基于DeepLab V3+深度神经网络的结直肠息肉内镜图像分割

目的:基于深度神经网络DeepLab V3+建立结直肠息肉内镜图像语义分割模型。方法:选取Hyper-Kvasir数据库1000张、苏州大学附属第一医院500张结直肠息肉内镜图像,分为训练集(n=1200)和验证集(n=300),同时收集江苏大学附属金坛医院肠息肉图像作为测试集(n=220)。对内镜图像进行分割标记,载入以DeepLab V3+为框架的深度神经网络中训练,建立语义分割模型。结果:在内部验证集中,该模型的准确性(ACC)达97.2%,平均交并比(MIoU)达85.8%,Dice系数达0.924。在外部测试集中,ACC达98.0%,MIoU达80.1%,Dice系数达0.890。结论:基于DeepLab V3+深度神经网络,构建结直肠息肉内镜图像的语义分割模型,具有良好的预测性能,可作为检测结直肠息肉的有效工具。

基于改进Deeplab V3+网络的水工混凝土裂缝语义分割方法

为实现水工混凝土裂缝快速而准确的检测,提出了一种基于改进Deeplab V3+网络的水工混凝土裂缝语义分割方法。该方法采用Mobilenetv2网络替换原主干网络,将空洞卷积金字塔池化模块(ASPP)的空洞卷积替换为空洞深度可分离卷积,以提升运算速度,降低深层特征下采样倍数以减少语义信息丢失。实例验证结果表明:本文方法帧率达到51.11帧/s,较原网络提高了23.33帧/s,推理速度大幅提升;平均交并比和平均像素精度分别达到89.45和95.19,分割精度高;针对典型混凝土裂缝的分割效果也优于比较方法,泛化能力较强。

基于改进CBAM-DeepLab V3+的苹果种植面积提取

为提高苹果种植区域的提取精度,提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看,采用基于时序的时空融合算法ESTARFM,通过融合Sentinel-2和MODIS的遥感影像数据,实现更高空间分辨率和时间分辨率数据的获取。与此同时,将训练样本从原始的800幅扩充至2400幅,为后续语义分割模型提供更为充足的样本容量。在语义分割模型优化方面,为了进一步提高苹果种植面积的提取精度,以DeepLab V3+网络结构模型为基础,引入基于通道和空间的CBAM注意力机制,进而发展出CBAM-DeepLab V3+模型。与原始DeepLab V3+模型相比,加入CBAM注意力机制的CBAM-DeepLab V3+模型在拟合速度较慢、边缘目标分割不精确、大尺度目标分割内部不一致和存在孔洞等缺陷方面实现了突破,这些改进提高了模型的训练与预测性能。本研究采用原始Sentinel-2影像及时空融合后的影像数据集,结合烟台市牟平区王格庄镇的数据集和观水镇苹果数据集对U-Net、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型进行对比,研究发现在苹果种植面积提取方面,CBAM-DeepLab V3+优化模型所取得的MIoU为84.6%,苹果种植面积提取准确率达90.4%。U-Net、FCN和DeepLab V3+模型的MIoU分别为79.2%、75%、81.2%。此外,该模型预测的烟台市牟平区王格庄镇苹果种植面积为3433.33 hm^(2),与烟台市国民经济和社会发展统计公报公布的3666.66 hm^(2)相比,误差为233.33 hm^(2),预测准确率高达93.64%。

基于改进DeepLab-v3+的火星地形分割算法

准确的地形分割有助于星球巡视器执行地形可通过性判断、自主路径规划等任务,从而保证巡视器探测任务的顺利进行.针对当前火星地形分割任务难度高、巡视器计算资源有限的问题,基于DeepLab-v3+网络结构提出一种轻量化的语义分割网络.该网络以MobileNetV2为骨干网络,利用密集连接的方式优化空洞空间金字塔池化(ASPP)模块,进一步扩大了空洞卷积的感受野;融入最新提出的坐标注意力机制(CA),增强了网络的特征提取能力.利用AI4Mars公开数据集对CA-DeepLab-v3+网络进行验证,表明算法在土壤、基岩、沙地和大岩石4种地形的召回率分别达到91%、92%、89%和75%.

