基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊,与图像背景难以区分的问题,采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位,抑制无关信息,提高语义的特征表达,提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习,交叉熵与Dice损失相结合作为损失函数,分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证;并与Otsu, PSPnet, Segnet, DeeplabV3+, U-Net进行对比,结果表明, 本文方法在各项指标上均优于其他分割方法.     

基于深度学习的页岩地质露头裂缝特征自动识别

针对页岩层理构造发育、裂缝细小的特点,提出了一种基于UU-Net(multi-path U-shaped network)深度学习模型的页岩露头裂缝自动识别深度学习模型.首先,对裂缝图像数据集进行手工标注和二值化预处理;然后,将数据集分为训练集和测试集,通过参数优化迭代对模型进行训练和验证,得到精度符合要求的露头多尺度裂缝识别模型;最后,将该模型应用于四川盆地页岩露头图像和岩石薄片图像上分别进行不同尺度的裂缝提取,并定量统计裂缝的长度和倾角信息.实际应用结果表明:相比于手工标注,深度学习裂缝识别效率明显提高;大尺度裂缝识别准确率达到98％,中小尺度裂缝识别准确率约为96％,微裂缝识别准确率约为94％;训练的模型可以应用于其他区块页岩露头或岩石薄片图像的多尺度裂缝识别中,模型具有较好的泛化能力.     

基于注意力机制与改进U-Net网络的视觉图像增强方法

针对低照度图像增强的问题,研究提出了基于注意力机制的改进U-Net模型,利用特征融合和色彩增强来实现对低照度图像的增强。实验结果表明,相较于现有的图像增强算法,改进U-Net的峰值信噪比为20.8,结构相似性指数为0.80,均高于其他算法;而均方误差为0.02,自然图像质量评估仅为3.1,均低于其他算法。上述结果表明,研究提出的基于U-Net的图像增强算法能实现对比度、色彩鲜艳度和清晰度的全方位增强。     

基于注意力机制U-Net的低剂量CT图像去噪方法

计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题。降低剂量将影响CT图像的质量以及医生的诊断结果。传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取。为此,提出了一种具有注意力机制的U-Net残差网络。在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道上,降低对其他信息通道的关注度,提高网络的去噪能力。同时利用像素注意力引导网络捕捉图像区域中的噪声和伪影。实验验证了两种注意力的结合提高了网络的性能。所提出的方法的峰值信噪比高出REd-CNN大约0.17,视觉信息保真度高出大约5%,信息保真度准则高出大约4%.     

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.     

基于U-Net和Res_UNet模型的 传送带矿石图像分割方法

针对传送带矿石图像中矿石粘连和边缘模糊造成的分割不准确问题,提出了一种基于U-Net和Res_UNet模型的传送带矿石图像分割方法.该方法首先将待分割图像经过灰度化、中值滤波和自适应直方图均衡化处理后,利用预训练的U-Net模型提取图像轮廓;然后,将图像轮廓二值化后,利用预训练的Res_UNet模型进行轮廓优化;最后,利用OpenCV得到分割结果.与基于形态学重建的分水岭算法和NUR法分别对10张测试图进行实验比较,结果表明,所提出的利用深度学习实现矿石轮廓检测和优化方法分割的结果更加准确,证明了其对传送带矿石图像分割的有效性.     

基于三重注意力机制的U-Net新冠肺炎肺部图像分割

CT成像是检测新冠感染(COVID-19)病灶区域的重要手段之一,但需要专业的放射科医生判断且工作量较大。为了解决磨玻璃结节(GGO)以及肺部实变两种病变统一分割问题,在U-Net网络模型中加入改进的三重注意力模块,提高病灶特征的显著性,细化病灶的边缘特征,增加对小区域病灶的识别度,辅助医生判断。该方法构建的深度分割网络模型在COVID-19分割数据集中进行实验,得到的Sensitivity, Specificity, Dice, mIou分别为86.57%,99.33%,81.64%,88.23%。分割效果在这个模型中能得到更良好的体现。     

