一种用于视频对象分割的仿U形网络

在半监督的分割任务中,单镜头视频对象分割(OSVOS)方法根据第一帧的对象标记掩模进行引导,从视频画面中分离出后续帧中的前景对象。虽然取得了令人印象深刻的分割结果,但其不适用于前景对象外观变化显著或前景对象与背景外观相似的情形。针对这些问题,提出一种用于视频对象分割的仿U形网络结构。将注意力机制加入到此网络的编码器和解码器之间,以便在特征图之间建立关联来产生全局语义信息。同时,优化损失函数,进一步解决了类别间的不平衡问题,提高了模型的鲁棒性。此外,还将多尺度预测与全连接条件随机场(FC/Dense CRF)结合,提高了分割结果边缘的平滑度。在具有挑战性的DAVIS 2016数据集上进行了大量实验,此方法与其他最先进方法相比获得了具有竞争力的分割结果。

基于深度学习和模型集成的肺结节分割方法

针对CT图像中肺结节所占的比率比较小、特征复杂及分割精准度不高的难题,提出了一种基于深度学习和模型集成的肺结节分割方法。该方法在数据采样上,为解决胸部CT图像中存在的类别不平衡问题和避免模型对图像中肺结节位置的过度学习,提出了一种新的随机方向采样方式。首先,将采样图截成64*64的大小;然后,在对CT图像进行分割预测时采用步长为32的遍历预测叠加方式,来避免肺结节被遗漏的现象,以提升模型性能;在分割结果上,提出在卷积网络后连接条件随机场,通过结合肺结节相邻像素点的信息来优化分割的结果;在此基础上,创新性地将多种深度学习模型(U-Net、LinkNet和SegNet)的肺结节分割结果进行集成,从而进一步提升肺结节分割的精准度。在LIDC-IDRI肺结节公开数据库上的实验验证结果表明,该方法可以更有效地提高肺结节分割的精准度,更有助于提升医生对肺癌的诊治水平。

改进SegNet+CRF高分辨率遥感影像建筑物提取方法

将传统的语义分割SegNet网络用于高分辨率遥感影像的建筑物提取时,分割的建筑物存在边界模糊、精度较低、错检漏检等问题;为了解决上述问题,提出一种改进SegNet网络+CRF语义分割方法;编码阶段的最低分辨率层引入空洞金字塔池化模型(ASPP,atrous spatial pyramid pooling),通过并行的空洞卷积操作扩大特征提取的感受野;解码阶段构建特征金字塔(FPN,feature pyramid networks)实现特征多尺度融合,弥补上采样过程中丢失的特征信息;最后,预测图像送入全连接条件随机场模型(CRF,fully connected/dense CRF)进行后处理,优化提取的建筑物边缘;实验表明,相较于原SegNet网络,改进方法的建筑物提取像素精度、召回率、平均交并比分别提高了0.48%、1.29%、2.36%。

基于改进U-Net模型的航空影像建筑物变化检测

针对航空影像建筑物变化检测中存在的小目标变化类易被漏检和摄影倾角导致场景分割较为粗糙等问题,本文提出了一种基于改进U-Net模型的航空影像建筑物变化检测方法。首先,将注意力机制引入U-Net网络,从而放大变化类的像素特征来提高提取结果精度;其次,使用CRFs全连接条件随机场,对初步变化检测结果进行后处理,消除摄影倾角产生的阴影问题,优化建筑物边界轮廓。在WHU建筑物变化检测数据集上的实验结果表明,在引入注意力机制和CRFs全连接条件随机场后,建筑物变化检测结果的准确率、召回率、F1值和总体精度4项指标有了明显提升,分别达到0.884、0.870、0.950、0.859,均优于传统U-Net模型。

基于篇章的中文地名识别研究

该文介绍了以篇章为单位的中文地名识别方法和系统实现。地名识别包括简单地名识别和复杂地名识别两个阶段。简单地名识别由基于条件随机场的识别模块和基于篇章地名关系的识别模块顺序构成,以原始文本为输入,直接利用地名内部结构和相邻字信息进行地名识别和文本分词,然后利用篇章地名关系和地名性判断进一步处理。复杂地名识别以简单地名识别结果为输入,采用条件随机场识别。系统在封闭测试和开放测试中F-1值分别达到92.87%和89.76%。研究发现,在地名性判断中地名确信度低的字串对于地名识别干扰性较大,篇章地名关系能够在不降低识别精确度的情况下有效提高召回率,综合利用地名短距离和长距离依存关系可以有效提高地名识别效果。

