基于点云与图像决策级融合的道路行人检测

现有基于点云与图像融合的行人检测要求高算力的处理平台,应用于低算力低功耗的嵌入式平台时,无法满足行人检测的准确率和实时性.基此提出一种融合点云与图像的道路行人检测方法,该方法采用DBSCAN算法对点云进行聚类,然后,运用概率数据关联算法将行人点云与图像的行人检测结果进行决策级融合,最后,在嵌入式计算平台上进行软硬件集成与测试验证.实验结果表明,相比于其他目标检测算法,设计的融合点云与图像的道路行人检测方法,不仅提高了道路行人方位的检测精度,而且检测用时降低了46.6％以上.     

基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割

在婴幼儿脑组织分割领域中,婴幼儿脑组织存在对比度低、灰度不均匀等问题,这些问题导致现有方法的精度仍然达不到满意的结果.因此,本文提出了一种基于三维U-Net网络的脑部核磁共振图像组织分割方法,融合注意力机制模块和金字塔结构模块,可以更好地在不同的层次和位置提供模型信息,图像的上下文信息得到充分的应用以降低图像信息损失,同样还可以挖掘通道映射之间的相互依赖关系和特征映射,提高特定语义的特征表示.在Iseg2017数据集中所提出算法的WM(白质),GM(灰质)的DICE指标结果与此前最优结果相比提高了0.7％,0.7％,CSF(脑脊液)则具有可对比性.在Iseg2019跨数据集挑战的评估当中,WM,GM的分割结果在DICE,ASD两个指标均取得了第一名,CSF的指标获得第二名.     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础, 广泛应用于影视后期制作和日常生活. 基于深度学习的图像抠图网络, 通过输入的原图和三元图来估计每个像素的 $\alpha$ 值. 在原下、上采样的图像抠图技术基础上, 针对抠图数据集图像差异较大容易造成网络收敛较慢的问题, 在每个卷积层后加入了批量标准化(batch normalization, BN)层, 对输入数据进行归一化操作, 加快模型收敛速度, 同时参数更新方向更符合数据集整体特性; 针对抠图任务需要更关注物体边缘部分的特点, 使用可变形卷积(deformable convolution)层替换普通卷积层. 可变形卷积层会根据不同输入数据自适应学习卷积核形状, 有效扩大感受野范围, 在细节部分有更好的预测效果.     

基于分水岭分割和颜色深度特征的眼球图像识别算法研究

为了提高眼球手术的成功率,提出了基于眼球图像分割和深度学习颜色特征的眼球图像识别算法.联合图像分割技术和深度学习技术,建立眼球精准识别机制.首先,采集眼球手术视频和图像,并结合阈值分割、分水岭分割和颜色区域分割,实现眼球目标的分割;然后,基于卷积神经网络,运用Python和pytorch的开源框架,开发深度神经网络识别模型,并结合大数据中医诊疗经验,构建专家检测系统,以准确定位眼球;最后,根据用户软件需求,开发出具有图像采集、视频采集、电子信息履历保存等应用功能的客户端软件.实验测试结果显示:算法有利于眼球图像分割系统的落地,为智能眼球图像分割系统设备提供了算法和软件参考.     

顺序统计滤波能量驱动的鲁棒快速图像分割

为了提升图像分割的速度与初始轮廓和参数鲁棒性,提出了一种基于有序统计滤波能量驱动的鲁棒主动轮廓模型。首先用顺序统计滤波的边力函数来代替传统的数据拟合,进一步引入边力函数能量泛函快速自适应地吸引曲线向目标的边界演化。为了有效地调节水平集函数,利用优化后的长度项对曲线进行平滑和缩短,并通过标准梯度下降法将能量泛函最小化。最后实验结果表明提出的方法能够更加快速、准确地分割图像,并且对初始轮廓和参数具有较强的鲁棒性。     

基于 NSDTCT 与稀疏表示的红外和微光图像融合

针对传统融合方法信息缺失较多与连续性较差等问题,提出了一种基于非下采样双树复轮廓波变换（NSDTCT）与稀疏表示的红外和微光图像融合方法。利用NSDTCT进行多尺度分解获得低频成分和高频子带成分,引入稀疏表示理论,构建低频成分和高频成分的融合模型,将图像融合分别转化为对应稀疏编码的融合,低频和高频成分稀疏表示系数分别根据加权平均和多方向对比度准则进行融合。进行对比实验,选用平均梯度（AG）、标准差（STD）、互信息（MI）、边缘保持度（QAB/F）、结构相似度（SSIM）这5种客观指标,结果较传统方法分别提升2.1%、3.3%、16.1%、6.6%、8.5%以上,表明该方法能够有效保留红外微光图像信息,提高融合图像连续性和成像质量。     

基于深度学习的肺部医疗图像识别

肺结节作为肺癌早期诊断的重要特征,对其识别和类型判断具有重要意义.目前使用迁移学习的识别算法存在着源数据集与目标数据集差距过大问题,对于肺结节特征提取不足,导致效果不佳.故此提出了基于卷积神经网络的改进神经网络模型.将预训练的GooLeNet Inception V3网络与设计的特征融合层结合,提高网络对特征的提取能力;为确定最佳组合方式,对各组以准确率为标准进行测试.实验在LUNA16肺结节数据集上进行.进行分组测试结果表明,改进的网络准确率达88.80％,敏感度达87.15％.在识别准确率和敏感性指标上,与GooLeNet Inception V3算法相比,分别提高了2.72,2.19个百分点.在不同数据集比例下进行实验,同样达到了更优的效果,具有更好的泛化能力.可以给临床诊断提供相对客观的指标依据.     

基于双任务一致性的半监督深度学习医学图像分割方法

【目的】医学图像分割是医学图像分析中的一个重要内容。现有的大部分图像分割算法都是基于监督学习,而实际应用中医学图像标签难以获取,大量标注需依赖领域专家,费时费力。因此,提出一种双任务一致性的半监督医学图像分割模型。【方法】该模型采用一个编码器,两个解码器的网络结构,其中编码器和一个解码器实现图像分割,与另一个解码器实现图像重建。无标签数据通过一致性分割与重建任务得到的两个不同图像背景计算损失并优化网络参数。同时在网络的编码器部分加入注意力模块以更好地获取分割区域的空间位置信息,并使用锐化操作增加无标签数据重建输出的置信度。【结果】在肝脏和细胞数据集上IOU分别为0.953 6和0.821 0,相较于U Net提高了1.5%和4.82%;在眼底血管数据集上,SP值为0.983 0,与第二名相比提升了0.18%。【结论】本文模型与有监督方法和半监督方法相比,在医学图像分割的有效性和泛化性上有一定的性能提升,能有效解决数据集数量少、小病灶分割难度大的问题。