基于注意力机制的多粒度匹配的表情识别模型

面部表情自动识别技术已在人工智能领域受到广泛使用。然而,由于姿态变化和遮挡,人脸表情识别中的一个关键挑战是提取细粒度特征的方法。文章提出一种基于注意机制的多粒度匹配模型,特别地,在多粒度匹配模块中部署了多粒度模块和关注度估计模块。通过多粒度模块将细节图像划分为多个细粒度局部区域,并计算局部特征的关注度权重来构造全局特征。图像细节处理模块用于获取原始图像的细节特征。在CK+和Fer2013上进行了大量实验,结果证明了本文方法的有效性。     

基于注意力机制的人像分割方法

注意力机制能够挖掘与任务密切相关的重要信息并抑制非重要信息,在语义分割的深层特征表示中发挥着越来越重要的作用。本研究基于广泛应用的U-Net模型,提出了一种基于注意力机制的神经网络模型,针对边缘分割模糊的问题,将U-Net的压缩路径和扩展路径中的双卷积替换为卷积核选择模块,该模块允许网络的每一层根据输入信息进行自适应调整接受野的大小;另外,针对人像分割网络存在不同尺度的全局上下文信息被忽略的问题,采用多尺度预测融合的方法来利用不同尺度的全局信息,并采用双注意力模块汇总空间和通道两方面的注意力信息。大量实验表明,本文中方法的性能与U-Net、UNet++和Attention U-Net等网络相当或更好。     

基于注意力机制的加密流量识别

随着人们网络安全意识的提高,加密流量呈爆炸式增长,流量加密在保护用户隐私的同时,也为安全检测带来了新的挑战。针对传统基于机器学习的流量识别方法存在需要手动设计分类特征、分类准确率不高等问题,提出一种基于卷积神经网络与自注意力机制(Convolutional Neural Network and Self Attention, CSA)的加密流量分类方法,依据网络流量的层次结构特性,采用卷积神经网络提取数据包内字节流的空间特征、自注意力机制提取数据包之间的时序特征。在公开数据集ISCX VPN-NonVPN上的实验结果表明,CSA模型的分类准确率达到了95.0%,相较基准深度模型,准确率和F1值皆有明显的提升。     

基于改进U2Net的地基云图分割技术

云在地球的大气运动中扮演着重要的角色,精准分割地基云图对天气预报精度的提升起着至关重要的作用。针对现有开源云图数据集数据质量不一、数据量低、拍摄角度不同等问题,通过人工标注和迁移学习的方法构建了带标签的标准地基云图数据集（Cloud-GT）,利用颜色通道分量阈值分割法剔除太阳光干扰,并在此基础上提出了一种基于改进U2Net的地基云图分割技术。该模型在特征提取单元中引入了通道注意力模块和深度可分离卷积模块,在提高网络内部对地基云图有效特征提取的同时极大减少了网络模型参数。最后,将该方法与经典分割网络进行比较分析,实验结果表明,该方法的类别像素准确率、类别平均像素精度、平均交并比、交并比和F₁分别达到了84.03%、90.88%、84.13%、74.12%和89.59%,与U2Net、UNet和FCN相比,其效果有了明显的提升。可见该方法不仅极大地减少了模型的参数量,还有效提高了分割的精度,为实际应用提供了可能。     

基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

基于DenseASPP模型的超声图像分割

利用超声图像获取胎儿的各项生物指标,对诊断胎儿发育过程中的异常有重要作用.当前主要依靠医生对超声图像的手动测量来确定这些指标.然而,医师手动测量不仅具有主观性,而且在重复作业下效率低下.针对以上问题,提出一种基于DenseASPP模型的超声图像分割改进算法,以辅助医生完成对胎儿各项生物指标的测量.在DenseASPP模型中,首先利用普通卷积预先提取原始图像的特征得到预特征图,再以扩张卷积及金字塔池化结构为基础将前层所有扩张卷积的输出特征图与预特征图拼接在一起传输到下一层扩张卷积以获得更大感受野的多尺度特征图,最终将所有特征合并后通过Attention机制获得相关联的特征,再利用sigmoid函数获取分割结果.分别使用胎儿的头臀径,头围,腹围三个部位的超声图像作为数据集对本文提出的DenseASPP方法进行了评估.实验结果表明,DenseASPP方法优于其他当前常见的分割方法,取得了更好的性能.     

