检索结果-南通市图书馆

融合域自适应网络和多尺度特征聚合的息肉分割网络

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年

作者：廖文涛徐国平吴兴隆张炫周华兵武汉工程大学计算机科学与工程学院湖北省智能机器人重点实验室

基于深度学习的方法在息肉图像分割上取得了巨大成功，然而仍存在两个问题阻碍高精度息肉识别的发展。第一，不同设备收集的图像在特征分布上存在差异，使得不同息肉分割数据集存在域偏移的问题。第二，现有的模型专注于处理相同尺度大... 详细信息

基于深度学习的方法在息肉图像分割上取得了巨大成功，然而仍存在两个问题阻碍高精度息肉识别的发展。第一，不同设备收集的图像在特征分布上存在差异，使得不同息肉分割数据集存在域偏移的问题。第二，现有的模型专注于处理相同尺度大小的特征，限制了模型对多尺度特征的捕捉能力。为解决这些问题，提出了一个域自适应模块和一个多尺度特征聚合模块。首先，域自适应模块采用无监督的方式，自适应不同域图像之间的偏移。之后，将域自适应后的图像输入编码器，获取不同感受野大小的特征图，最后，利用提出的多尺度特征聚合模块，将具有不同感受野的特征图进行聚合，提高模型对不同尺度病灶的分割能力。在五个公开的息肉分割数据集上，与使用广泛的结直肠息肉分割方法进行比较。其中，在Kvasir和ClinicDB数据集上，提出的方法在Dice和IoU指标上与所对比的经典分割方法相比，取得了更好的结果。在验证模型泛化性能的数据集上，依旧表现出稳定的分割性能。综上所述，采取融合域自适应网络和多尺度特征聚合的息肉分割网络可以有效分割息肉图像，并具有良好的泛化性能。

关键词：息肉分割图像域自适应多尺度特征聚合医学图像处理

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

结合注意引导网络的弱光图像增强算法

佳木斯大学学报（自然科学版） 2024年第1期42卷 16-20页

作者：黄磊黄文准西京学院电子信息学院陕西西安710123

弱光图像增强具有挑战性,不仅需要考虑亮度恢复,还需要考虑色彩失真和噪声等复杂问题。简单地调整弱光图像的亮度将不可避免的放大这些伪影。为了解决这些难题,一种带有注意引导分支的端到端弱光增强网络(attention guided low light en... 详细信息

弱光图像增强具有挑战性,不仅需要考虑亮度恢复,还需要考虑色彩失真和噪声等复杂问题。简单地调整弱光图像的亮度将不可避免的放大这些伪影。为了解决这些难题,一种带有注意引导分支的端到端弱光增强网络(attention guided low light enhancement network,AGNet)被提出。AGNet由注意引导网络和弱光增强网络两部分组成。注意引导网络被用来学习弱光图像中的照度-注意映射,并将其应用于弱光增强网络,以指导图像亮度增强和去噪任务。弱光增强网络由多尺度卷积和残差块构成,通过特征金字塔结构从多个尺度来提取弱光图像中的细节和纹理特征。此外,网络中还引入了多尺度色彩矫正模块(multi-scale color recalibration module,MCRM),以进一步增强了输出图像的颜色和对比度。实验结果表明,AGNet在主流弱光数据集上(LOL-v1和LOL-v2-synthetic)不仅在客观指标上领先(两个数据集的PSNR提高了2.13/2.52),而且在主观比较上也具有优势。

关键词：弱光图像弱光图像增强网络注意引导网络多尺度特征聚合

PFONet：一种用于加速MRI的渐进式聚焦导向双域重建网络

在线全文

学校读者我要写书评

暂无评论

四川大学学报(自然科学版) 2024年

作者：王钟贤王志文张中洲杨子元冉茂松余慧张意四川大学计算机学院四川大学网络空间安全学院

对k空间数据进行欠采样操作是一种有效的加速磁共振（MRI）成像方法，但是利用欠采样的数据准确地进行图像重建是一个具有挑战性的工作.最近，利用频域和图像域双域信息的神经网络重建方法可以提升MRI重建性能，因此引起了研究者的关注... 详细信息

