基于U-Net算法的区域内自然资源要素变化调查研究

本研究基于U-Net算法使用World View-3卫星高分辨率图像,评估了中国雨林地区森林中的各类要素如类型和树种的识别和分割。通过训练U-Net网络模型,使用7611幅图像和密集标记掩模进行验证,验证结果为U-Net网络总体准确度达到95%以上,并在森林类型分割上实现了0.96的联合交集(IoU)分数。结果表明,深度学习算法结合高分辨率遥感数据在植被和树种等要素分布的应用中具有潜力,可为生态保护和森林管理提供可靠的数据支持。

一种用于青光眼视杯盘分割的改进U-Net算法

青光眼已成为全球致盲的主要原因之一。通常,眼科医生利用彩色眼底图像对患者的视神经头(ONH)区域进行评估以诊断青光眼。然而,作为ONH评估重要指标之一的杯盘比(CDR)大都由医生进行人工测量和计算,耗时、费力且带有一定的主观性。为此,提出一种基于改进U-Net的青光眼视杯盘分割算法,在U-Net的编码部分采用ResNet50的映射叠加方式,有效提取图像深层信息。结果表明,所设计模型在公开的DRIONSDB、RIM-ONE和DRISHTI-GS数据集上分别获得AUC值为0.982、0.962和0.989;针对视盘区域分割,IOU分别为0.93、0.94和0.93,Dice系数分别为0.96、0.97和0.97;在RIM-ONE和DRISHTI-GS数据集上,针对视杯区域分割,IOU分别为0.845与0.93,Dice系数分别为0.923与0.967。与眼科医生分割结果相比,其标准误差小于0.16,验证了该算法的优越性能。

基于生成对抗网络的视网膜血管分割算法

为了解决现有方法在分割眼底图像时产生假阳性血管和丢失微血管的问题,提出一个适用于视网膜血管分割的生成对抗网络。网络的生成器使用U-Net结构分割生成高质量的假图像,判别器使用全连接的卷积神经网络提高辨别能力。在数据集DRIVE和STARE上进行实验,实验结果表明,该分割算法准确率和敏感性提升较为明显,比原U-Net算法分别提高2.84%和1.44%、5.89%和7.96%,比原OR-GAN算法分别提高1.91%和1.08%、4.94%和6.88%,对视网膜血管的分割也比其他现有方法有更优秀的性能。

基于脉冲耦合神经网络结合U-Net的眼底血管分割

视网膜血管分割作为一种现代医学诊断的基础性方法,在眼部疾病及相关病症的筛查和诊断中起着重要作用。针对血管分割分割过程中细节丢失、连通性差等问题,提出一种新的分割算法。该算法基于改进的自适应阈值SSPCNN进行眼底血管图像分割,并应用改进SE模块的密集可变形卷积U-Net进行前期图像增强。为该算法设计实验,检测其在DRIVE和STARE数据集上的实际分割效果检测。实验结果表明该模型在DRIVE和STARE数据集上的灵敏度、特异性和准确度均优于现有算法。

基于无人机影像深度学习算法的植被识别与DEM生成方法研究

无人机搭载光学相机进行地形图生产已广泛应用于电力工程的勘察阶段。然而,采用此方式生成的DSM包含植被高度信息,难以直接进行地形图生产,需要大量的内业修图工作以去除植被影响。利用无人机搭载光学相机生成DOM和DSM,引入U-Net语义分割算法,通过算法改进,实现植被的快速识别。进而,利用识别得到的植被区域对DSM进行掩膜,生成带空洞的DEM,采用局部构建不规则三角网的方法进行DEM生成,最终得到去除植被影响的DEM产品。经验证,植被识别精度达到95.96%,交并比达到91.55%。该方法不改变非植被区的高程,植被区高程数据填补仅依赖于周边高程值,减少内业修图工作量,提高地形图生产效率。

基于D-Unet神经网络的鼻腔鼻窦肿瘤分割算法

鼻腔鼻窦肿瘤为多发性疾病,其CT影像具有形态不规则、分界不均匀等特征,而现有的U-Net分割算法对图片细节不敏感且割裂了图像局部与整体特征的一致性,难以实现精准诊断。提出一种基于D-Unet深度神经网络的改进算法,根据鼻腔鼻窦肿瘤空间形变特点,将可变形卷积融入U-Net网络,并利用可变形卷积能依据目标形态拥有自适应感受野的特点,充分学习图像细节,从而提升算法的特征提取能力。在此基础上,使用损失函数Tversky解决数据集样本失衡问题,从而获得更高的灵敏度和泛化能力。为方便进一步研究,建立鼻腔鼻窦肿瘤分割数据集。实验结果表明,所提算法能有效提高鼻腔鼻窦肿瘤分割精度,相比U-Net、Res-Unet和Attention U-Net算法,分割精度分别提高了5.01%、2.56%和0.48%。

基于注意力机制的腰椎间盘突出患者多裂肌分割方法

为解决分割目标和周围结构边界不清楚的问题,提出一种基于注意力机制的腰椎间盘突出患者多裂肌分割方法。该网络采用了编码器-解码器的结构,通过引入注意力机制模块提升网络分割精度,并在特征提取后引入空洞空间卷积池化金字塔模块,融合了上下文信息,以提升网络模型的性能。实验结果表明,在推理时间接近的情况下,该模型与经典U-Net算法相比,Dice系数提升了7.8%,Jaccard相似系数提升了10.1%,Hausdorff Distance下降了69.5%,提高了多裂肌脂肪浸润部位的分割精度。

材质和倾角属性筛选的光伏屋顶提取

针对城市光伏屋顶类型多样致使样本不平衡,高空间分辨率卫星影像光伏屋顶提取问题,提出了一种材质和倾角属性筛选的方法。通过选取天津市南开区、红桥区、和平区、河东区卫星影像,利用标注于光伏屋顶的材质和倾角两种属性筛选出样本均衡的数据集,借助TensorFlow框架下集成的U-Net算法并合理设置参数,得到了光伏屋顶提取结果,并与未利用材质和倾角两种属性筛选情况下的光伏屋顶提取结果进行对比。试验结果表明:本文方法提取精度较高,尤其是对于研究区域不常见的光伏屋顶,能够提取出更为完整准确且边界清晰的结果。

基于U-net网络模型的农房遥感影像识别与变化分析

针对传统遥感影像农房提取中存在的不足,论文将U-net网络深度学习算法应用于嘉兴市农房建设变化监测,利用农房遥感解译结果分析不同政策下的农房建设变化规律,评估农房整治成效,为优化乡村生活空间布局及整治违法建筑等提供管理和决策依据。实验表明,该算法具有高精度和高效率的特点。