胀率的空洞卷积扩大感受野并获取图像的多尺度局部特征信息,从而提升血管边缘信息的提取能力。经过在DRIVE、STARE和CHASEDB1数据集上的实验,MSGA-UNet的平均交并比分别为74.06%、78.22%和79.62%;类别平均像素准确率分别为80.39%、84.60%和85.53%;精确度分别为96.32%,96.42%和97.23%;综合分割性能优于其他模型。

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于有向网络的双U型装配线平衡实验与分析

针对产品的流水装配线组织设计和装配线平衡问题,提出有向网络新方法。在实验室现有直线型装配线上对产品(车模)进行产品结构分析,并对流水装配进行组织设计,获得了各工序时间和紧前关系,但产线平衡率不高。为提高生产效率,对产品的装配过程建立了数学模型。利用有向加权网络理论计算了模型中优先关系权重,实现了计算机程序计算,并用启发式算法对四驱车模型装配工序重新分配,设计双U型装配线。将U型装配线与现有直线型装配线进行了比较,平衡率提高了9.4%,验证了模型和算法的有效性和优越性,有向网络理论提高了运算效率,并为计算大型装配线平衡问题提供了新的方法。

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中,采集设备稀缺或故障等原因造成路网交通流量数据缺失问题,提出基于对称残差U型网络(Residual U-Net,RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作,构成可供卷积操作的张量数据格式;利用RU-Net编码解码能力,对交通流量数据进行编码;在解码过程中保持失真度较小,使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升,压缩率降低,提升模型修复精度.实验结果表明,RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系,在不同数据缺失率,不同缺失模式下,高效地完成对大规模路网交通流量数据的修复.

基于有向网络理论的U型装配线平衡问题研究

针对制造企业的复杂装配线工作站优化设计和生产柔性化要求,提出基于有向网络理论的解决办法.首先结合装配线平衡问题简单算例,说明装配流水线作业流程图满足有向图特征,并用矩阵表示,将复杂网络图信息转换为可计算的数据信息,实现了流水装配线平衡的计算机计算与程序设计.其次以29个节点装配流程为例,在满足作业元素的时间、流水节拍以及作业元素优先关系的约束条件下,以装配线时间损失率最小为优化目标,建立装配线平衡问题的数学模型.最后利用有向图网络理论计算装配线平衡问题和U型装配线设计,平衡率达到93.81%,验证了有向网络图理论求解生产线平衡问题的合理性和有效性,并实现了计算机程序计算.本研究为制造企业大型流水线设备自动化设计提供了一种新方法.

深度学习中的学习者认知网络和动机策略分析——旨向深度学习的U型翻转教学效果研究

深度学习关注学生知识迁移和学习体验,构建旨向深度学习的U型翻转教学模式,旨在通过认知网络分析探究学生的认知差异,继而探索高、中、低分组学生在作品质量、动机策略和自我效能感上的差异。研究发现:(1)在学习效果方面,实验组学生认知网络更丰富复杂,反映实验组认知水平更高、认知结构更广,再结合作品分析发现,高、中分层次实验组明显优于控制组,低分层次实验组高于控制组,但差异不显著;(2)在动机策略方面,高、中、低分层次实验组学生的学习态度、学习动机、合作学习显著优于控制组学生,其中,在自我效能感维度,实验组学生优于控制组学生,但在高、低分层次实验组与控制组不存在显著性差异。研究结果表明:旨向深度学习的U型翻转教学能有效激发学生动机,拓展认知并促进知识迁移,提供良好的学习体验,该学习模式为培养学生深度学习的能力提供借鉴。

基于BP神经网络的U型电热微致动器仿真分析

以BP神经网络、随机有限元法为基础,对U型电热微致动器进行了仿真分析.首先利用有限元分析软件ANSYS对U型电热微致动器进行有限元分析得到具体结构尺寸对微致动器最大位移的影响,然后通过建立的BP神经网络来拟合响应与输入之间的关系,根据蒙特卡罗模拟原理获得足够多的样本值对训练后的网络进行误差分析,结果证明本文提出的分析方法是可行有效的.

基于多尺度小波U型网络的低光照图像增强

成像系统实时采集的低光照环境图像具有照度低、噪声严重、视觉效果差等问题,为了提高低光照环境成像质量,本文提出基于多尺度小波U型网络的低光照图像增强方法。该方法采用多级编解码器构建U型网络,并引入小波变换构建特征分频单元,分离高频和低频信息,增强对低频照度特征和高频纹理信息的感知。设计多尺度感知损失函数,指导网络学习低频信息到高频信息的逐级重建,从而优化网络的收敛和性能。最后,在LOL、LIME、NPE、MEF、DICM和VV数据集上进行测试。实验结果表明,所提方法能够有效提升图像照度,抑制图像噪声和纹理丢失问题,并在PSNR、SSIM和LOE评价指标上均优于比较算法,在主观和客观评价方面均优于其他对比算法。

