检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于位置信息的稳定分簇路由协议

华南理工大学学报（自然科学版） 2010年第6期38卷 1-6页

作者：秦华标肖志勇华南理工大学电子与信息学院广东广州510640

车载自组织网络具有节点快速移动、网络拓扑频繁变化、链路不稳定等特点,若直接使用移动自组网的路由协议,将会引起传输延时增大及丢包率上升等一系列问题.为此,文中提出一种基于位置信息的稳定分簇路由协议,该协议以节点的运动特性作... 详细信息

车载自组织网络具有节点快速移动、网络拓扑频繁变化、链路不稳定等特点,若直接使用移动自组网的路由协议,将会引起传输延时增大及丢包率上升等一系列问题.为此,文中提出一种基于位置信息的稳定分簇路由协议,该协议以节点的运动特性作为分簇依据,利用节点的地理位置信息和电子地图信息进行路由决策.仿真结果表明该协议能有效地改善簇结构的稳定性,提高数据传输的实时性,降低网络的丢包率.

关键词：车载自组网移动自组网智能交通系统分簇路由协议

LRUNet:轻量级脑肿瘤快速语义分割网络

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2021年第9期26卷 2233-2242页

作者：何康辉肖志勇江南大学人工智能与计算机学院无锡214122

目的针对目前基于深度学习的脑肿瘤分割算法参数量大、计算复杂和快速性差的问题,提出了一种超轻量级快速语义分割网络LRUNet(lightweight rapid UNet),在保证分割精度提升的同时,极大地减少了网络的参数量与计算量,达到快速分割的效果... 详细信息

目的针对目前基于深度学习的脑肿瘤分割算法参数量大、计算复杂和快速性差的问题,提出了一种超轻量级快速语义分割网络LRUNet(lightweight rapid UNet),在保证分割精度提升的同时,极大地减少了网络的参数量与计算量,达到快速分割的效果。方法 LRUNet网络结构基于UNet,将3D-UNet的通道数减少为原来的1/4,减少原先3D-UNet过多的参数量;将UNet网络中除最后一层外的所有传统卷积变为深度可分离卷积,深度可分离卷积以牺牲极少精度,大大减少网络参数量,实现网络的轻量级;使用空间—通道压缩和激发模块(spatial and channel squeeze&excitation block, sc SE),该模块能够放大特征图中对模型有利的参数的权重,缩小对模型不利参数的权重,提升网络分割的精度。结果在Bra TS 2018(Brain Tumor Segmentation Challenge 2018)数据集上的在线验证结果显示,该模型在全肿瘤、核心区肿瘤和增强区肿瘤分割的平均Dice系数分别为0.893 6、0.804 6和0.787 2。LRUNet与同为轻量级网络的S3D-UNet相比Dice有所提升,但是,参数量仅为S3D-UNet的1/4,FLOPs(floating point operations per second)仅为1/2。结论与3D-UNet、S3D-UNet和3D-ESPNet等算法相比,LRUNet算法不仅保证精度得到提升,而且极大地减少网络中计算的参数量与计算成本消耗,同时网络模型的预测速度得到很大提升,使得快速语义分割在3维医学图像领域成为可能。

关键词： 3维图像处理全卷积网络磁共振成像快速语义分割 U型网络

在线全文

学校读者我要写书评

暂无评论

面向细粒度图像识别的通道注意力多分支网络

激光与光电子学进展 2021年第22期58卷 164-172页

作者：王彬州肖志勇江南大学人工智能与计算机学院江苏无锡214122

细粒度图像识别研究的内容是大类下的子类别识别问题,其关键是找到图像中的关键区域并从中提取有效特征。针对现有方法在定位关键区域时无法兼顾准确性和计算量的问题,提出了一种引入高效通道注意力模块的多分支网络。首先,在递归注意... 详细信息

