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...     

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。     

基于多层次自注意力机制的U-Net图像分割算法

针对U-Net图像分割在下采样过程中会丢失过多信息且在上采样过程恢复效果不佳,从而导致图像分割精度降低的缺陷,提出了一种基于多层次自注意力机制的U-Net图像分割算法。该多层次自注意力机制在每一层上采样层前均嵌入自注意力模块,将上采样层的输入与缩放的原图拼接后处理成模板图,再与原本的输入信息融合后输出到上采样层。该算法不仅能通过拼接原图的自注意力模块进一步提供更多细节信息,还能利用上采样层的特征选择功能减少拼接原图带来的背景噪音,提高模型的分割精度。最后,在PASCAL VOC数据集和DeepFashion2数据集的基础上进行了人体分割和服装分割实验。实验结果 证明,该方法 能较好地改善图像的分割性能,从而证明了其正确性和有效性。     

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。     

融合注意力机制的U-Net混合电磁重构方案

电磁逆散射问题是非线性和病态的,传统的求解方法无法兼顾成像精度和计算效率,而基于深度学习的直接重构方法缺失先验信息,导致学习过程较困难.采用结合衍射层析成像（DT）算法和融合注意力机制的U-Net混合电磁重构方案,求解电磁逆散射问题,将基于Born近似的DT算法重建的粗糙图像作为U-Net的输入,有效利用先验信息,提高逆散射问题求解的效率和精度.此外,在U-Net每次的下采样过程中加入注意力机制,进一步提高了目标散射体相对介电常数和位置的重建精度.实验结果表明,相比未引入注意力机制的方案,融合注意力机制的U-Net混合电磁重构方案重建误差较小,可实现相对介电常数分布的高精度重建.     

基于扩展有限元法的粘聚裂纹模型

为了能利用通用程序模拟沿任意路径的裂纹扩展问题,利用一种预设虚节点法在通用有限元程序(ABAQUS)平台上实现扩展有限元法功能,推导了基于扩展有限元法的粘聚裂纹模型控制方程。利用上述模型对三点弯梁的开裂过程进行了模拟。计算结果与相应文献中给出的结果及ABAQUS粘聚单元法的模拟结果进行了对比,吻合良好。计算结果表明,扩展有限元法能有效地进行开裂过程的模拟,尤其是在开裂路径未知、难以预先设定网格边界作为裂纹面的情形。基于扩展有限元法的粘聚裂纹模型为准脆性材料的开裂过程模拟提供了一种有效途径。     

基于继电器反馈的一种建模法

基于继电反馈的PID参数自整定技术有效地克服了人工整定的缺陷, 具有算法简单、控制温度范围大等优点。本文在继电型自整定PID控制策略基本思想基础上,通过分析一阶惯性加纯滞后控制对象在继电特性作用下的输入输出特性,提出一种基于继电器反馈的建模方法。该方法为被控对象的自整定参数设置提供了重要依据。选定被控对象,通过仿真验证了该方法的有效性。     

基于改进U-Net模型的二维电介质目标重构

提出了一种基于改进U-Net（M-Net）模型的电磁逆散射算法.M-Net模型主要由多尺度输入层、U型卷积神经网络（CNN）、多尺度均值输出层组成.将散射场数据作为网络输入,能够在保证计算精度与计算效率的同时,减少人工计算工作量.以二维电介质为重构目标的仿真实验表明：与U-Net模型对比,应用M-Net模型求解电磁逆散射问题较为高效,输出结果误差更小.     

盲文自动识别方法研究

本文研究的盲文点字自动识别技术,利用数字摄像机采集盲文图像,并利用图像处理技术,对盲文图像进行预处理,将盲文图像转换成二值图像,然后再利用盲文点字的特性来提取盲文点字特征,并定位、分组盲文点字单元,以二进制字符串的形式与盲文语料库进行匹配,识别出盲文点字信息。本论文中给出了盲文识别的总体方法,并详细介绍了具体的处理方法。实验证明,该方法能有效、准确的提取盲文点字,并转换成汉语拼音。     

基于跨层网络的危险物品X射线自动识别

针对当前的行李物品安检系统通过人眼进行判别,检测效率较低、存在漏检的问题。提出了一种改进后的faster-rcnn跨层检测网络,通过跨层连接网络层,采集多种角度下的危险物信息,将网络结构中提取的低层次特征和高层次特征相结合来训练网络结构,提升网络的复杂性。研究表明该方法在本文所构建的数据集上进行训练和检测实验,结果表明检测效果良好。     

基于SBN模型的Internet应用协议识别方法

针对网络流量协议标注比较困难的问题,提出一种基于贝叶斯网络的半监督学习模型,以提高Inter-net协议的识别精度.该模型首先使用少量的标注样本训练贝叶斯网络分类模型,并对未标注样本进行初始分类,然后从未标注样本中挑选分类损失最小的样本加入到训练集中并重复训练分类模型,经过多次循环训练出最终的分类器.该模型可以使用未标注样本和标注样本共同训练分类模型,非常适合于标注比较困难的Internet应用协议的识别.实验结果表明：在标注样本较少的情况下,该模型的识别精度和稳定性均优于朴素贝叶斯模型和贝叶斯网络模型,对于提高Internet协议的识别精度是有效的.     

基于U-Net改进的内窥镜息肉图像分割算法

息肉图像的分割在临床医疗和计算机辅助诊断技术等领域具有广泛的研究和应用价值,但是就目前的研究和应用需求来看,准确的息肉分割仍然是一项挑战. 针对内窥镜息肉图像中出现的息肉与黏膜边界不清晰、息肉的大小和形状差异较大等影响分割质量的问题,该文提出了一种基于U-Net改进的息肉图像分割算法（SBF-Net）. 首先,在U-Net架构上引入了边界特征加强模块（BFEM）,考虑到息肉边界和内部区域的关键线索,该模块利用编码器高层特征生成额外的边界补充信息,在解码器阶段进行融合,提升模型处理边界特征的能力. 其次,该模型的解码器（GFBD）采用了从上至下逐步融合特征的方式,将编码器阶段的输出特征经过局部加强（LE）模块之后再逐步融合边界特征,这种多尺度特征融合方式有效缓解了编码器和解码器之间的语义差距问题. 最后,在后处理阶段采用测试时数据增强（TTA）来进一步对分割结果进行细化. 该模型在CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和ETIS-LaribPolypDB等5个公开数据集上进行了对比实验和消融实验,实验结果证明了该文所改进方法的有效性,并在内窥镜息肉图像上表现出更好的分割性能和更强的稳定性,为息肉图像的处理和分析提供了新的参考.     

TM遥感图像中河流的自动提取

提出了一个TM图像中河流目标自动提取的方法.对TM图像上河流及其背景地物的光谱特征进行分析,利用所发现的知识建立河流地物的提取模型,检出河流区域;对河流进行细化,抽取骨架;最后利用基于线段间斜率差的方法对河流骨架进行矢量化.试验结果表明该方法能较准确的识别提取TM图像中的河流目标,得到理想的矢量数据.     

基于决策树的眼底图像渗出自动检测方法

自动视网膜图像渗出检测有助于糖尿病性视网膜病变的早期诊断,提出了彩色眼底图像视网膜渗出检测方法。该方法根据决策树理论,采用Messidor数据库,对视网膜图像进行分类,区分得到含渗出的病变图像和不含渗出的正常眼底图像。实验结果表明,针对不同光照下采集的眼底图像采用光照非均匀性的归一化处理,即使在光照变化的环境中,文中的方法仍然比眼科专家的人工判定表现出色,能很好地分割出渗出区域。