检索结果-南通市图书馆

作者：丁媛媛山东师范大学

学位级别：硕士

近年来,医学图像处理在医学诊断任务中变得越来越重要,生物学和医学中的许多工作需要通过显微细胞图像计算细胞数目,帮助医疗过程中进行对疾病的诊断和选择适当的治疗方法。随着计算机视觉领域的发展,医学诊断研究等工作越来越多的应用... 详细信息

近年来,医学图像处理在医学诊断任务中变得越来越重要,生物学和医学中的许多工作需要通过显微细胞图像计算细胞数目,帮助医疗过程中进行对疾病的诊断和选择适当的治疗方法。随着计算机视觉领域的发展,医学诊断研究等工作越来越多的应用到成像仪来对图像中的细胞计数,然而准确计算图像中细胞的数量是一项具有挑战性的任务,由于细胞大小和形状会随着时间发生显著变化,以及图像中的细胞分布较密集,会出现相互遮挡、粘连等情况,准确的计算细胞图像中的数目是非常困难的。为了解决这些问题,许多现有工作使用密度回归估计的方法来计算细胞图像中的细胞数目,将输入模型的细胞图像通过深度学习等技术转换为预测密度图,之后对预测密度图进行回归计数来估计图像中的细胞数目,密度回归估计的方法对于图像中细胞数目的计算比检测方法有着更高的准确度。因此本文对基于密度回归估计的方法计算图像中细胞数目的工作展开研究,考虑到传统的基于密度回归估计的方法中会造成误差的因素,本文提出两种方法来解决上述问题,本文的创新点和贡献主要包括以下两点:(1)通过直接学习从预测计数图到注释图的映射的方法来对图像中的细胞计数,以此来避免由高斯核生成地面真值(ground truth)预测密度图的过程对结果的影响,使用贝叶斯算法来优化损失函数,从数据集中的注释来构建密度贡献概率模型,通过对每个像素对计数的贡献概率和估计密度的乘积求和,来计算每个注释点的期望计数。(2)使用一种基于最优传输理论的损失函数,该算法将细胞计数视为概率分布问题,将密度值映射和二进制点注释转换为概率密度函数,并测量它们之间的差别,通过这种方式来可靠地监督计数器生成预测计数图,并将熵正则化约束项添加到损失函数中,以提高训练过程的稳定性,并使预测计数图更接近注释图。为了证明方法的有效性,本文在三个公开可用的细胞计数基准上进行评估,分别为合成荧光显微镜(VGG)数据集、改良骨髓(MBM)数据集和人类皮下脂肪组织(ADI)数据集,实验结果表明,本文的方法在这三个数据集上都展示出了与现有工作最优结果相当或优于最好结果的表现。

关键词：细胞计数密度回归损失函数卷积神经网络

来源：

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

基于深度残差网络的麦穗回归计数方法

引用

中国农业大学学报 2021年第6期26卷 170-179页

作者：刘航刘涛李世娟李路华吕纯阳刘升平中国农业科学院农业信息研究所北京100081 扬州大学农学院江苏扬州225009

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量。对ResNet34网络... 详细信息

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量。对ResNet34网络进行改进,提出了ResNet-16模型,实现端对端的麦穗计数。针对ResNet34网络复杂度高的特点,ResNet-16增加了残差块的宽度,减少了ResNet34网络的深度;为了避免真值密度图的精度误差以及梯度下降过快,引入了矫正因子δ和膨胀因子K。结果表明:改进后的ResNet-16模型能够取得更好的预测精度,平均绝对误差为2.50,均方根误差为3.27,相关系数R2为0.973,计数准确率达到94%,较MCNN计数模型精度提高了6%,可以实现高效、快速的麦穗计数。利用基于深度残差网络的回归计数模型为麦穗计数提供了一种新的计数方式。

关键词：麦穗计数密度回归残差网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

滨海湿地的鸟类监测计数方法:目标检测与密度估计

引用

中国水运（下半月） 2021年第5期21卷 38-39,42页

作者：练慧俊郑红浙江海洋大学船舶与海运学院浙江舟山316000 浙江海洋大学浙江舟山316000

滨海湿地中鸟类是主要的生物之一。我们保护鸟群的同时也是保护湿地,对湿地中鸟群的监测是必不可少的方法之一。对影像资料中鸟类进行识别计数的现有方法对图像本身要求较高,如背景与目标易于区分,目标重叠度低等。而基于数据驱动的深... 详细信息

滨海湿地中鸟类是主要的生物之一。我们保护鸟群的同时也是保护湿地,对湿地中鸟群的监测是必不可少的方法之一。对影像资料中鸟类进行识别计数的现有方法对图像本身要求较高,如背景与目标易于区分,目标重叠度低等。而基于数据驱动的深度学习模型能有效学习目标特征,提高识别率。本文基于迁移学习理念,从目标检测和密度估计两个角度对湿地中鸟类进行统计计数,建立了滨海湿地鸟类图像数据集,其他鸟类图像作为补充,其中单张图像包含鸟类的数量1~900不等。同时得到在测试集中目标检测模型YOLOv4的平均计数误差为6.70,密度回归模型CAN的平均计数误差为15.11。

关键词：湿地保护鸟类计数目标检测密度回归

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的荧光显微成像中细胞自动计数方法研究

基于深度学习的荧光显微成像中细胞自动计数方法研究

引用

作者：刘晓平电子科技大学

学位级别：硕士

在生物学和医学领域,细胞计数是为了确定给定体积的样品中细胞的数量。换句话说,它是样品中细胞浓度的量度。细胞计数是医学诊断和治疗以及生物学研究中非常重要的过程,被全世界的科学家和医学从业人员使用。临床和医院使用细胞计数来... 详细信息

