TUnet:基于U型结构深度学习模型皮肤病图像分割研究

针对UNet结构中卷积运算对全局特征信息不敏感且无法获取图像中的长距离依赖关系的问题,本文提出了一种基于U型结构的医学图像分割模型,该方法采用变形模块(Transformer Block)和跳连接的方法,既能提取图像中的全局特征信息和局部特征信息又能获取图像中的长距离依赖关系.通过上下采样的方式对空间特征图的分辨率进行改变和恢复.跳连接对多尺度特征信息进行融合进一步整合数据中的信息.本文在ISIC2017数据集上的实验证明了本文提出的TUnet模型的雅卡尔系数相较于现有的一些先进医学图像分割模型均有提升,达到了0.7558.验证了模型中变形模块的添加使得图像中长距离依赖关系得到了提取,模型存在较好的应用前景.

一种低比特率变化的高容量HEVC视频数据隐藏方法

适用于高效视频编码(High Efficiency Video Coding,HEVC)视频的数据隐藏方案相对较少,现有方案大多无法充分利用所有类型视频帧,并且存在嵌入容量不高或载密视频流比特率增加较大等问题.文中提出了一种HEVC视频数据隐藏方法,利用HEVC视频新的编码元素实现在不同类型视频帧中的数据嵌入.该方法主要包括三种嵌入模式:修改编码树单元的样值自适应补偿值(Sample Adaptive Offset,SAO)、交换16×16、8×8和4×4编码单元中的残差系数以及改变4×4变换跳过块的符号位.实验结果表明,所提出的方法具有较好的嵌入不可感知性和较高的嵌入容量,并对视频流比特率影响很小.与最近提出的方案相比,载密视频具有更高的视觉质量和更小的比特率增加.