一种改进U-Net网络的心电图分类算法研究

基于CPSC-2018十二导联数据,提出了一种U-Net网络和注意力机制结合的心电图分类算法。首先,针对数据集数据长度长短不一的问题,对数据进行等长处理和归一化处理。然后,利用U-Net网络中跳层连接和编码解码方式,对预处理后较长的数据进行处理。在U-Net网络解码的最后一层加入注意力机制对抗噪声,提升模型的有效信息关注度和准确性。最后,利用CPSC-2018数据集进行验证。实验结果表明:所提模型能够取得较好的分类效果,识别房颤(AF)和右束支传导阻滞(RBBB)心律失常的精准率、召回率、F1值都可以达到90%以上,平均F1值可以达到82.5%。

改进的U-Net网络小断层识别技术在玛湖凹陷玛中地区三叠系白碱滩组的应用

利用改进的U-Net网络小断层识别技术,对准噶尔盆地玛湖凹陷玛中地区三叠系白碱滩组的小断层进行了识别。研究结果表明:(1)构造导向滤波预处理能有效改善地震资料的品质,提高断层识别的准确率。加入了跳跃连接和中继监督、正态标准化和聚焦均方损失函数的U-Net网络方法,对小断层的精细识别能力有所提升。(2)使用200组训练样本集和20组验证样本集,模型地震数据由反射系数与雷克子波褶积生成,断层由人工标注而成。选取最优的网络模型参数,并在合成的含噪地震数据上分别利用相干属性、常规U-Net网络方法及改进的U-Net网络方法进行测试,构造导向滤波有效突出了断层的边界,且增强了同相轴的横向连续性,改进后的U-Net网络方法对于7 m以上断距的断层可进行有效识别。(3)对于玛湖凹陷玛中地区三叠系白碱滩组高角度走滑断裂和伴生小断距次级断裂的识别,改进后的U-Net网络方法的识别精度明显高于相干属性和常规U-Net网络方法,研究区大侏罗沟断裂北翼的(3)号与(4)号砂体,是拓展MZ4井区三叠系白碱滩组高效勘探的有利区。

基于U-net网络的频散曲线自动拾取方法研究

频散曲线拾取是面波勘探的关键环节,旨在通过频散曲线反演出地下横波速度结构。然而目前频散曲线拾取工作主要依靠人工拾取,耗时耗力。为此,本文通过将频散曲线拾取问题看成是图像分割问题,引入U-net网络,发展出一种频散曲线的自动拾取方法。该方法使用频散能量图并使其作为数据集,使用人工手动拾取的频散曲线作为标签集;通过卷积神经网络经由上采样、下采样和跳层链接等步骤学习图片特征,实现频散曲线的自动拾取。模型测试结果验证了利用U-net网络提取频散曲线的准确性。最后本文将训练好的网络模型应用于冰岛南部Ölfusá河岸的Arnarbæli周边试验场地的实际数据频散曲线提取,并将提取结果与手动拾取的频散曲线进行对比。结果表明,利用U-net网络提取频散曲线预测速度快,预测512×512×3大小的图片耗时为96 ms,预测准确度高。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于改进U-Net网络的遥感影像农村道路矢量中心线提取及优化

遥感影像中农村道路矢量中心线的准确提取对乡村规划和地理信息数据库建设具有重要意义。针对现有深度学习方法未能充分利用上下文信息,且在下采样过程中易造成图像分辨率下降和局部特征丢失的问题,该文改进U-Net网络模型以提高提取结果的准确性。首先,网络结构设计两次下采样处理,并将上下文两处特征信息用跳跃层连接,使输出的道路细节清晰;其次,为避免样本不均衡导致训练效果不理想,采用交叉熵损失函数与广义骰子损失函数叠加的方式提升训练效果;最后,采用邻域质心投票算法和融合算法对提取的道路进行矢量化和中心线优化,得到高精度的农村道路矢量中心线。试验结果表明:改进方法在复杂场景的农村道路矢量中心线提取中准确率达95.03%,较4种对比算法(U-Net、DC-Net、PA-Net、SM-Net)具有明显优势。