基于DeepLabV3+的遥感图像语义分割方法

遥感图像语义分割在农业、建筑物监测、城市规划等领域发挥着重要的作用,但传统的提取方法无法满足大规模生产且效率低下。针对该问题本文提出一种基于DeepLabV3+的遥感图像语义分割方法。首先,通过对原始数据变换生成多样化的训练数据集;然后,与FCN、U-Net、PSPNet三种语义分割方法比较。实验结果表明,本文方法在总体精度、准确率、交并比指标都达到最优,可实现遥感图像有效的提取,该研究可为遥感图像自动提取提供一定参考。

DeepLab V3+网络在遥感影像中城市水体的提取方法

针对目前高分辨率卫星影像水体提取分割尺度失真、边界不完整、低反射率地物错提等问题,采用了一种DeepLab V3+网络模型的水体语义分割的方法.该方法考虑下采样提取特征过程中损失的遥感影像细节特征,通过深度卷积神经网络模块(Deep convolution neural network,DCNN)和空洞空间金字塔池化模块(Atrous spatial pyramid pooling,ASPP),提高分割精度且能够适应不同尺度遥感影像的水体提取.利用高分二号遥感影像制作的国内多个地区水体数据集上的实验结果表明,该方法能够更完整提取遥感影像中的水体信息,在测试集上像素精度(Pixel Accuracy,PA)达到了91.07%,交并比(intersection over union,IoU)达到了71.33%,明显优于经典的全卷积网络(fully convolutional networks,FCN)和U-Net网络,这说明DeepLab V3+网络能够明显改善城市水体在高分辨率遥感影像的语义分割精度.

基于改进DeepLab V3+的果园场景多类别分割方法

果园环境实时检测是保证果园喷雾机器人精准作业的重要前提。本文提出了一种基于改进DeepLab V3+语义分割模型的果园场景多类别分割方法。为了在果园喷雾机器人上部署,使用轻量化MobileNet V2网络替代原有的Xception网络以减少网络参数,并在空洞空间金字塔池化(Atrous spatial pyramid pooling, ASPP)模块中运用ReLU6激活函数减少部署在移动设备的精度损失,此外结合混合扩张卷积(Hybrid dilated convolution, HDC),以混合扩张卷积替代原有网络中的空洞卷积,将ASPP中的扩张率设为互质以减少空洞卷积的网格效应。使用视觉传感器采集果园场景RGB图像,选取果树、人、天空等8类常见的目标制作了数据集,并在该数据集上基于Pytorch对改进前后的DeepLab V3+进行训练、验证和测试。结果表明,改进后DeepLab V3+模型的平均像素精度、平均交并比分别达到62.81%和56.64%,比改进前分别提升5.52、8.75个百分点。模型参数量较改进前压缩88.67%,单幅图像分割时间为0.08 s,与原模型相比减少0.09 s。尤其是对树的分割精度达到95.61%,比改进前提高1.31个百分点。该方法可为喷雾机器人精准施药和安全作业提供有效决策,具有实用性。

使用九点双三次卷积插值方法改进的Deep Lab-v3模型

针对Deep Lab-v3模型中双线性插值方法只能从邻近的四个抽样点提取信息,导致图像分割的精确度下降问题,提出两个改进的Deep Lab-v3模型,即IDL-v3-1(improved Deep Lab-v3-1 model)和IDL-v3-2(improved Deep Lab-v3-2 model)。两个改进的模型使用九点双三次卷积插值方法替换Deep Lab-v3模型的双线性插值方法,以获得更精确的分割图像。在PASCAL VOC 2012数据集上检验发现,与Deep Lab-v3模型相比,IDL-v3-1和IDLv3-2的精确度分别提升了0.43%和0.59%,分割每张图像的耗时量分别增加了0.002 s和0.005 s。实验结果表明,改进的Deep Lab-v3模型可以在与Deep Lab-v3模型相近的时间成本内达到更高的图像分割精度。

基于MHSA+DeepLab v3+的无人机遥感影像小麦倒伏检测

倒伏是影响小麦产量和质量的重要因素之一,及时准确获取倒伏信息有利于小麦良种选育中的倒伏损失鉴定。本文以小麦灌浆期和成熟期两个生长阶段的可见光无人机遥感影像为依据,构建多生长阶段小麦倒伏数据集,通过在DeepLab v3+模型中添加不同的注意力模块进行比较分析,提出一种基于多头自注意力(MHSA)的DeepLab v3+小麦倒伏检测模型。试验结果表明,提出的MHSA+DeepLab v3+模型的平均像素精度(Mean pixel accuracy,mPA)和均交并比(Mean intersection over union,mIoU),灌浆期分别为93.09%和87.54%,成熟期分别为93.36%和87.49%。与代表性的SegNet、PSPNet和DeepLab v3+模型相比,在灌浆期mPA提高了25.45、7.54、1.82个百分点和mIoU提高了36.15、11.37、2.49个百分点,在成熟期mPA提高了15.05、6.32、0.74个百分点,mIoU提高了23.36、9.82、0.95个百分点。其次,相比于CBAM和SimAM两种注意力模块,在灌浆期及成熟期基于多头自注意力的DeepLab v3+表现均为最优,在灌浆期其mPA和mIoU分别提高了1.6、2.07个百分点和1.7、2.45个百分点,成熟期提高了0.27、0.11个百分点和0.26、0.15个百分点。研究表明提出的改进的DeepLab v3+模型能够有效地捕获灌浆期和成熟期的无人机小麦遥感图像中的倒伏特征,准确识别不同生育期的倒伏区域,具有良好的适用性,为利用无人机遥感技术鉴定小麦倒伏灾害等级和良种选育等提供了参考。