对k空间数据进行欠采样操作是一种有效的加速磁共振（MRI）成像方法，但是利用欠采样的数据准确地进行图像重建是一个具有挑战性的工作.最近，利用频域和图像域双域信息的神经网络重建方法可以提升MRI重建性能，因此引起了研究者的关注.然而，这些方法主要存在以下两个不足：首先，在频率域，这些带有传统归一化模块的方法将测量数据和零填充区域同等对待，导致了k空间特征偏移现象和次优的重建效果；其次，在图像域，现有方法通常忽略了多尺度的动态特征对于细节恢复的重要性，因此传统图像域网络难以学习足够的全局-局部信息以重建结构细节.因此，本文提出了一种新型渐进式聚焦导向双域重建网络（PFONet），以分别克服频域和图像域的这些限制.在频域，提出了一个专注于零填充区域的区域归一化模块，逐步缓解特征偏移问题，并预测可靠的k空间数据.在图像域，提出了一个带有通道级门控机制的动态注意力模块，专注于从多尺度感受野中提取丰富的全局-局部特征，以恢复细节.定量和定性实验表明，在与几种最先进方法的比较中，本文提出的PFONet最为轻量，同时实现了更优的重建性能.

关键词：磁共振成像磁共振重建渐进式聚焦导向多尺度特征聚合

基于梯形跨尺度特征耦合网络的SAR图像舰船检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程 2022年第12期48卷 270-280页

作者：黄帅张毅中国科学院空天信息研究院北京1000190 中国科学院大学电子电气与通信工程学院北京100049

在合成孔径雷达(SAR)图像舰船检测中,现有检测方法难以有效提取多尺度语义信息,无法准确地表示其在整个网络中的信息权重,且定位模块与分类模块相关性较弱,导致定位不准确。提出一种梯形跨尺度特征耦合网络,通过梯形特征金字塔网络提取... 详细信息

在合成孔径雷达(SAR)图像舰船检测中,现有检测方法难以有效提取多尺度语义信息,无法准确地表示其在整个网络中的信息权重,且定位模块与分类模块相关性较弱,导致定位不准确。提出一种梯形跨尺度特征耦合网络,通过梯形特征金字塔网络提取各级语义信息,采用交叉结构代替跳连结构,提高网络的泛化能力和语意表征能力,并引入可训练权重因子表示各级语义信息的重要性。在此基础上,将定位模块与分类模块通过耦合检测头增强两者之间的相关性,引入可变形卷积对最终的定位输出进行二次校准,从而提高检测精度。实验结果表明,与FasterRCNN、CascadeRCNN、RetinaNet等主流网络相比,该网络在SSDD数据集上的检测精度提高了2.74个百分点以上,具有良好的检测性能。在近岸复杂场景下,该网络能更有效地检测密集目标和多尺度目标,降低误检和漏检的概率。

关键词：舰船检测梯形特征金字塔多尺度特征聚合耦合网络可训练权重因子

在线全文

学校读者我要写书评

暂无评论

基于注意力的轻量级工业产品缺陷检测网络

计算机工程 2023年第11期49卷 275-283页

作者：李刚邵瑞周鸣乐李敏万洪林齐鲁工业大学(山东省科学院)山东省计算中心(国家超级计算济南中心) 济南250014 山东省基础科学研究中心(计算机科学)山东省计算机网络重点实验室济南250014 山东师范大学物理与电子科学学院济南250358

工业领域的表面缺陷检测对提高工业产品质量、维护生产安全具有重要意义。因工业产品表面缺陷复杂多样、形状各异、缺陷检测场景和硬件配置不同,对工业产品的表面缺陷检测提出更高要求。基于图像的工业产品表面缺陷检测方法难以兼顾实... 详细信息

工业领域的表面缺陷检测对提高工业产品质量、维护生产安全具有重要意义。因工业产品表面缺陷复杂多样、形状各异、缺陷检测场景和硬件配置不同,对工业产品的表面缺陷检测提出更高要求。基于图像的工业产品表面缺陷检测方法难以兼顾实时性和准确性的要求。为满足工业产品缺陷检测快速准确的需求,提出一种轻量级的缺陷检测网络。该网络由主干网络、多尺度特征聚合网络、残差增强网络和注意力增强网络4部分组成。其中,主干网络将通道注意力层和坐标注意力层嵌入到特征提取部分,以获取丰富的表面缺陷特征信息,多尺度特征聚合网络则融合深层语义和浅层语义特征信息,残差增强网络关注空间信息,注意力增强网络利用全局特征与局部特征的信息交互,在满足低硬件配置的同时增强模型对复杂多样缺陷的检测性能。实验结果表明,该网络在NRSD-MN、NEU-DET和PCBData等公开数据集上的精准度、召回率、F1值、mAP@0.5和GFLOPS这5项指标上优于YOLOv3-tiny、YOLOv5s、YOLOv7-tiny等同参数量级算法,能有效兼顾工业产品表面缺陷检测场景下实时性和准确性的要求。