采用带注意力机制3D U-Net网络的地质模型参数化技术

针对卷积神经网络增强的主成分分析技术(CNN-PCA)这种地质模型参数化技术在油藏复杂地质特征刻画精度和泛化能力方面存在的问题,不使用预训练好的C3D视频动作分析模型来提取三维模型风格特征,而使用新的损失函数并引入一种带注意力机制的3D U-Net网络来补全主成分分析方法(PCA)降维过程中丢失的地质模型细节信息,并以一个复合河道砂体油藏为例进行了应用效果分析。研究表明,与CNN-PCA技术相比,采用带注意力机制的3DU-Net网络能够更好地补全PCA降维过程中丢失的地质模型细节信息,在反映原始地质模型的流动特性方面具有更好的效果,并能改善油藏历史拟合的技术效果。

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法,如反褶积、Q补偿等,受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数,不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系,具备良好的自主学习能力,但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此,提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先,在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块,不仅可以快速学习高、低分辨率数据间的映射关系,还能够合理分配不同通道和空间的权重、充分利用数据间的相关性;然后,使用L1损失和多尺度结构相似性指数损失的组合作为损失函数,提高模型对局部信息变化的敏感度,便于恢复细节信息。模拟数据和实际数据的测试结果表明,该方法提升了地震数据的主频,增加了频带宽度,同相轴变得更清晰,细节纹理信息更丰富,有效提高了地震数据的分辨率。

基于U-Net网络的柱面透镜视觉定位策略

针对柱面透镜定位在摆盘工艺过程中产品良率低、生产作业时间长的问题,研究了一种基于U-Net网络的柱面透镜视觉定位策略。该策略结合柱面透镜摆盘工艺及特点,开发了柱面透镜视觉摆盘系统。将Blob分析和模板匹配作为前期视觉定位方法,通过高精度匹配获取工件点位信息以生成分割图对采集的原图进行标注,选取损失值最优的学习率对U-Net网络进行模型训练,以实现实际工件的分割定位。经过U-Net网络与高精度模板匹配针对不同型号的工件定位对比发现,相较于高精度模板匹配,U-Net网络可实现亚像素级别的定位误差。实践应用结果表明,该柱面透镜视觉摆盘系统视觉定位精度高,具有较强的产品适应能力,产品偏心合格率可达96%以上,满足工业摆盘任务要求。

基于改进U-Net网络的光伏板图像分割方法

光伏板区域识别与分割对光伏板的缺陷精确检测和组件精准定位有重要意义.在复杂环境下,针对光伏板图像存在对比度不强、边界模糊、背景复杂等影响分割的问题,提出了一种改进U-Net网络的光伏板图像分割方法.首先,搭建基于U-Net网络的对称编码-解码结构骨干网络;其次,使用深度可分离卷积替代传统卷积,并将高效ECA注意力模块添加到两组深度可分离卷积之间,以两组深度可分离卷积和一个ECA注意力模块组成一个block块,利用多个block块提升多层网络的分割性能;之后,引入交叉熵损失、Dice损失、Focal损失线性加权和作为新的损失函数,训练改进U-Net网络;最后,为验证方法的有效性,将改进U-Net网络与MobileNetV2网络、U-Net网络、Res-U-Net网络分别在3 200张光伏板红外图像数据集上进行横向对比.结果表明:改进U-Net网络的PA值和MIoU值达到了0.993 1和0.980 2,均优于其他3种网络模型,且参数量只有U-Net网络和Res-U-Net网络的33.3%和30.4%,仅次于MobileNetV2网络.因此,改进U-Net网络具有较高的准确性和泛化性,能够完成光伏板图像分割任务.

地震绕射波弱信号U-net网络提取方法

绕射波携带大量小尺度非均匀地质体信息,对于提高地震勘探分辨率具有重要意义.绕射波能量远小于反射波,在地震记录中常被强反射波掩盖,因此分离并单独成像绕射波,为探测小尺度非均匀地质体的关键问题.传统绕射波分离方法受限于理论模型假设,对陡倾角反射波去除效果不佳,且易对绕射波造成损伤.基于经典编码-解码框架下的U-net网络和注意力机制,本文提出了一种绕射波智能分离方法,通过编码器自动提取地震数据中的绕射波特征,再由解码器恢复绕射波,从而隐性去除反射波.该方法作为端到端的机器学习,训练后的U-net网络可自适应地分离绕射波.本文通过数值模拟数据与实际数据构建训练数据集,利用训练后的U-net网络分离绕射波,并将结果偏移成像.数值模型测试和实际资料应用表明,融合了注意力机制的U-net网络能够有效压制反射波能量,保留绕射波动力学特征,克服了传统绕射波分离方法难以去除陡倾角反射的局限性,其提取的绕射波弱信号特征较为完整,能够进一步提高地震成像分辨率,在小尺度断裂刻画上具有优势.