细粒度图像识别研究的内容是大类下的子类别识别问题,其关键是找到图像中的关键区域并从中提取有效特征。针对现有方法在定位关键区域时无法兼顾准确性和计算量的问题,提出了一种引入高效通道注意力模块的多分支网络。首先,在递归注意力卷积神经网络的基础上引入通道注意力定位图像中目标的位置。然后,用深度超参数化卷积替换传统卷积操作,增加了网络可学习的参数。最后,用改进的注意力部件模块切割出多个图像关键区域部件,以捕捉丰富的局部信息。实验结果表明,本方法在弱监督情况下的识别效果较好,在两个常用细粒度数据集Stanford Cars、Food-101上的识别准确率分别为95.4%和90.6%。

关键词：图像处理细粒度图像识别通道注意力深度超参数化卷积卷积神经网络

在线全文

学校读者我要写书评

暂无评论

改进的U-Net在视网膜血管分割上的应用

计算机科学与探索 2022年第3期16卷 683-691页

作者：谷鹏辉肖志勇江南大学人工智能与计算机学院江苏无锡214122

针对眼底视网膜血管分割中血管边界难以精确识别以及血管与背景对比度低而难以分割的问题,提出一种编码器-解码器结构的算法。为了提高算法在血管边界的分割能力,在编码部分采用全局卷积网络(GCN)和边界细化(BR)替换传统的卷积层;在跳... 详细信息

针对眼底视网膜血管分割中血管边界难以精确识别以及血管与背景对比度低而难以分割的问题,提出一种编码器-解码器结构的算法。为了提高算法在血管边界的分割能力,在编码部分采用全局卷积网络(GCN)和边界细化(BR)替换传统的卷积层;在跳跃连接部分引入改进的位置注意模块(PA)和通道注意模块(CA),目的是增加血管与背景之间的对比度,使网络更好地将血管与背景分割开;此外,为了提高网络的性能,在编码部分的最后一层使用密集卷积网络解决网络过拟合问题,同时为了在一定程度上解决梯度爆炸、梯度消失的问题,在解码部分的每一层使用卷积长短记忆网络提升网络获取特征信息的能力。在公共的数据集DRIVE和CHASE;B1中进行测试,以敏感性、特异性、准确性、F1-Score和AUC为评价指标,其中准确性和AUC分别达到了96.99%、98.77%和97.51%、99.01%。该算法能有效提高眼底图像血管分割的准确率。

关键词：视网膜血管 U-Net 边界细化(BR) 位置注意模块(PA) 通道注意模块(CA) 全局卷积网络(GCN)

面向3维心脏MRI分割的半监督双任务交叉一致性约束网络

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2023年第4期28卷 1198-1211页

作者：苏逸欣肖志勇江南大学人工智能与计算机学院无锡214122

目的针对人体组织器官及病灶区域的3维图像分割是计算机辅助医疗诊断的重要前提,是医学影像3维可视化的重要技术基础。深度学习方法在医学图像分割任务中的成功通常取决于大量有标注数据。半监督学习利用未标注数据容易获取的优点,在模... 详细信息

目的针对人体组织器官及病灶区域的3维图像分割是计算机辅助医疗诊断的重要前提,是医学影像3维可视化的重要技术基础。深度学习方法在医学图像分割任务中的成功通常取决于大量有标注数据。半监督学习利用未标注数据容易获取的优点,在模型训练过程中使用少量标注数据和大量未标注数据进行学习,缓解了数据标注昂贵耗时的问题,在医学图像分割中受到了广泛关注。为更好地利用无标注数据,提升医学图像分割效果,提出一种新的一致性正则方法用于半监督3维医学图像分割。方法模型以V-Net为基础架构,通过扩展网络结构,在均带有分割任务及回归任务属性的双任务主副解码器之间添加了用于正则化约束的交叉损失,构建了具有形状感知的基于双任务的交叉一致性正则网络SACC-Net(shape-aware cross-consistency regular network based on dual tasks),实现将数据层面和模型层面的扰动融合进多任务机制的一致性正则方法,使模型能够更好地利用未标注数据的有效先验信息,并且具有更好的泛化性能。结果在MICCAI 2018(Medical Image Computing and Computer Assisted Intervention Society)心房分割挑战赛公布的数据集中的3维左心房核磁共振成像上验证本文算法,在仅使用训练集中10%的有标注数据的实验组中,Dice系数、Jaccard指数、HD(Hausdorff distance)距离和平均对称表面距离分别为88.01%、78.89%、8.19和2.09。在另一组仅使用20%的有标注数据的实验中Dice系数、Jaccard指数、HD距离和平均对称表面距离分别达到90.11%、82.11%、6.57和1.78。结论本文提出的半监督分割模型性能显著,综合了数据、模型和任务层面的一致性正则约束,与其他半监督方法相比分割效果更好且具有更佳的泛化性能。