基于层叠跳跃链条件随机场模型的因果关系标注

针对因果关系事件中对象、属性及其相互作用关系抽取工作的不足和因果关系中的长距离依赖问题,定义了创新问题的因果关系表达方式,提出了基于层叠跳跃链条件随机场的因果关系标注方法.首先通过低层线性链条件随机场模型对预处理过的候选集进行因果关系边界标注,其次对标注结果进行降噪和扩充,将其作为新的特征传递给高层跳跃链条件随机场模型用于识别因果角色,最后对高层结果进行指代消解和降噪.对多种类别的真实语料进行了实验,结果表明应用本方法可取得较好的标注效果.

融合去卷积与跳跃嵌套结构的显著性区域检测

针对深度学习的显著性区域检测方法大多存在的显著性图边界信息丢失、轮廓模糊等问题,提出将全局嵌套边缘检测(HED)模型迁移至显著性区域检测任务以增强边界检测,在其基础网络结构之上融入去卷积模块与跳跃嵌套结构,构建了面向显著性区域检测的HED-DSN模型.首先利用去卷积模块以乘积的方式结合底层与高层信息,然后利用跳跃嵌套结构以通道连接的方式将不同层次的特征进行融合,最后用全连接条件随机场对预测得到的显著性图进行优化.在MSRA-B, ECSSD, HKU-IS, SOD和DUT-OMRON共5个数据集上进行实验及模型评价,结果表明,HED-DSN模型在各数据集上均表现良好,不仅能准确地定位出显著性区域,且检测出的区域完整、边界清晰;在客观指标上,该模型的总体性能优于目前最好的DSS模型,且在SOD数据集上提高了近0.7%.

单幅图像训练深度神经网络的编辑传播方法

针对编辑传播技术中存在的需要选择合适图像特征、手动调整图像特征权重等问题,提出一种单幅图像训练深度神经网络的编辑传播方法.首先将用户交互转换成距离图并与输入图像级联生成多通道图像,有效地结合图像的视觉和空间特征;其次以多通道图像子块作为深度神经网络的输入,抽取符合用户交互的深度特征,并对深度神经网络进行端到端的训练,从而自动分配图像特征的权重;最后将学习的网络模型作为分类器,估计图像像素属于每类用户交互的概率值,进一步后处理获得高质量的图像编辑.采用MARA 1k数据的实验结果表明,该方法能够很好地响应用户交互以进行编辑传播.

特征融合型卷积神经网络的语义分割

语义分割是对图像中的不同目标进行像素级的分割和分类,是图像处理领域中的一项重要研究,应用十分广泛。深度卷积神经网络在近几年的机器视觉研究中取得了显著成效。针对密集预测的语义分割任务,提出了一种基于VGGNet网络的方法。该方法在深层特征图像中融合了浅层信息,且采用并行的不同采样率的空洞卷积进行特征提取与融合,更有效地提取不同层的特征和上下文信息,从而提高语义分割精度。采用全连接条件随机场优化图像边界,进一步提高语义分割的精度。该方法在PASCAL VOC 2012语义分割任务测试集中取得了71.3%mIOU的结果,优于之前基于VGGNet的主要经典方法。

基于改进的U-Net网络模型的气胸分割算法

X线胸片图像本身十分复杂,其组织对比度低,器官组织之间的边界形态不规则,再加上气胸病灶区域特征不明显,诊断严重依赖放射科医生的经验,传统分割算法常常需要人工干预,不能实现全自动分割病灶区域。针对以上问题,提出一种改进U-Net的网络模型算法,实现自动化分割气胸。该网络保持编解码体系结构,将U-Net编码器中的结构替换为ResNet结构,引入残差学习模块提高特征学习能力,解码器采用卷积和上采样将特征图恢复到原图像大小,编码器-解码器之间依旧采用U-Net结构的特征融合方式拼接。训练阶段为加快网络收敛速度调用ResNet50预训练参数,对模型预测的分割结果利用全连接条件随机场做图像后处理。实验结果表明,该算法有效提升了深度学习在处理气胸分割任务上的分割精度,Dice相似系数稳定在0.851,Jaccard系数稳定在0.769。