基于U-Net网络的二维小波域地震数据随机噪声衰减

基于深度学习的地震数据噪声衰减方法比传统去噪方法更加高效,去噪结果具有更高的信噪比。现有基于深度学习的去噪方法通常在时空域对地震数据进行处理,但小波域中有效信号与噪声之间的特征差异更为明显,有利于网络训练学习及噪声衰减。利用二维小波域地震数据的稀疏性和多尺度性,联合二维离散小波变换与U-Net网络,提出了基于U-Net网络的二维小波域随机噪声衰减方法(Dwt-U-Net)。该方法先对地震数据进行二维离散小波变换,再以二维小波系数作为网络输入和输出进行网络训练,获得去噪后的小波系数,最后将该小波系数进行重构得到去噪结果。模拟数据和实际地震数据测试及与不同方法对比结果显示,在不同噪声水平情况下,Dwt-U-Net方法的去噪结果具有更高的信噪比和保真度。此外,相对于传统时空域U-Net网络去噪方法,Dwt-U-Net方法在提高信噪比的同时,网络训练时间减少一半左右。

深度U-Net网络在遥感山地冰川边界分割中的应用

冰川变化会对当地的气候环境、水资源环境产生重要影响,随着遥感技术的发展,通过遥感图像进行冰川提取成为相关研究的主要手段,相比于人工目视解释法会出现的耗时长、效率低、主观因素大等问题,深度学习有着一定的优势。该文基于传统U-Net语义分割网络进行冰川分割,但因受限于冰川训练集缺失,真彩色图像在冰川地区进行分割会有较大的干扰,无法凸显冰川的特征,冰川分割效率较低。因此,利用冰川的矢量数据,基于Landsat 8遥感卫星图像,建立成对的假彩色冰川分割训练集,充分利用遥感多波段图像的优势,强化冰川特征信息。同时,通过添加不同波段组合的假彩色图像,丰富冰川的分割信息,并利用Inception v1深度学习模块将两种特征信息进行融合,提升冰川分割的准确性。实验结果表明,所提方法可以有效分割出冰川范围,相比于其他深度学习方法,分割准确性有了一定的提高。

基于改进U-Net网络的肾脏肿瘤全自动分割

针对肾脏肿瘤大小、位置不确定以及传统U-Net网络全自动分割肾脏肿瘤时易出现过拟合等难题,提出一种改进的多尺度卷积和残差U-Net(MSR U-Net)的肾脏肿瘤全自动分割方法。一方面,在残差模块中加入跳跃连接使网络收敛得更快,缓解过拟合现象;另一方面,在多尺度卷积模块中采用3种不同尺寸的卷积核,增加网络的感受野,解决网络提取的肿瘤特征尺寸单一问题。使用KITS19数据库中90例患者的CT切片进行相关验证性实验,MSR U-Net方法获得了肾脏的Dice系数为0.976和肿瘤的Dice系数为0.836,表明MSR U-Net在全自动肾脏肿瘤分割任务中的可行性和有效性。

MRAU-net网络下的X光胸片肺野分割算法

为了解决U-net网络进行X光胸片肺野分割时,受限于特征提取能力不足导致分割结果不精确的问题,提出一种多尺度残差注意力U型网络(MRAU-net)模型.利用多尺度信息融合(MIF)模块,改善网络结构,增加对多尺度信息的获取;利用通道和空间双注意力(CSDA)模块,解决网络在有限算力下的信息过载问题.同时,对残差模块进行改进,并与U-net网络进行深度结合,提升网络的学习稳定性,缓解梯度消失和过拟合现象.实验结果表明:文中方法具有优秀的X光胸片肺野分割能力,能获得更精确的分割结果.