关键词：表面缺陷检测注意力机制轻量级网络多尺度特征聚合信息交互

在线全文

学校读者我要写书评

暂无评论

基于生成对抗网络的低光图像增强研究

基于生成对抗网络的低光图像增强研究

作者：王仁君湖南大学

学位级别：硕士

图像内容是从图像中获取信息的重要途径,在照明不充分的情况下,图像中的内容会出现可见度低等问题,从而影响图像信息的获取。低光图像增强技术可以有效地解决这类问题。然而,现存的低光图像增强方法存在一定的缺陷,大部分方法需要成对... 详细信息

图像内容是从图像中获取信息的重要途径,在照明不充分的情况下,图像中的内容会出现可见度低等问题,从而影响图像信息的获取。低光图像增强技术可以有效地解决这类问题。然而,现存的低光图像增强方法存在一定的缺陷,大部分方法需要成对的数据集进行深度学习网络的监督训练,可是现有的低光图像增强领域成对数据集数量有限,人造成对数据集又很难获取,另外在某些方法的运用过程中,低光图像的某些需要被重点增强的特征区域未能被重点增强,不需要被重点增强的特征区域反而被过度增强,也存在一些方法仅仅专注于增强图像的整体亮度,忽视了图像细节内容的保留,导致增强后的图像出现过度平滑等问题,或者是包含于低光图像中的噪声在图像增强后会被保留,甚至会被放大,无法同时对图像进行去噪与增强。针对以上问题,本次研究从深度学习网络选取和结构设计入手,在提升图像质量的同时保留图像细节,本文主要研究内容如下。1.本文提出了一个混合注意力引导的无监督低光图像增强模型MAGAN。MAGAN是第一个在生成对抗网络引入混合注意力机制用于无监督低光图像增强的模型。该模型选取了生成对抗网络作为基础结构,利用其可以通过网络学习使得样本数据分布相似的特点,克服低光图像增强领域成对数据集数量不足的困难,实现无监督的网络训练,并在生成对抗网络中引入了一个混合注意力机制模块去指导无监督的低光图像增强过程。2.本文构建了一个结合提升策略的多尺度特征聚合模型FBGAN,在该模型中设计了一个多尺度特征聚合模块(简称FAM)和一个噪声去除模块(简称BPM)去分别在低光图像增强的过程中完整地保留图像内容细节和去除图像中原有的噪声。FAM基于错误反馈机制,使用反投影技术。在图像编码阶段,当前尺度的特征在编码器中可以接受到它之前所有不同尺度的特征的信息;在图像解码阶段,FAM将编码器聚合到的特征融合到解码器的每一个尺度。BPM结合了提升策略和注意力机制,前者可以提高图像的信噪比,帮助网络更好地识别图像内容,后者可以建模图像空间上局部区域内像素点之间的联系,强调像素点间的共性,消除像素点间的差异。本文进行了定性和定量的实验去验证两个模型的有效性,在LOL等多个数据集上进行了评估,并进行了消融实验去分别验证模型中每个模块的作用。

关键词：低光图像增强生成对抗网络多尺度特征聚合提升策略注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向边缘平台光流估计模型轻量化算法研究

面向边缘平台光流估计模型轻量化算法研究

作者：刘爽江南大学

学位级别：硕士

光流估计是计算机视觉领域的一项基础任务,通过计算每个像素点的运动矢量获取图像中物体的运动信息,进而协助各种高级计算机视觉任务。随着计算机技术的不断发展,光流估计技术被广泛应用于自动驾驶、目标追踪、无人机避障和智能机器人... 详细信息