关键词：医学影像半监督学习 3维图像分割一致性正则核磁共振图像(MRI)

在线全文

学校读者我要写书评

暂无评论

双重编—解码架构的肠胃镜图像息肉分割

中国图象图形学报 2022年第12期27卷 3637-3650页

作者：魏天琦肖志勇江南大学人工智能与计算机学院无锡214122

目的肠胃镜诊断一直被认为是检测及预防结直肠癌的金标准,但当前的临床检查中仍存在一定的漏诊概率,基于深度学习的肠胃内窥镜分割方法可以帮助医生准确评估癌前病变,对诊断和干预治疗都有积极作用。然而提高目标分割的准确性仍然是一... 详细信息

目的肠胃镜诊断一直被认为是检测及预防结直肠癌的金标准,但当前的临床检查中仍存在一定的漏诊概率,基于深度学习的肠胃内窥镜分割方法可以帮助医生准确评估癌前病变,对诊断和干预治疗都有积极作用。然而提高目标分割的准确性仍然是一项具有挑战性的工作,针对这一问题,本文提出一种基于双层编—解码结构的算法。方法本文算法由上、下游网络构成,创新性地利用上游网络训练产生注意力权重图,对下游网络解码过程中的特征图产生注意力引导,使分割模型更加注重目标区域;提出子空间通道注意力结构,在跨越连接中提取多分辨率下的跨通道信息,可以有效细化分割边缘;最终输出添加残差结构防止网络退化。结果在公共数据集CVC-ClinicDB(Colonoscopy Videos Challenge-ClinicDataBase)和Kvasir-Capsule上进行测试,采用Dice相似系数(Dice similariy coefficient,DSC)、均交并比(mean intersection over union,mIoU)、精确率(precision)以及召回率(recall)为评价指标,在两个数据集上的DSC分别达到了94.22%和96.02%。进一步将两个数据集混合,测试了算法在跨设备图像上的鲁棒性,其中DSC提升分别达到17%—20%,在没有后处理的情况下,相较其他先进模型(state-of-the-art,SOTA),如U-Net在DSC、mIoU以及recall上分别取得了1.64%、1.41%和2.54%的提升,与ResUNet++的对比中,在DSC以及recall指标上分别取得了2.23%和9.87%的提升,与SFA(selective feature aggregation network)、PraNet和TransFuse等算法相比,在上述评价指标上也均有显著提升。结论本文算法可以有效提高医学图像分割效果,并且对小目标分割、边缘分割具有更高的准确率。

关键词：息肉分割结肠镜检查深度学习语义分割注意力机制医学图像处理

超高压改性制备高抗性薏米粉的工艺优化及其理化特性研究

在线全文

学校读者我要写书评

暂无评论

食品与机械 2018年第1期34卷 182-186页

作者：肖志勇福建拓天生物科技有限公司福建福州350008

采用超高压技术对薏米粉进行改性制备高抗性薏米粉,并进一步比较改性前后薏米粉的理化特性。在单因素基础上,利用正交试验优化薏米粉乳浓度、pH、压力、保压时间与老化时间对高抗性薏米粉得率的影响。结果表明,超高压改性制备高抗性薏... 详细信息

采用超高压技术对薏米粉进行改性制备高抗性薏米粉,并进一步比较改性前后薏米粉的理化特性。在单因素基础上,利用正交试验优化薏米粉乳浓度、pH、压力、保压时间与老化时间对高抗性薏米粉得率的影响。结果表明,超高压改性制备高抗性薏米粉最优工艺为:薏米粉乳浓度20%、压力600 MPa、pH值6.0、保压时间15 min、老化时间36h,该工艺条件下薏米抗性淀粉含量为17.26%;经超高压处理后薏米粉抗性淀粉含量显著提高,冻融稳定性、凝沉性、溶解性也有所改善,膨润度和透光率略有下降。超高压处理较适宜研制以减肥等保健为主的功能性薏米粉。