全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算

左心室射血分数是临床上用于衡量心脏健康的一项重要指标.为提高左心室分割和射血分数计算的精度,提出一种基于改进的全卷积神经网络和全连接条件随机场的方法.首先利用预训练的全卷积神经网络模型对心脏核磁共振影像进行左心室分割并输出概率图;之后采用3D全连接条件随机场对概率图进行后处理,完成像素级的精准密度预测;最后对左心室分割结果进行3D重建,并计算左心室舒张末期容积和收缩末期容积,进而计算出射血分数.实验结果表明,该方法能够实现左心室射血分数的精确且高效的计算,对左心室射血分数的平均预测误差为4.67%,各步骤耗时短.

一种改进的I-Unet网络的皮肤病图像分割算法

黑色素瘤是常见的皮肤癌,皮肤病图像分割在皮肤癌诊断过程中起到至关重要的作用。为了利用I.Unet深度神经网络强大的编码解码功能来自动分割出皮肤病病灶区域,文中提出一种改进的I.Unet网络的皮肤病图像分割算法。该方法采用空洞卷积扩大卷积感受野,利用类Inception和循环神经网络(RCNN)分别提取图像不同尺度的特征,并进行多尺度特征融合,运用全连接条件随机场(CRF)进行图像后处理。结果表明,所提算法在皮肤病图像分割中取得了良好的效果,算法的Jaccard系数达到了0.780,Dice系数稳定在0.871;与同类最佳研究结果相比,Jaccard系数及Dice系数分别提高了1.5%,2.2%,表明该方法有效提升了网络图像分割的性能。

基于深度学习模型的遥感图像分割方法

利用遥感图像快速准确地检测地物信息是当前的研究热点。针对遥感图像地表物的传统人工目视解译分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题,提出一种基于改进的U-net架构与全连接条件随机场的图像分割算法。首先,融合VGG16和U-net构建新的网络模型,以有效提取具有高背景复杂度的遥感图像特征;然后,通过选取适当的激活函数和卷积方式,在提高图像分割准确率的同时显著降低模型预测时间;最后,在保证分割精度的基础上,使用全连接条件随机场进一步优化分割结果,以获得更加细致的分割边缘。在ISPRS提供的标准数据集Potsdam上进行的仿真测试表明,相较于U-net,所提算法的准确率、召回率和均交并比(MIoU)分别提升了15.06个百分点、29.11个百分点和0.3662,平均绝对误差(MAE)降低了0.02892。实验结果验证了该算法具备有效性和鲁棒性,是一种有效的遥感图像地表物提取算法。

基于深度语义分割的遥感图像海面舰船检测研究

针对在复杂海况下,遥感图像舰船检测容易受到海杂波、薄云、海岛等影响,导致检测结果可靠性低的问题,引入了端对端的深度语义分割方法,将深度卷积神经网络与全连接条件随机场结合。以ResNet架构为基础,首先将遥感图像经过深度卷积神经网络作为输入,对图像进行粗分割,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理建立条件随机场为递归神经网络作为输出,从而实现了端对端的连接。所提方法在Google Earth和NWPU-RESISC45建立的数据集上与其他模型进行对比,实验表明,所提方法提高了目标检测精度以及捕获图片精细细节的能力,平均交并比为83.2%,相对于其他模型具有明显优势,且运行速度快,满足遥感图像海面舰船检测的需求。

CRF 3D-UNet肺结节分割网络

为提高计算机辅助诊断系统(computer-aided diagnosis,CAD)对肺结节的正确检出率,经过实验,提出融合3D-UNet和全连接条件随机场方法(fully connected conditional random fields)的网络模型,简称CRF 3D-UNet网络,对肺结节进行分割。前端使用3D-UNet网络结构,整合结节的空间信息和上下文信息提取不同分辨率级别的特征,对结节实现粗略分割;后面框架使用全连接条件随机场技术,随机场中考虑像素之间的关联性,编码像素的手工特征对前端的输出进行优化,实现结节的细分割。实验结果表明,该算法有效提高了肺结节分割的准确率,使得分割精度达到93.25%。