光流估计是计算机视觉领域的一项基础任务,通过计算每个像素点的运动矢量获取图像中物体的运动信息,进而协助各种高级计算机视觉任务。随着计算机技术的不断发展,光流估计技术被广泛应用于自动驾驶、目标追踪、无人机避障和智能机器人等领域,已成为计算机视觉领域的研究热点。在实际应用中,由于大部分模型并未考虑平台的差异性问题,无法直接将基于深度学习的光流估计模型部署到计算资源相对匮乏的边缘计算平台上。因此,光流估计轻量化模型依然面临着迭代次数较多、遮挡区域较难估计和门控循环单元解码能力不足等诸多问题。为了有效解决这些问题,本文主要研究面向边缘计算平台的光流估计轻量化算法,目的是通过使用较少的计算资源和时间成本,在边缘计算平台上实现较高的光流估计精度。本文主要的研究内容如下:1.为了解决现有的光流估计网络使用门控循环单元作为迭代优化基础时需要大量迭代次数的问题,本研究提出了一种基于卷积和轴注意力的轻量化光流估计算法。该算法采用局部约束与局部扩张模块,通过结合卷积和一次轴注意力来替代自注意力,以较低的计算量对每个匹配特征点周边区域进行不同重要程度的关注,生成更准确的相关性成本量,进而减少门控循环单元迭代的次数,达到更轻量化的目的。其次,提出混洗凸优化上采样,通过将分组卷积、混洗操作与凸优化上采样相结合,在实现其参数量降低的同时进一步提高精度。2.为了解决研究内容1中因降低迭代次数而无法较好地预测遮挡区域光流的问题,本研究提出了一种基于多尺度卷积运动特征聚合的轻量光流估计算法。该算法通过将不同尺度的条形深度可分离卷积和空洞深度可分离卷积相结合,以关注不同范围内的运动特征,代替现有的自注意力进行全局聚合,以较少的计算量改善遮挡区域的光流估计。此外,为了解决局部约束与局部扩张模块中缺乏前后帧匹配特征之间信息交互的问题,提出了局部卷积-滑动窗口模块。该模块结合了卷积、自注意力和交叉注意力的优点,可以同时增强前后帧匹配特征的表达能力和增加两帧特征之间的信息交互能力,在提升精度的同时进一步降低时间消耗。3.为了解决研究内容2中由于使用门控循环单元带来的限制从而导致每次迭代中大位移光流优化性能不足的问题,本研究提出了一种基于大卷积核迭代优化的轻量光流估计算法。该算法采用一种大卷积核优化器代替现有的门控循环单元,通过使用计算资源较少的深度可分离卷积和条形卷积,能够在不增加计算时间的前提下进一步提高模型的精度。

关键词：光流估计轴注意力多尺度特征聚合大核卷积卷积神经网络边缘计算平台

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的联合虹膜分割与定位算法研究

基于深度学习的联合虹膜分割与定位算法研究

作者：孙野吉林大学

学位级别：硕士

虹膜特征信息因其复杂的纹理结构(如条纹、隐窝、冠状、斑点等)而具备如安全性、高防伪性、稳定性和不可侵犯性等诸多优良特点,近年来随着人们对个人信息安全问题的日益重视,虹膜识别逐渐成为了继人脸识别、指纹识别之后的又一种备受学... 详细信息