关键词：薏米抗性淀粉超高压改性理化性质

在线全文

学校读者我要写书评

暂无评论

心脏动态MRI图像分割的时空多尺度网络

中国图象图形学报 2022年第3期27卷 862-872页

作者：徐佳陈肖志勇江南大学人工智能与计算机学院无锡214122

目的心脏磁共振成像(magnetic resonance imaging,MRI)的自动分割技术有利于在临床诊断中评估心脏的功能参数。然而由于心脏磁共振成像技术产生的图像边界不清晰、各向分辨率异性等特性,现有的大多数方法依旧存在类内不确定、类间不清... 详细信息

目的心脏磁共振成像(magnetic resonance imaging,MRI)的自动分割技术有利于在临床诊断中评估心脏的功能参数。然而由于心脏磁共振成像技术产生的图像边界不清晰、各向分辨率异性等特性,现有的大多数方法依旧存在类内不确定、类间不清晰问题。针对这一问题,提出了一种利用时间信息进行特征增强,并利用空间信息进行特征矫正的多输入、多分支和多任务的分割网络(spatio-temporal UNet,ST UNet)。方法为充分获取动态心脏MRI图像的时间信息,提出了全新的时间增强编码模块,将需要进行分割的目标帧和一段包含了目标帧的连续时间片段作为关键序列一同输入网络。关键序列用于获取更丰富的时间特征,目标帧提供更精准的边缘特征。为了聚集更多有益的特征,更好地融合时域特征和边缘特征,采用可变形全局连接代替传统的长连接,为网络的解码部分提供更广泛的多维特征信息。在训练过程中额外学习空间方向场特征,并使用该特征对原有的分割结果进行矫正。结果在ACDC(Automated Cardiac Diagnosis Challenge)心脏分割挑战中,以Dice系数和HD(Hausdorff distance)距离为评价指标,该方法在左心室、右心室和左心肌分割的平均Dice系数分别为95%、91.5%和91%,HD距离的平均值分别为6.77、11.39和8.54。结论实验表明,提出的新型网络能够充分地利用心脏MRI图像的时空信息,有效地提升目标器官的分割效果,更有助于医生对于心脏诊断。

关键词：医学影像心脏磁共振成像(CMRI) 特征增强空间方向场 U型网络(UNet)

结合自注意力与卷积神经网络的腺体及息肉分割方法

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2023年第2期60卷 281-289页

作者：张家宝肖志勇江南大学人工智能与计算机学院江苏无锡214122

腺体和息肉的自动分割是人工智能辅助结直肠腺癌诊断的基础,但医学图像中的分割目标大小、形状多变,基于单一的卷积神经网络的自动分割方法已陷入瓶颈。基于此,提出了一种卷积神经网络和自注意力相结合的双分支网络(LG UNet),用以提升... 详细信息

腺体和息肉的自动分割是人工智能辅助结直肠腺癌诊断的基础,但医学图像中的分割目标大小、形状多变,基于单一的卷积神经网络的自动分割方法已陷入瓶颈。基于此,提出了一种卷积神经网络和自注意力相结合的双分支网络(LG UNet),用以提升分割的精度。首先,基于U-Net设计了Local UNet分支,利用卷积神经网络的优势,学习分割目标的局部信息。然后在Global Transformer分支中,利用Transformer全局依赖关系的学习能力来优化分割细节。最后在编码过程中通过交叉融合模块将Local分支和Global分支的特征图进行融合,将两者优势互补。在腺体分割挑战数据集Glas的两个测试子集Test A和Test B上,以Dice系数和交并比(IOU)系数为主要评价指标,LG UNet的测试结果分别为93.62%、88.44%和88.17%、80.49%。在息肉分割数据集Kvasir-SEG上,LG UNet的Dice系数和IOU系数分别为85.63%和77.82%。实验结果表明,结合Transformer和卷积神经网络优势的LG UNet在腺体和息肉分割上取得了更好的性能。

关键词：医用光学自注意力机制卷积神经网络双分支网络结直肠腺癌腺体分割息肉分割

同方期刊数据库