基于全连接条件随机场模型的眼底图像血管分割

大多数身体疾病都可引起眼底图像中血管形状和结构的改变,对眼底图像中血管的有效分割有助于各种疾病的早期发现、诊断和治疗。利用眼底图像分割过程中远距离像素之间会存在相互作用的特点,提出一种基于全连接条件随机场模型的眼底图像血管分割方法。该方法通过计算图像中与目标像素距离较远的像素之间的相互作用,增强了对细长结构连接性的检测能力。将原本用于大面积分割事物的方法成功运用到眼底图像的具有细长结构的血管分割上。采用不同的支持向量机实现对不同像素进行分类及相关参数的自动调节。使用与现有大多数血管分割方法共用的DRIVE和HRF数据库进行测试,结果表明该分割方法有效解决了细小血管处连续性较差、血管融合、断裂等问题。与现有的一些分割方法相比,此法更适合于分割细长结构,对血管的分割效果更接近于专家的手动分割结果,且在灵敏性、特异性等方面都有较大改善。

焦炭显微光学组织自动检测与提取方法研究

焦炭显微光学组织结构测定是一种重要的焦炭质量评价方式,针对焦炭显微图像边缘模糊对比度低且存在光晕伪影等问题,设计一种基于语义分割和全连接条件随机场的焦炭显微光学组织自动检测与提取方法。首先,利用偏光显微镜、工业相机和上位机等搭建焦炭显微光学组织测定平台;其次,利用残差模块和注意力模块改进Unet网络模型,加强显微光学组织区域的输出权重,实现对焦炭光学组织的自动检测与分割;最后,使用全连接条件随机场对显微光学组织的空间特性进行建模,细化分割边缘,精确提取焦炭显微光学组织。实验结果表明,所提方法的精确度、召回率、F1分数和准确率分别达到了0.967、0.959、0.963、0.965,优于其他对比语义分割网络,证明该方法具有较高的分割性能,能够实现对焦炭显微光学组织的自动检测与提取。

基于FCN的图像中文字目标语义分割

本文提出一种基于全卷积神经网络的图像中文字目标语义分割算法和一种新的数据集制作与增广方法.该算法首先采用改进全卷积神经网络对图像中的文字目标进行初步分割,然后利用大津法进行二值化处理,划分出目标的大致区域,最后用全连接条件随机场算法进行修正,得到最终结果.该算法在测试集上准确率为85.7%,速度为0.181秒/幅,为图像目标区域的进一步分析做准备.

深度学习图像分割算法在胃癌病理切片中的可行性分析

目的采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别。方法以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net(DU-Net)。采用区域重叠分割法将数据集分割成若干小块图片,然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割,并使用图片分类器清除假阳性样本,重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练,将得到的结果应用全连接条件随机场(CRF)进行后续处理。最终得到胃癌分割图片并验证结果。结果经过3次重复学习后,DU-Net网络模型的平均精度为91.5%,平均交叉联合度量(IoU)为88.4%;相比于未经重复学习的基础DU-Net模型,其平均精度提升了5.6%,平均IoU提升了2.9%。结论基于深度学习的胃癌病理切片分割算法实现了精准的分割,提高了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。

结合改进PSPNet与ConvCRF的遥感影像分割方法

针对现有基于深度学习的遥感影像分割方法难以充分考虑像素之间关系,而全连接条件随机场(fully connected conditional random fields,FullCRF)后处理效率低下且难以训练的问题,提出了结合改进金字塔场景解析网络(pyramid scene parsing network,PSPNet)算法与卷积条件随机场(convolutional condition random fields,ConvCRF)的方法。首先,在PSPNet中采用更加密集连接的DenseNet网络,并在高低层特征融合部分将原有的连接CNN网络末端特征图方式改为连接第三个dense模块。其次,在改进PSPNet基础上,设计与ConvCRF的集成方法,通过引入两个损失函数,设计两步法训练方式,实现了集成模型的端对端训练。最后,进行某区域无人机遥感影像4类要素分割及马萨诸塞州航空遥感影像道路分割试验。结果表明,改进PSPNet在无人机影像分割试验中MIoU(mean intersection over union)提升0.25%,总体精度提升0.47%;结合ConvCRF处理模块后,MIoU可进一步提升0.94%,总体精度进一步提升0.47%,单幅图像计算时间仅增加79 ms,且精度优于FullCRF,时间开销仅为FullCRF的35%,在马萨诸塞州道路分割试验中,本方法较其他精度更优。