改进UNet++的遥感影像森林变化检测方法

针对森林覆盖变化检测任务,现有的基于深度学习模型存在结构复杂且忽视光谱与空间协同关系的问题,导致检测效果并不理想。为了解决这个问题,本研究提出一种结合多尺度空间解耦卷积(MSDConv)和空-谱特征协同策略(SSFC)的改进UNet++轻量级森林覆盖变化检测方法。首先,基于UNet++网络构建一个非权重共享伪孪生网络,增加少量参数便能实现更好的特征提取,采用MSDConv模块捕捉变化对象的多尺度特征,减少信息冗余和参数计算;其次,在MSDConv中引入SSFC,获取空间和谱间的三维注意力权重且不增加额外参数,使得MSDConv获取更丰富的边缘和细节特征;最后,使用6种植被指数增强森林覆盖变化特征。结果表明,本研究提出的模型森林覆盖变化检测精度、召回率和F1分数分别为93.12%,93.62%和93.37%,模型参数量和计算量分别为6.28 MB和11.25 GB。与原始Sami-UNet++方法对比,本研究提出的模型准确率、召回率和F1分数仅分别下降1.41%、1.66%和1.53%,但参数量与计算量分别降低5.76 MB和16.19 GB。本研究提出的模型显著提高了森林覆盖变化检测任务的检测效率,对于需要处理大量图像数据的森林覆盖变化检测任务具有重要的意义,可为森林灾害的评估以及森林资源的保护提供技术手段。

LRAE-Unet:轻量级MRI脑肿瘤全自动分割网络

提出一种轻量级脑肿瘤全自动分割网络,即轻量级残差注意力增强网络(LRAE-Unet)。首先采用轻量级残差模块解决网络层数增加时出现的梯度消失和网络退化问题;其次采用轻量级自注意力模块抑制输入图像中的不相关区域,同时突出特定局部区域的显著特征;最后通过增强视野平均池化模块减少特征图的空间,节省计算资源,控制网络过拟合现象。在BraTS 2019数据集的测试结果显示LRAE-Unet在完整肿瘤、肿瘤核心与增强肿瘤区域的Dice相似系数为91.24%、88.64%与88.32%,证明使用LRAE-Unet进行脑瘤分割具有可行性与有效性。

MAUNet:用于皮肤病变分割的轻量级模型

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割。该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征。以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类。与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18%和1.28%,同时参数量和计算复杂度仅为基线模型的2.1%和0.58%。实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平。

基于多尺度串联空洞卷积的轻量化UNet香蕉图像分割

针对香蕉果串识别系统中传统的UNet网络存在实时性差、参数量多、下采样后丢失空间信息等问题,该研究提出基于UNet模型的轻量化分割网络,构造一个轻量级的主干特征提取模块,在降低模型参数量和计算量的同时增强网络提取特征的能力,使用膨胀率为[2,1,2]锯齿波形的多尺度串联空洞卷积组合在增大感受野的同时保持对细节的敏感度。该研究算法在自建香蕉果串数据集上的试验结果表明,网络参数量为0.45 M时,香蕉果串识别分割速度可达41.0帧/s,平均像素分类准确率为97.32%、交并比为92.57%。相比于其他模型具有准确率高、参数量小等优点,能够较好地实现精度和速度的均衡。该算法对自然种植环境下的香蕉果串具有良好的识别效果,可为智能化香蕉采摘等应用提供视觉识别技术支持。

基于轻量级Unet架构的UWF图像的凹陷深度检测方法

凹陷深度检测是UWF图像处理的关键,但是当前UWF图像的凹陷深度检测存在缺陷,在实际中检测误差比较大,检测结果置信水平比较低,无法到达预期的检测效果。因此,本文提出基于轻量级Unet架构的UWF图像的凹陷深度检测方法。采用各向异性滤波法对UWF图像进行平滑处理,利用轻量级Unet架构对UWF图像进行语义分割,提取UWF图像凹陷区域,根据图像灰度与深度的线性关系计算UWF图像的凹陷深度,实现基于轻量级Unet架构的UWF图像的凹陷深度检测。实验证明,应用本文方法,UWF图像的凹陷深度检测误差得到了有效降低,置信水平得到了明显提升,轻量级Unet架构在UWF图像的凹陷深度检测领域具有良好的应用前景。

轻量化网络模型实现相位的快速解缠绕

针对深度神经网络参数量大、严重消耗硬件运算资源的问题,提出一种改进型的UNet相位图像解缠绕的轻量化网络模型(G-UNet).该网络利用Ghost卷积构建GhostBlock模块,实现不同卷积层间的线性变换,再由GhostBlock构建多层的G-UNet网络,该算法有效地减小网络模型的总参数量,与传统UNet相比,G-UNet浮点计算量大幅减少.实验基于不同回波时间下仿真人脑的磁共振相位图,以UNet和传统相位解缠绕拉普拉斯算法作为对比算法,结果表明,提出的加速算法不仅可有效地进行相位解缠绕,获得与UNet相近且高于拉普拉斯算法的峰值信噪比和结构相似度,同时参数量及浮点计算量较UNet减少了近80%.

基于深度学习的商用车前轴结构拓扑优化应用

汽车轻量化是促进节能减排最重要的手段之一。前轴作为商用车的簧下零部件,轻量化设计的节能减排效果尤为明显,对提升整车的市场竞争力具有重要意义。以商用车前轴为对象,利用深度学习技术进行拓扑优化,实现轻量化设计。首先,确定前轴轻量化设计目标,并借助Optistruct平台进行拓扑优化可行性分析;然后,基于Unet网络,构建适用于多工况输入的Res-CB-Unet卷积神经网络;接着,考虑前轴载荷、尺寸变化,以静力学分析结果构建网络输入数据集,以对应的拓扑构型构建标签数据集;最后,采用Adam算法训练得到用于预测前轴拓扑构型的网络模型。算例模型评估结果表明,提出的方法能够快速有效地生成前轴的拓扑构型,可获得比传统拓扑结果更优的构型,计算效率显著提升。该方法可为汽车典型结构的快速轻量化设计提供技术支持和实施路径。

L-UNet:轻量化云遮挡道路提取网络

目的道路提取是常见的遥感应用之一。现有的基于深度卷积网络的道路提取方法往往未考虑云遮挡给道路提取带来的影响,且提取网络模型较大,不利于在移动端部署,同时缺乏用于云遮挡场景下的道路提取数据集。对此,本文提出一种轻量化的UNet网络(lightweight UNet,L-UNet),高效地实现云遮挡下的道路提取。方法通过柏林噪声模拟云层以扩展现有道路提取数据集,进而训练L-UNet。使用移动翻转瓶颈卷积模块作为特征提取的主要结构,在深度可分离卷积的基础上加入扩展卷积和压缩激励模块,在减少参数量的同时大幅提升了分割效果。结果在DeepGlobe道路提取扩展数据集的测试中,与D-LinkNet相比,L-UNet的交并比(intersection over union,IoU)提升了1.97%,而参数量仅为D-LinkNet的1/5。在真实云遮挡遥感图像道路提取测试中,L-UNet的性能仍然最优,与D-LinkNet和UNet相比,IoU值分别提高19.47%和31.87%。结论L-UNet网络具有一定的云遮挡区域下道路标签生成能力,虽然在模拟云遮挡数据集下训练得到,但对于真实云遮挡仍具有较强的鲁棒性。L-UNet模型参数量很小,易于嵌入移动端。