在生物学和医学领域,细胞计数是为了确定给定体积的样品中细胞的数量。换句话说,它是样品中细胞浓度的量度。细胞计数是医学诊断和治疗以及生物学研究中非常重要的过程,被全世界的科学家和医学从业人员使用。临床和医院使用细胞计数来确定患者的健康状况,比如全血细胞计数（FBC）这项医学检查,涉及对患者血液样本中的细胞进行计数,这项检查将会通过某些细胞类型的数量来得到这些细胞的浓度,而细胞浓度信息可以反映患者的身体情况,同时细胞计数对于发现脑区之间的关联也有重要作用,可以通过注射荧光剂得到的荧光细胞数量来说明该脑区与注射位点脑区的相关性。总之细胞计数可以反映人体健康信息以及脑区之间的关联等作用,但人工细胞计数耗时耗力,需要一种自动化的手段来帮助人类进行细胞计数。本论文从自动化细胞计数的研究角度,提出了一个自动化细胞计数的模型框架,能够对多种情况的细胞进行自动化计数工作。该模型框架分为两个阶段:召回阶段、排序阶段,召回阶段的主要目的是滤除背景噪声,保留真实细胞,去除背景噪声的干扰,同时具备标签更新功能,该阶段采用的分裂网络,在局部特征提取网络中加入了由RNN提取的方向特征模块,提高了分类性能;排序阶段是进一步对召回的输出进行更加精密的细胞计数,该阶段通过拟合细胞密度图来得到视野中细胞的总数量,模型由编码、解码、像素级融合阶段组成。在编码和解码阶段为了更好的得到语义和空间细节信息,引入了语义增强模块以及对级联信息的特征选择模块,更好的保持语义和细节信息。在最后的密度图融合阶段剔除单点像素注意力融合机制,利用注意力机制对每个像素学习一个融合权重,来得到最终的融合密度图。通过我们提出的模型框架,可以快速、准确的预测细胞的数量,为细胞计数应用方向以及科研人员带来了极大的方便。

关键词：细胞计数召回排序密度回归特征选择样本不平衡注意力机制

来源：

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CNN的无人机麦穗计数方法研究

基于CNN的无人机麦穗计数方法研究

引用

作者：刘航中国农业科学院

学位级别：硕士

图像领域的快速发展使得高效、快速的获取小麦产量成为农业信息化的研究热点,其中单位面积的穗数是估算小麦产量的重要指标。针对传统麦穗计数方法效率低、主观性高等问题,本研究在广泛调研CNN和计数相关研究的基础上,将基于深度残差网... 详细信息

图像领域的快速发展使得高效、快速的获取小麦产量成为农业信息化的研究热点,其中单位面积的穗数是估算小麦产量的重要指标。针对传统麦穗计数方法效率低、主观性高等问题,本研究在广泛调研CNN和计数相关研究的基础上,将基于深度残差网络的密度回归模型引入麦穗的计数领域,提出利用卷积神经网络对无人机采集的大田麦穗图像进行麦穗回归计数的方法,建立原始图片与真值密度图的对应关系,以真值密度图像素值总和来确定图像中麦穗数量。(1)构建了小麦大田图像数据集。主要选取扬州大学实验田中的2种不同的小麦品种为实验对象,利用大疆无人机持续采集不同密度下的小麦RGB图像共计3451张,剪切之后得到11 168张小麦图像,从中随机挑选出3000张图片并以9:1的比例制作训练集和测试集,随之对图像进行手工标注用以制作小麦的真值密度图。在模型开始训练之前,对训练集的图像和与之对应的真值密度图做了进行了相应的尺度变换和翻转等操作,用以扩充训练集的数量。(2)建立了基于无人机的大田麦穗计数模型。这部分内容主要工作为:参照ResNet34网络架构提出一种改进的卷积神经网络ResNet-16模型,实现端对端的麦穗计数。针对ResNet34网络复杂度高的特点,ResNet-16在减少不必要的残差块的同时扩展保留的残差块宽度,既减少了ResNet34网络的深度,也加快了网络的运算速度;最后为了避免真值密度图的精度误差以及梯度下降过快,引入了矫正因子δ和膨胀因子K。(3)在公开的全球小麦数据集和大田试验数据集中进行了模型验证,效果突出。这部分内容主要工作为选取了不同的计数模型,主要包括ResNet-34直接回归模型,MCNN及其它基于密度的回归计数模型,对比其在各个数据集中的计数精度,从而验证ResNet-16模型的优越性。结果表明:和同类模型对比,改进后的ResNet-16模型的精度和准确度等高于同期,其平均绝对误差为8.44,均方根误差为11.21,相关系数R为0.84,计数准确率达到89.26%,较MCNN计数模型精度提高约了1.5%,较Shuffle Net模型提高了2个百分点,证实了基于CNN与无人机在麦穗图像计数中的可行性。并且ResNet-16模型还在全球小麦检测数据集上取得了94%的预测精度,模型RMSE与MAE分别为3.38和2.51,相关系数R为0.98,均远高于其他密度回归模型。利用基于深度残差网络的回归计数模型为麦穗计数提供一种新的计数方式,通过训练好的模型大大减少了整块农田麦穗的估计所带来的计算负载,为小麦产量的估测提供了技术支持。

关键词：麦穗计数密度回归残差网络无人机图像识别

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：