检索结果-南通市图书馆

电子与信息学报 2024年第3期46卷 1013-1021页

作者：丁建睿王凌涛汤丰赫宁春平哈尔滨工业大学(威海)计算机科学与技术学院威海264209 青岛大学附属医院超声科青岛266003

该文提出一种基于特征反馈机制的超声图像病灶检测方法,以实现超声病灶的实时精确定位与检测。所提方法由基于特征反馈机制的特征提取网络和基于分治策略的自适应检测头两部分组成。特征反馈网络通过反馈特征选取和加权融合计算,充分学... 详细信息

该文提出一种基于特征反馈机制的超声图像病灶检测方法,以实现超声病灶的实时精确定位与检测。所提方法由基于特征反馈机制的特征提取网络和基于分治策略的自适应检测头两部分组成。特征反馈网络通过反馈特征选取和加权融合计算,充分学习超声图像的全局上下文信息和局部低级语义细节以提高局部病灶特征的识别能力。自适应检测头对特征反馈网络所提取的多级特征进行分治预处理,通过将生理先验知识与特征卷积相结合的方式对各级特征分别进行病灶形状和尺度特征的自适应建模,增强检测头对不同大小病灶在多级特征下的检测效果。所提方法在甲状腺超声图像数据集上进行了测试,得到了70.3%的AP,99.0%的AP50和88.4%的AP75,实验结果表明,相较于主流检测算法,所提算法能实现更精准的实时超声图像病灶检测和定位。

关键词：病灶检测特征反馈自适应检测头

来源：

维普期刊数据库

同方期刊数据库

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

基于深度特征融合的目标检测研究

基于深度特征融合的目标检测研究

引用

作者：王海峰云南师范大学

学位级别：硕士

基于深度学习的目标检测技术已广泛应用于移动支付,自动驾驶和安全保护等许多领域,但是在实际电力安全作业检测、高空无人机垃圾检测和震灾房屋损坏检测等应用中仍然存在许多挑战:如小目标检测,遮挡目标检测和应用的实时需求。针对以上... 详细信息

基于深度学习的目标检测技术已广泛应用于移动支付,自动驾驶和安全保护等许多领域,但是在实际电力安全作业检测、高空无人机垃圾检测和震灾房屋损坏检测等应用中仍然存在许多挑战:如小目标检测,遮挡目标检测和应用的实时需求。针对以上问题,本文研究分析多尺度深度特征融合信息使骨干网络提取的不同特征层之间进行信息传递过程,从而获得包含不同尺度层的目标空间位置特征以增加预测目标位置和类别的语义信息。使用有限的相邻特征进行目标级特征融合,会忽略顶层特征和底层之间的信息交换。但是直接使用跨尺度特征层融合会导致网络不稳定的问题。因此,在本文中构建了一种渐进式网络结构和多尺度融合目标特征的实时检测模型来解决该问题。渐进式网络结构能够融合不同尺度层的特征信息,进而减小不同尺度特征层之间的语义差异,并且该结构增强了检测网络的稳定性。对于深度模型每一尺度的特征是否有干扰信息及不平衡训练样本的局部最优化导致目标特征被覆盖问题,本文提出了一种基于特征突显和特征记忆的目标检测技术,其中特征反馈器旨在突显特征层中的目标特征,特征堆叠器主要学习网络模型中检测目标的全局特征。本文提出的方法与最新的目标检测模型在VOC2007/12和FSOD数据集进行了对比,其中实时检测模型的精度提高7%且时间成本降低10%。最后该目标检测模型在高空垃圾智能检测、电力作业安全智能检测和震灾房屋损坏检测任务得到了较好的效果,进而证明了本文提出方法的有效性。

关键词：目标检测深度学习特征融合特征叠加特征反馈

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

基于深度学习的医学图像分割方法的研究

基于深度学习的医学图像分割方法的研究

引用

作者：黄和宇天津工业大学

学位级别：硕士

医学图像分割是计算机辅助诊断系统(CAD)中一项关键又富有挑战性的组成部分,它可以帮助专业医生更直观地了解和掌握病情,为诊断、治疗及预后提供充分的依据。随着深度学习的发展,图像处理技术已经成功地应用于医学图像分割中,其目标是... 详细信息

医学图像分割是计算机辅助诊断系统(CAD)中一项关键又富有挑战性的组成部分,它可以帮助专业医生更直观地了解和掌握病情,为诊断、治疗及预后提供充分的依据。随着深度学习的发展,图像处理技术已经成功地应用于医学图像分割中,其目标是利用神经网络从定义的像素级目标函数中学习辨别性的图像特征,从而分割出医学影像中一些重要和感兴趣的区域。其中,U-Net及其变体的方法已然成为医学图像分割领域中的黄金标准。然而,医学图像受自身属性影响,如类别不平衡和噪声问题,获得理想的分割结果仍然面临巨大的挑战。另外,深度神经网络模型对于医学图像的训练和学习也仍然需要进一步的探索,以往的方法针对医学图像往往像素点的依赖性较低,对于重要辨别性特征的获取存在缺陷,全局信息的丢失和多尺度特征的利用问题也需要得到进一步的改善。因此,本文围绕医学图像分割领域中出现的一些关键问题并结合U-Net框架进行了深入的研究。首先,为了解决医学图像自身类别不平衡和噪声干扰较强所导致的辨别特征提取较难的问题,即网络推理中重要信息被稀释问题,我们提出了一种基于注意力流引导的反馈融合网络结构,充分提取不同层级中特征的辨别性、具有潜在价值的信息,抵制了特征稀释的影响,并且利用注意力机制有效清除了噪声和相似类别的强干扰,将每一层级的高级语义信息做反馈,并高效地结合低级空间信息到主干网络,在跨级的对应特征相互聚合中促进了辨别特征的提取,保证了分割的精确度。其次,我们还认为对于医学图像中的不同尺度和未知的分割目标,以往工作中的多尺度特征融合将不同感受野和尺寸大小的特征图进行简单卷积和直接相加融合是次优的。另外,全局信息在特征推理过程中也没有得以保障,从而导致了分割的不现实和不完整。因此,我们为解决上述问题提出了全局金字塔注意力模块,采用“激活-响应”的新方式进行多尺度信息的整合以及全局上下文关系的建模,极大促进了医学图像中不同大小、位置目标的捕获,保证了分割的完整性。

关键词：深度学习语义分割 U-Net 注意力机制特征反馈多尺度融合

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

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

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：