基于对比学习的半监督肝脏血管分割方法

针对肝脏血管分割方法通常依赖高质量有标签数据训练模型及现存对比学习方法过度关注局部信息而忽略全局信息的问题,提出一种基于全局和局部对比学习的半监督肝脏血管分割方法．本方法首先以Mean Teacher模型作为框架,对编码器输出高维特征进行全局对比,捕捉特征全局一致性,获取更丰富全局上下文信息;然后对解码器输出进行局部对比,获取语义分割中的局部像素级特征;最后引入分布差异最小化方法,通过使用判别器进行对抗训练,减少有标签和无标签数据之间的分布差异,提升模型的泛化性能．实验结果表明：本方法在肝脏血管分割任务上取得了显著的效果,在3Dircadb数据集上的Dice系数、Jaccard系数、平均表面距离(ASD)和95%豪斯多夫距离(95HD)分别为74.36%,59.73%,2.65 mm和13.57 mm,优于其他半监督方法．     

基于特征稀疏化的粉尘图像深度预测

【目的】针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.     

基于半监督多头网络的腰椎CT图像分割

针对医学图像分割任务中医学数据标注困难以及CT图像强度不均匀问题，提出一种基于半监督的多头分割网络SSMH-Net。SSMH-Net网络采用教师—学生训练架构，基于相同的分割模型V-Net,通过指数移动平均算法完成教师与学生模型的交互训练；采用Multi-Head方法估计模型预测的不确定性信息，指导分割模型在更可靠的目标中学习。在CTspine分割数据集上，SSMH-Net网络平均分割Dice系数达到95.70%,表现出较为优异的分割性能。     

基于双编码路径融合和双向ConvLSTM的神经元图像分割

目标分割是神经元图像分析中必不可少的步骤之一，分割的准确性会直接影响到神经元图像分析和重建的质量。在面对结构边界模糊、存在弱噪声或弱纤维信号的神经元图像时，已有的分割方法依然存在误差较大、识别信号不准等问题。为了解决这些问题，基于神经元的特征，本文提出一种基于双编码路径融合和双向ConvLSTM的深度学习网络(DFC-Net)用于神经元图像分割。首先，网络在编码器阶段采用双编码路径提取特征，其中第一路编码路径采用基于空洞卷积的密集连接网络作为固定特征提取器，第二路编码器采用深度残差网络作为特征提取网络；接着，使用密集连接ASPP网络作为桥梁连接编码器和解码器；最后，在跳跃连接中使用双向ConvLSTM结合编码器和解码器，在解码器阶段引入融合网络以融合2个编码器提取的特征，从而增强空间信息的传播。多组对比实验结果显示，本文提出的网络有效地提高了电子显微镜神经元图像的分割精度，在ISBI-2012和SNEMI3D数据集上的Sen、Dice分别达到0.952 7、0.958 9和0.941 6、0.912 7,平均准确率相比于其他U-Net变体网络提高2.93%。     

Hyper-SegUNet:基于超网络的超参自学习医学图像分割模型

为解决在训练UNet及其变种时需要手动选择超参数的缺陷，提出一种嵌入超网络(Hypernetworks)的医学图像分割模型Hyper-SegUNet.首先，构建编码器和解码器组成的U型网络结构.然后，将多组超参数作为解码器的输入单元，进而输出多组不同超参数下的性能，并从中挑选最优超参数.在腹部多器官分割数据集Synapse和心脏单器官分割数据集ACDC的实验结果表明，该模型可以自动选择超参数，而且分割准确性优于基线方法.     

基于边缘特征融合和跨连接的车道线语义分割神经网络

无人驾驶中的车道线检测任务需要同时确定车道线的位置、颜色和线型,而现有方法通常仅识别车道线的位置,不识别车道线的类型.为了端到端地解决这一问题,设计了一种语义分割神经网络,将一幅图像中不同车道线分割为不同区域,用每个区域的类别标签表示其对应的车道线类型.首先,在主流的编码器-解码器框架下,构建了一个结构较为简单的基础网络.考虑到边缘特征是车道线检测中的重点,为基础网络的编码器并联了一个边缘特征提取子网络,通过逐层融合边缘特征图和原始特征图增强车道线的特征.边缘特征提取子网络的结构与基础网络的编码器相同,其输入是对车道线图像进行Sobel滤波的结果.此外,编码器和解码器对称位置的卷积层输出的特征图尺寸相同,但具有不同的语义层级.为了更好地利用这一特性,建立从编码器到解码器对称位置的跨连接,在解码器逐层上采样的过程中融合编码器对应尺寸的特征图.在TSD-Lane车道线检测数据集上的实验表明,相比于基础网络,基于边缘特征融合和跨连接的神经网络的分割性能得到了较为显著的提高.该网络具有较好的车道线分割性能,能够在确定车道线位置的同时,区分黄线或白线、虚线或实线.在计算资源充足的前提下,该网络能够达到实时的检测速度.     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...     

基于编码器-解码器的离线手写数学公式识别

提出一种改进的编码器 解码器模型。模型采用多尺度密集卷积网络作为编码器,以提取手写数学公式图像的多分辨率特征。采用完全基于注意力机制的Transformer模型作为解码器,依据图像特征将二维手写数学公式解码为一维 LaTeX 序列。通过相对位置编码嵌入图像位置信息和LaTeX符号位置信息。实验结果表明,模型在官方CROHME 2014数据集上取得了优异的性能,相比于当前最先进的方法,其公式识别准确率提高了3.55%,字错误率降低了1.41%。     

一种基于深度学习的实时视频图像背景替换方法

针对视频会话业务的实时性需求,提出一种轻量级深度学习网络模型实现视频图像的实时背景替换功能.网络模型包含语义分割和背景替换两个模块.语义分割模块整体架构采用编解码结构,编码端使用编码器模块、空洞卷积金字塔池化模块、注意力模块以及增益模块提取特征;解码端使用解码器模块、调整模块以及编码器模块恢复图像,再传入背景替换模块完成背景替换.该网络模型在本文设定的数据集训练后分割精确度达到94.1%,分割速度达到42.5帧/s,在实时性和准确性上达到较好的平衡,具有很好的实用效果.     

基于Half-UNet的乳腺肿块分割方法

乳腺癌是常见的高发病率肿瘤疾病,乳腺肿块分割是乳腺肿瘤分析的重要步骤.为了在保证乳腺肿瘤分割精度的同时提高分割效率,提出了一种基于Half-UNet的乳腺X线摄片图像分割方法 .该方法保留了U-Net中分而治之的部分,简化了特征融合的方式.固定U-Net编码器各步骤的特征图通道数以减少网络复杂度的同时有利于解码器的特征融合,并对编码器中的卷积操作增加了he＿normal和L2正则化,提升网络性能且缓解网络的过拟合现象.对U-Net解码器的网络结构进行简化,减少网络模型的参数量和训练时间.在DDSM数据集上的实验结果表明：Half-UNet在获得与U-Net、UNet3+模型相近的分割精度的情况下,训练时间相对于U-Net和UNet3+缩短了41.66%和83.33%,显著提升了分割效率.