检索结果-南通市图书馆

作者：陈鑫江西理工大学

学位级别：硕士

眼底视网膜血管结构与某些疾病有着密切联系,医生可以根据视网膜血管的直径、尺寸和弯曲程度等形态学特征对青光眼、糖尿病和高血压等疾病进行诊断。视网膜血管精确分割是诊断这类疾病的关键步骤,然而现阶段血管分割主要依靠人工标注完... 详细信息

眼底视网膜血管结构与某些疾病有着密切联系,医生可以根据视网膜血管的直径、尺寸和弯曲程度等形态学特征对青光眼、糖尿病和高血压等疾病进行诊断。视网膜血管精确分割是诊断这类疾病的关键步骤,然而现阶段血管分割主要依靠人工标注完成,人工标注血管既费时又费力,且容易受到个人主观因素影响。视网膜血管呈现树形结构,结构复杂,容易受到光照、成像设备和疾病等因素影响,仅依靠人工标注难以实现血管的精确分割。因此需要设计一种计算机自动辅助诊断系统来精确分割视网膜血管,以提升医生的诊断效率。为了提高视网膜血管分割精度,本文分别提出三种算法:多尺度注意力细化视网膜血管分割算法、基于U-Net多尺度自校准视网膜血管分割算法和双解码路径可伸缩密集卷积视网膜血管分割算法。主要研究内容如下:(1)考虑到传统U-Net网络结构简单,提取特征单一,较难应对血管复杂多变的特征结构,本文基于U-Net结构提出多尺度注意力细化视网膜血管分割算法。首先,在编码和解码阶段使用改进的密集卷积模块提取血管的多尺度特征信息,在减少参数量同时充分利用和融合浅层的特征信息,保留更多细节信息;其次,设计一种双向注意力机制,从水平和垂直两个方向分析得出各个像素重要程度,消除背景和噪声的干扰;最后,在解码路径引入空间细化结构进一步提取血管的空间结构,减少背景伪影,细化血管形态。(2)为了进一步提升血管分割的精确度,提高对细小血管识别能力,提出一种融合可伸缩级联模块、Transformer模块和自校准注意力机制等模块的多尺度自校准视网膜血管分割算法,改善原始U-Net分割效果。首先,在编码阶段和解码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构,并嵌入通道注意力,以强调有用特征信息,加强特征传递;然后,在网络底部嵌入Transformer模块,有效捕获血管全局上下文特征信息,有利于视网膜血管信息空间重建;最后,在跳跃连接阶段提出一种自校准注意力机制,自适应对特征通道与空间之间特征的重要性进行校准,增强目标区域特征响应,抑制不相关特征,增强血管特征在网络中的表达。(3)为了改善血管不连通的问题,进一步解决细小血管分割不足问题,提出双解码路径可伸缩密集卷积血管分割算法。首先,设计可伸缩密集卷积模块,高效融合浅层特征信息,提升细小血管信息的传递效率和加速网络的收敛;然后引入特征激活模块,通过学习通道和空间相互依赖关系,使得浅层特征和深层特征得到有效融合,提高网络对目标区域的关注度;其次,引入多层级特征融合模块,扩大特征提取的感受野,促进不同尺度的特征融合;再次,引入双解码架构和自校准模块,利用第一条解码输出来提取编码器可能丢失的血管细节。最后,借鉴两条路径的输出特征,完善血管结构,得到最终的血管分割。将上述算法在公开数据集上进行实验,相关实验表明,本文所提出的算法可以实现主血管结构连续完整,并尽可能分割出更多的细小血管,且与最近几年视网膜血管分割算法对比,本文所提算法整体性能均优于现有的大多数算法。

关键词：视网膜血管分割编码解码架构多尺度特征融合注意力机制卷积神经网络

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

基于多阶门控聚合网络的光学化学结构识别

引用

计算机工程 2024年

作者：林帆李建华华东理工大学信息科学与工程学院

在光学化学结构识别（Optical Chemical Structure Recognition，OCSR）领域，现有基于深度学习的模型通常依赖于卷积神经网络或视觉Transformer进行视觉特征提取，并采用Transformer进行序列解码。这些模型虽有效，但仍受限于图像特征... 详细信息

在光学化学结构识别（Optical Chemical Structure Recognition，OCSR）领域，现有基于深度学习的模型通常依赖于卷积神经网络或视觉Transformer进行视觉特征提取，并采用Transformer进行序列解码。这些模型虽有效，但仍受限于图像特征提取能力和解码时位置编码的精确性，从而影响识别效率。针对这些限制，将多阶门控聚合网络（Multi-order gated aggregation Network，MogaNet）和引入相对位置编码的Transformer构成的编码解码架构用于OCSR领域，提出一种基于多阶门控聚合网络的光学化学结构识别模型。该模型首先在图像特征提取时通过MogaNet空间聚合模块，捕获多尺度特征并减少特征冗余，并且通过MogaNet通道聚合模块改善通道维度的多样性；其次，在序列解码时采用引入相对位置编码的Transformer作为解码器，精确捕捉序列单词之间的相对位置关系。为了训练和验证该模型，构建了一个包含40万分子的化学结构数据集，其中包含Markush结构与非Markush结构。实验结果表明，该模型的准确率达到了92.36%，优于其他现有的模型。

关键词：光学化学结构识别编码解码架构深度学习 SMILES表达式多阶门控聚合网络

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

引用

地球信息科学学报 2021年第9期23卷 1690-1704页

作者：李国清柏永青杨轩陈正超余海坤河南省遥感测绘院郑州450003 中国科学院空天信息创新研究院中国科学院航空遥感中心北京100094 中国科学院空天信息创新研究院中国科学院数字地球重点实验室北京100094 河南省自然资源卫星遥感科技创新中心郑州450003

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为... 详细信息

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现:同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。

关键词：深度学习土地覆盖分类高分辨率编码解码架构卷积神经网络自动分类残差网络多尺度损失函数

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

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：