基于DeepLab v3的西藏地区降雨云团分割方法

针对高原地区数值预测法建模复杂,雷达回波外推法易产生累积误差且模型参数难以设置的问题,提出了一种基于改进DeepLab v3网络模型的西藏地区降雨云团的分割方法。首先,通过编码网络中的卷积层和残差模块进行下采样;然后,利用空洞卷积构建多尺度采样模块,并且加入注意力机制模块提取深层高维特征;最后,通过解码网络利用反卷积恢复特征图分辨率。将所提方法与谷歌语义分割网络DeepLab v3等模型在验证集上进行比较,实验结果表明所提方法具有更好的分割性能与泛化能力,其降雨云团分割结果更为准确,平均交并比(Miou)达到0.95,与原始DeepLab v3相比提高了15.54个百分点。在小目标上和非平衡数据集上,该方法可以更准确地分割出降雨云团,为降雨云团监测预警提供参考。

基于多尺度特征融合的轻量化道路提取模型

针对当前用于遥感图像道路提取领域的语义模型存在计算复杂度较高、道路提取效果不佳的问题,提出基于多尺度特征融合的轻量化道路提取模型(MFL-DeepLab V3+).为了减少模型参数量并降低模型的计算复杂度,骨干网络选用轻量化Mobilenet V2网络代替原模型的Xception网络,在空洞空间金字塔池化(ASPP)模块中引入深度可分离卷积.为了增强模型的道路提取能力,优化对细小路段的提取效果,在解码区提出联合注意力的多尺度特征融合(MFFA).基于Massachusetts roads数据集的各项实验表明,MFL-DeepLab V3+模型的参数规模显著降低,较原模型参数量压缩了88.67%,道路提取图像完整,边缘清晰,精确率、召回率和F1分数分别达到88.45%、86.41%和87.42%,与其他模型相比取得了更好的提取效果.

基于DeepLab v3+的葡萄叶片分割算法

为解决自然光照环境下复杂背景葡萄叶片图像的自动分割问题,使用一种DeepLab v3+语义分割算法,完成对葡萄叶片分割。该算法采用ResNet 101作为主干网络进行特征抽取;采用空洞卷积和编码模块进行多尺度特征融合,将ResNet的中间信息和编码模块的特征组合作为解码输入;采用上采样的方式进行尺度还原,得到语义分割结果。采用Cityscapes的预训练模型,将300张不同环境下、不同类型的葡萄叶片照片作为训练集,以数据增强的方式进行数据扩容,提高模型的鲁棒性和泛化能力。试验结果证明:本方法有较好的分割效果,在数据增强的方式下精确度(ACC)平均值为98.6%,较全卷积神经网络提高7.3%。对不同类型葡萄叶片分割精确度(ACC)值均高于97%,最高可达98.8%,平均交并比(mIOU)值均高于94%,最高可达97.1%。本算法能够较精准地分割自然光照条件下的葡萄叶片图像,可为后续的病害检测和病斑提取提供参考。

基于改进Deeplab v3+的服装图像分割网络

在服装图像分割领域,现有算法存在服装边缘分割粗糙、分割精度差和服装深层语义特征提取不够充分等问题。将Coordinate Attention机制和语义特征增强模块(SFEM)嵌入到语义分割性能较好的Deeplab v3+网络,设计一种用于服装图像分割领域的CA_SFEM_Deeplab v3+网络。为了加强服装图像有效特征的学习,在Deeplab v3+网络的主干网络resnet101中嵌入Coordinate Attention机制,并将经过带空洞卷积池化金字塔网络的特征图输入到语义特征增强模块中进行特征增强处理,从而提高分割的准确率。实验结果表明,CA_SFEM_Deeplab v3+网络在DeepFashion2数据集上的平均交并比与平均像素准确率分别为0.557、0.671,相较于Deeplab v3+网络分别提高2.1%、2.3%,其所得分割服装轮廓更为精细,具有较好的分割性能。