基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准,从而造成识别精度较低的问题,研究了基于改进U型神经网络(Unet)的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络,难以提取更复杂的裂缝特征信息,故本文以牛津大学视觉几何组网络(VGG16)作为传统Unet的特征提取网络,提高网络的裂缝特征提取能力;为抑制高低阶特征融合时产生的无用特征,本文在模型解码部分添加压缩与激励单元(SE block),构建裂缝注意力单元,使得网络可以关注不同通道下的裂缝特征,建立了基于SE block和VGG16的改进Unet网络(SE-VUnet)。研究采用迁移学习的方法,将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集,并使用摄像头采集图片构建1 600张路面裂缝数据集,再次训练SE-VUnet模型,获得裂缝区域分割结果。以查准率(precision)与查全率(recall)的加权调和平均值F1和雅卡尔(Jaccard)相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1,相比于Unet分别高出了1.04%和1.51%,且均高于其他3种对比模型;SE-VUnet的单帧图片预测时间为89 ms,在分割效果提升明显的情况下仅比Unet慢5 ms,优于其他模型。

基于EfficientNet-B5级联U型网络的视网膜血管分割方法

针对视网膜图像细小血管难以分割以及病灶误分割等问题,提出了一种基于EfficientNet-B5级联U型网络的视网膜血管分割方法。首先,采用EfficientNet-B5编码器对图像特征编码,提取图像更深层特征;其次,引入空洞空间卷积池化金字塔模块有效地提取视网膜图像中的多尺度特征信息;在双卷积块中加入高效通道注意力捕获跨通道交互的信息;然后,采用级联U型结构,后一级网络对前一级网络的血管分割结果进行细化与优化;最后,采用形态学算子对网络输出的分割图像进行后处理。在CHASE_DB1数据集上的实验结果表明,该算法的F1值、特异度、准确率及AUC分别为79.57%、98.21%、96.30%和97.51%,相比FC-RCF、U-Net和Res-UNet等算法均有提升。该算法在精确地分割血管的同时表现出较好的抗干扰性能。

高科技新创企业网络跨度与绩效的倒U型关系研究

由于网络关系管理和利用的复杂性以及组织资源、能力的限制,网络跨度与新创企业绩效之间的线性关系不断受到质疑。借鉴社会资本理论和能力观,考察网络跨度与新创企业绩效之间的关系本质,以及网络响应能力在上述关系中的重要作用。基于187份中国高科技新创企业数据,利用多元调节回归方法的实证结果表明,网络跨度与新创企业绩效间存在倒U型关系,网络响应能力在网络跨度与新创企业绩效间发挥调节效用,即通过有效管理和利用网络,优化网络跨度对高科技新创绩效的影响效应。最后,讨论研究的理论意义和实践价值。

基于残差U型网络的低压台区电力缺失数据补全方法

低压台区的用户电力数据在采集、传输等环节出现无规律缺失导致后续台区应用分析出现误差,为保证低压台区电力数据的完整性,提出了基于残差U型网络(RU-Net)的多用户电力缺失数据补全方法。首先,根据低压台区多用户电力数据缺失的特点,将电力数据构成可供一维卷积操作的时空张量数据格式。然后,利用RU-Net的编码与解码能力实现缺失数据的重构,通过引入残差学习以及批归一化层来优化网络结构。最后,基于所提方法对某台区用户功率数据随机缺失和连续缺失2种情况进行补全。结果表明,该方法能补全随机缺失率不超过40%与连续缺失不超过2 d的台区电力数据,且在补全精度方面相比于传统方法有一定程度的提高。

基于深度残差U型网络的果园环境识别

果园环境复杂多变,传统机器视觉识别算法易受到光照阴影等因素影响,识别目标能力有限且精度较低。深度残差U型网络可对果园环境中的树木、可行驶道路、杂物等进行语义分割。网络基本结构采用U型网络,在编码层和瓶颈层中加入残差学习,利用残差模块提升网络深度,增强不同层次的语义信息融合,提高特征表达能力和识别准确率;解码层中采用上采样进行特征映射,方便快捷,并通过跳跃连接融合编码层的语义信息,减少网络参数,加速训练。通过PyTorch深度学习框架搭建网络,训练数据集,并将该网络与全卷积神经网络和U型网络进行对比实验,结果表明深度残差U型网络识别准确率最高,平均交并比为83.3%,适用于果园环境识别。

基于U型卷积网络的视网膜血管分割方法

视网膜血管的结构信息对眼科疾病的诊断具有重要的指导意义,对视网膜血管图像进行高效正确的分割成为临床的迫切需求。为此,提出了一种U型卷积网络,实现了更高效的自动化视网膜血管分割。骨干网络基于经典的编解码架构,编码器采用预训练的残差模块充分提取每一层的特征,解码器通过转置卷积逐层进行上采样,增加了特征的复用性。网络在中间层引入ASPP(Atrous Spatial Pyramid Pooling)模块,提取不同尺度的视网膜血管特征。为了在类内预测上保持一致,在跳级层利用通道注意力模块对特征进行自适应细化,融合了不同层次的特征。在DRIVE数据集上的实验结果表明,与其他相关算法性能相比,该算法的敏感性、特异性、准确率均最高,模型泛化能力好,大大提高了视网膜血管分割的准确性。