基于AER-UNet的机场跑道裂缝分割及参数计算

机场跑道裂缝是道面的典型病害,对其进行及时检测是改善道面性能、防止其演变为结构性损伤的关键。针对当前跑道裂缝检测在低亮度、噪声干扰下检测精度不足和对不同尺度裂缝识别能力有限的问题,本文提出了一种改进的AER-UNet检测模型。该方法在UNet架构基础上进行三方面改进,首先,在模型底部引入空洞空间金字塔池化模块（Atrous Spatial Pyramid Pooling,ASPP）,增强不同尺度裂缝特征提取能力;其次,在跳跃连接中嵌入高效通道注意力机制（Efficient Channel Attention,ECA ）,提升模型在噪声和低对比度背景下的鲁棒性;最后,将UNet中的标准卷积替换为残差卷积结构,以缓解梯度消失问题。此外,针对现有方法仅提供分割结果的局限,本文设计了一种裂缝参数量化算法。通过与其他模型对比试验及可视化分析,结果表明：AER-UNet的综合性能优于原始U-Net及其他对比模型,其精确率 、召回率和F1分数分别达到85.7%、84.5%和85.1%。同时,裂缝参数量化算法具有较高精度,可为机场跑道裂缝损伤的评估与科学养护决策提供数据支持。     

融合正则优化的多尺度深度学习图像去雾模型

针对现有图像去雾模型中透射率精度不高及复原含雾图像能见度低的问题,提出了融合正则优化的多尺度深度学习图像去雾模型,该模型利用二次优化透射率原理改进传统去雾模型.首先,通过多尺度卷积神经网络粗略估计透射率,以保留边缘信息并减少噪点数量;其次,利用相对总变分正则化技术,结合纹理区域的输出差异,使模型自适应过滤噪声并保持纹理信息,进一步提升透射率估计精度;最后,将二次优化的透射率融入大气散射模型,实现图像去雾处理.实验结果表明,本文提出的图像去雾模型相较于目前主流去雾模型能有效恢复图像的纹理细节,提升雾霾图像的清晰度并改善原图像质量.在主观评价更加优良的情况下,客观评估指标峰值信噪比、结构相似性和可见边比分别平均提升了25%、6%和4%.     

基于条纹池化和迁移学习的耕地分割模型

耕地的数量和质量是保持农业可持续发展的关键,是政府部门的决策依据。目前这些信息的获取主要依靠人力,不仅浪费大量人力、财力,而且效率较低,不准确,因此利用卫星遥感影像识别分割耕地图像具有重要价值。本文提出了一种耕地图像分割神经网络SP-Vnet,其包含了条纹池化模块和空洞卷积的V型分割模型,并与迁移学习、图像形态学方法等结合,实现了卫星遥感图像中耕地的精确分割和提取。与目前六个主流的语义分割网络模型相比,本文提出的SP-Vnet在最近MathorCup遥感图像耕地分割的竞赛数据集上,取得了更高的整体准确率OA、F1值和平均交并比（mIoU）。实验表明,SP-Vnet能够加强网络的全局特征表征能力,显著提高了耕地识别的准确率,同时结合图像形态学方法的后处理操作,提升了耕地分割边缘的平滑性和准确性。     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网（Wireless Fidelity, WIFI）室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络（2D-Convolutional Neural Network,2D-CNN）的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点（Access Point,AP）的接受信号强度（Received Signal Strength Indicator,RSSI）值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。     

仪表图像二值化技术研究

仪表读数识别是智能抄表系统的重要组成部分,而仪表图像二值化是实现仪表读数识别的前提与基础。由于仪表图像在采集时,受工作环境和采集条件影响,采集质量较差。通过对采集图像处理与分析,找到了适合的二值化方法,提高了二值化效果。     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...