一种改进的DeepLab V3+的医学图像分割方法

医学图像分割是疾病诊断任务中的关键技术,针对现常用的图像分割网络存在对小物体预测不准以及因局部信息丢失产生网格伪像等问题,设计了一种基于注意机制的DeepLab V3+图像分割方法。在编码(Encoder)部分添加YOLOv5网络中Focus+CBL+CSP的级联式特征提取模块,增强网络能力,同时在Encoder和解码(Decoder)网络加入瓶颈注意力机制,增加目标权重,优化特征提取,获取更多的细节、纹理信息。实验结果证明,该方法优于其他分割方法,改进后的模型在像素准确率比DeepLab V3+提高了0.82%,平均交并比(MIoU)上提高0.99%,改进后的模型提高了小目标组织特征提取的能力,实现了更高精度分割。

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题,提出一种基于深度卷积网络(DeepLab v3+)的输电导线图像识别方法。首先,采用DeepLab v3+网络模型,实现导线的初步识别。通过多层卷积自动学习导线特征,并通过解码器结构融合导线低层的细节特征与高层的语义特征,较好地实现导线像素分割。然后,针对识别结果中存在的断裂和伪导线问题,采用改进的最小点对法和长度阈值法进一步精细化处理。最后,采用八方向搜索法提取每一条导线并编号。实验结果表明,所提方法能很好地提取出输电线路图像中的导线。

基于DeepLab V3模型的图像语义分割速度优化研究

为了解决移动端视觉感知模块的内存资源和硬件条件不适应卷积神经网络的快速应用等问题。以经典的DeepLab V3模型为基础,在保证分割精度的前提下,以优化卷积神经网络模型的运行速度为目标,提出一种新的轻量化网络结构。所设计的网络结构将原有非线性激活函数替换成新的Swish激活函数进行精度补偿,采用改进后的轻量化MobileNet V2结构替代DeepLab V3原有的特征提取器。实验结果表明,改进的DeepLab V3网络模型和目前精度最高的DeepLab V3+算法相比,其在维持一定精度的前提下,参数量和计算复杂度大大减小,运行速度明显提升,模型内存占用率下降了近96%,综合性能更强,更适合对分割性能要求较高的快速分割网络。

基于改进Deeplab V3+网络的语义分割

深度学习的语义分割在计算机视觉领域中有非常广阔的发展前景,但许多分割效果较好网络模型占用内存大和处理单张图片耗时长.针对这个问题,把Deeplab V3+模型的骨干网(ResNet101)的瓶颈单元设计为1D非瓶颈单元,且对空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)的卷积层进行分解.该算法能大幅度降低Deeplab V3+网络的参数量,提高网络推理速度.基于PASCAL VOC 2012数据集进行对比实验,实验结果显示改进网络模型拥有更快的处理速度和更优的分割效果,且消耗更少的内存.

基于DeepLab V3+改进的图像语义分割模型

针对DeepLab V3+模型的解码器部分对于特征图的多尺度连接不够充分,会使最终的语义分割图的分割精细度较低的问题本文在DeepLab V3+模型的编码器部分增加输出一个中级语义特征图,在解码器部分对所得的特征图进行了 concat融合,进而提高了分割精度。在公开数据集上进行验证实验结果表明改进的DeepLab V3+模型的平均交并比相比于原模型提高了0.76%。

基于Deeplab v3+的高分辨率遥感影像地物分类研究

采用Deeplab v3+语义分割网络模型开展了高精度地物分类研究,并与FCN、UNet、SegNet等网络模型对比分析,结果表明Deeplab v3+提取的耕地、植被、建筑用地、道路、水系等地物图斑,其分类总体精度与Kappa系数在各项指标上均优于FCN、UNet、SegNet。此外,Deeplab v3+在路网道路、建筑物等线性特征显著、形状或边界变化剧烈的地物目标上,对图像纹理及空间几何特征的识别,都具有更高的有效性和适用性。

基于DeepLab V3+的手术器械语义分割算法

为了提高手术器械语义分割识别算法的分割准确率和分割速率,使其更适应实际应用,本文对DeepLab V3+网络进行优化改进,在ASPP模块将3×3空洞卷积分解成3×1和1×3的空洞卷积,减少冗余参数,在解码端使用深度可分离卷积替代普通卷积,减少信息丢失,保留更多边缘特征。实验结果表明,改进后的网络能实现对手术器械的准确分割,且满足实时性要求,可以应用于手术器械管理系统。