虹膜特征信息因其复杂的纹理结构(如条纹、隐窝、冠状、斑点等)而具备如安全性、高防伪性、稳定性和不可侵犯性等诸多优良特点,近年来随着人们对个人信息安全问题的日益重视,虹膜识别逐渐成为了继人脸识别、指纹识别之后的又一种备受学术界及工业界关注的技术,在安保产品、门禁措施、机密防伪身份鉴证等领域常常可见到虹膜识别技术的身影。完整的虹膜识别软件系统常由原始数据设备采集、虹膜图像预处理、虹膜特征提取与虹膜认证识别等步骤组成。虹膜分割常在图像预处理环节中被完成,这个子步骤主要用于提取出后续进行虹膜特征提取和匹配的虹膜图像区域,故分割的结果表现直接关系着整体的虹膜识别精确度。尽管近年来基于卷积神经网络的虹膜分割算法已取得很大发展,但仍存在诸多挑战。首先,大多数现有的基于深度学习的分割方法只专注于单一的生成虹膜掩模,而忽略了更加不可或缺的虹膜定位功能,导致了这些分割算法所获得的结果难以与橡皮筋变换模型平滑衔接以产生用于后续识别过程的标准归一化虹膜图像。另一方面,现有的虹膜分割方法都严重依赖于在网络模型中层层堆叠多个卷积层以扩展感受野而缺乏了明确地建模长距离信息的能力,同时卷积的固定尺寸和通道数目的设计也使其难以动态地根据输入内容调整参数权重。最后,大多数当前的虹膜分割网络尽管提升了模型精度,但普遍都消耗了大量的参数和计算量而导致无法适用于如移动设备等轻量化的现实场景。基于以上观察,本文提出了两种基于深度学习的联合虹膜分割与定位算法HTU-Net以及Li Se Net来改善现存的问题。与以往的大多数工作不同,本文所提出的两种方法均可通过多任务学习框架同时获得虹膜分割掩码和参数化的瞳孔和虹膜外圆边界,从而实现完整的联合虹膜分割及虹膜定位。(1)第一个算法HTU-Net针对现有算法严重依赖于堆叠卷积层来扩张感受野而忽略了捕捉长距离信息的问题,探索了Transformer在虹膜图像分割中的应用,首次在虹膜分割领域提出了一种结合了卷积神经网络和Transformer的混合编码器,该编码器同时使用了卷积层提取局部强度特征和Transformer来捕获远程关联信息以达到局部关联性和远距离依赖性的同时建模。解码阶段,HTU-Net采用了一种新颖的多头空洞注意力,通过门控机制利用多尺度上下文信息来对编码器提取到的各级特征细化处理,去除特征中的无关噪声并让网络的焦点集中于更加重要的区域。受到虹膜的一致性类别特征的启发,HTU-Net又设计了一个金字塔中心感知模块来从捕获虹膜的全局结构特征以进一步提升模型表现。(2)第二个算法设计了一种轻量高效的虹膜分割网络Li Se Net。为了高效学习多尺度物体背景信息,Li Se Net首先提出了多尺度拼接模块,该模块以密集连接的方式级联了多个尺寸的卷积层,并逐渐降低各个级联卷积层的通道维度,最后利用各级卷积的输出结果聚合用于最终的图像表示。基于多尺度拼接模块,本文开发了一种两阶段细化编码器,通过子网络特征复用和子阶段特征重评估来聚合判别性特征,从而获得足够的感受野并增强模型学习能力。为了更有效地利用对象上下文信息,本文进一步采用了一种分组空间注意力来强调重要特征并通过门控机制抑制不相关的噪声。本文在三个被广泛使用的虹膜数据库UBIRIS.v2、MICHE.I、CASIA.v4-distance上面执行了大量实验来验证所提出两种方法的有效性。实验结果表明,HTU-Net在无需进行任何复杂的后处理的情况下,分割和定位表现都达到了领域内最优的或极具竞争力的表现。另一方面,Li Se Net以仅仅2.2M的参数量达到了领域内极具竞争力的表现,相比以往的最优方法的参数量小了14倍,分别证明了本文所提出的两种方法的有效性。

关键词：虹膜分割虹膜定位卷积神经网络注意力机制 Transformer 多尺度特征聚合

无监督学习全局和局部特征建模的低光照图像增强

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

无线电通信技术 2023年第2期49卷 357-365页

作者：王英凡南京邮电大学宽带无线通信技术教育部工程研究中心江苏南京210003

在EnlightenGAN的启发下,提出了一种新的基于无监督学习全局和局部特征建模的低光照图像增强网络(Low-light Image Enhancement Network Based on Unsupervised Learning Global and Local Feature Modeling Image Enhancement,GLFMIE)。该网络分为两个阶段:生成网络和判别网络。生成网络包括全局和局部特征建模网络,判别网络包括全局和局部判别网络。在全局特征建模中创新性地引入了Swin-Transformer Block,其移位窗口机制可以以较少的内存消耗对输入图像进行长距离的特征依赖建模,并很好地提取图像颜色、纹理和形状的特征,从而有效地抑制噪声和伪影。在局部特征建模中,设计了一种多尺度图像和特征聚合(Multi-Scale Image and Feature Aggregation,MSIFA)网络,允许在单个U型网内交换来自不同尺度的信息,进一步增强图像特征的表征能力。在多个公共数据集的测试实验中,与已有一些先进低光照图像增强算法相比,该算法均取得了SOTA级别的表现。

关键词：低光照图像增强 Swin-Transformer 全局和局部特征建模多尺度特征聚合