基于人机协同的FU-Net网络的CT影像肝脏自动分割

现有的医学图像器官分割方法不能很好地依肝脏形状、位置及大小的变化而进行适当的分割,当肝脏形态变化明显时,不能准确地将肝脏分割出来。鉴于此,文章在传统U-Net网络中加入了全局注意力模块,通过通道注意力和自我注意力增强了对肝脏的特征提取;并在自动分割的基础上进行了人机协同操作,对分割不好的部分增加数据量,有效提高了分割准确率。该模型在MIOU和MPA指标上分别达到了86.71%、92.58%。

基于U-Net网络的动漫草图生成方法

提出了一种基于U-Net网络的动漫草图生成方法,用于解决草图着色时难以获取成对的草图与RGB图的问题。该方法整体结构基于U-Net网络,通过添加残差块,有效利用了草图抽象信息和RGB图颜色信息,从而实现草图线稿的有效提取。实验结果表明,该方法在标准草图数据集上的FID值为74.56,超过了同类边缘提取方法40%,能够更好地提取草图,并且与人工绘制的草图风格接近。

基于U-Net网络的高分辨率遥感影像地理信息提取方法

针对使用传统方法提取边缘信息受到光线动态变化影响,导致提取完整度低的问题,本文提出了基于U-Net网络的高分辨率遥感影像地理信息提取方法,并构建了基于U-Net网络的提取模型,采用128 d特征矢量来表示特征点的信息,结合高斯法对特征向量进行加权处理,克服光线动态变化的影响,获取高分辨率遥感影像地理边缘特征描述子。利用Hough转换技术对目标轮廓进行了检测,确定地理信息区域轮廓。设定滑动视窗大小,分离出噪声,将地理边缘特征描述子合并,得到地理信息特征点集。结果表明,该方法提取完整度最高可达到99%,能够有效提取大部分的地理信息。

基于U-Net网络的成像测井图像修复方法研究

针对微电阻率成像测井图像部分缺失的问题,该文提出了一种基于改进U-Net卷积神经网络的修复方法。该方法使用了VGG16网络的预训练权重,对模型参数进行初始化;引入混合空洞卷积增大感受野来捕获多尺度缺失区域信息;并且通过在模型中引入双向注意力图模块,前向注意力图进行缺失区域权重的重加权,反向注意力图注重修复区域的质量提升。根据实验结果,测试集中五组缺失区域大小不同的成像测井图像的平均结构相似性度量为0.93,相比其他同类方法提升了0.25左右。研究表明,该方法可用于微电阻率成像测井图像的修复,并在语义结构连贯、纹理细节等方面有不错的提升,从而为保证对微电阻率成像测井图像后续解释的顺利推进提供了一种新的深度学习方法。

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作,在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来,数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中,本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先,对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集,并基于Parker正演理论对界面数据集进行重力异常正演计算,为深度学习网络模型的训练提供特征完备的数据源;其次,设计了基于U-net网络模型的深度学习界面反演算法,在传统的损失函数基础上增加光滑损失项和过拟合抑制项,提高重力界面反演结果的光滑性和收敛效率;最后通过测试样本集进行反演预测,验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性,基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.

基于改进U-net网络模型的综采工作面煤岩识别方法

煤岩识别是实现工作面智能化开采的核心技术,也是煤炭开采领域的技术难题。针对当前综采工作面煤岩识别精度低的问题,提出了一种基于改进U-net网络模型的煤岩图像识别方法。该方法通过使用深度分离卷积代替传统卷积减少了网络模型的参数,提高了语义分割的效率;添加Res2net模块来提高编码器提取特征的能力,同时加入条件随机场对分割图像进行后处理,提高了网络模型在分割煤岩图像交界区域的精确性。为了获取更加丰富的煤岩分布图像,研制了不同特性的煤岩试样,搭建了采煤机煤岩截割试验台。通过煤岩截割试验获取了煤岩分布图像数据,并对其进行切分、缩放、旋转、裁剪、加噪声等操作,生成了包含8000个样本的煤岩图像语义分割数据集,采用自适应学习算法对模型进行训练,给出了模型训练过程中准确率和损失函数的变化规律。选取像素准确度和交并比对语义分割结果进行评估,结果表明,改进U-net网络模型的像素准确度和交并比的平均值分别为95.81%和91.13%,所占内存为35 M,测试用时为36.45 ms/张,与其他网络模型相比,该方法在煤岩图像分割中具有明显的优越性。在井下现场试验中,通过构建综采工作面煤岩图像语义分割数据集对改进U-net网络模型进行训练和测试,最后实现了综采工作面的煤岩识别,验证了该方法的可行性和实用性。