检索结果-南通市图书馆

基于改进unet的混凝土CT孔隙裂隙分割方法

在线全文

学校读者我要写书评

暂无评论

中国矿业大学学报 2023年第3期52卷 615-624页

作者：贺军义冯嘉莘焦华喆李远航吴梦翔韩一杰河南理工大学计算机科学与技术学院河南焦作454000 河南理工大学土木工程学院河南焦作454000

为了解决计算机断层扫描(Computed Tomography,CT)混凝土图像中裂隙和孔隙像素值一致,导致阈值分割效果差的问题,提出一种基于unet模型的改进模型,对混凝土CT图像进行裂隙和孔隙分割.首先,通过CT技术扫描混凝土试块获取CT图像后,人工标... 详细信息

为了解决计算机断层扫描(Computed Tomography,CT)混凝土图像中裂隙和孔隙像素值一致,导致阈值分割效果差的问题,提出一种基于unet模型的改进模型,对混凝土CT图像进行裂隙和孔隙分割.首先,通过CT技术扫描混凝土试块获取CT图像后,人工标注出CT图像中的裂隙与孔隙,并利用数据增强扩充训练集;然后,采用非对称卷积模块和残差模块对unet模型中编码器和解码器进行改进,在特征提取部分采用非对称卷积模块降低模型的运算量后,使用残差模块减少参数量,降低了训练过拟合,有效提升了CT图像中裂隙与孔隙的分割精度.试验结果表明:改进模型在制作的混凝土CT图像数据集上召回率达83%,分割精度为85%,Dice值为85%,对比unet和其他现有的深度学习模型都有较高提升,为混凝土细观破坏机理研究提出新的思路.

关键词：混凝土CT 裂隙孔隙分割 unet 非对称卷积残差模块

基于双注意力机制的COVID-19病灶CT图像分割方法

在线全文

学校读者我要写书评

暂无评论

东北大学学报（自然科学版） 2023年第9期44卷 1259-1268页

作者：姜杨刘成丁其川王力东北大学机器人科学与工程学院辽宁沈阳110167

从CT图像中快速、准确地分割出新型冠状病毒肺炎(COVID-19)病灶区域,是实现对COVID-19计算机辅助诊疗的重要环节,为此提出了一种基于双注意力机制的COVID-19病灶CT图像分割方法.首先,引入门控注意力AG模块从空间上增强对病灶区域的关注... 详细信息

从CT图像中快速、准确地分割出新型冠状病毒肺炎(COVID-19)病灶区域,是实现对COVID-19计算机辅助诊疗的重要环节,为此提出了一种基于双注意力机制的COVID-19病灶CT图像分割方法.首先,引入门控注意力AG模块从空间上增强对病灶区域的关注,降低图像亮度不均衡、低对比度对分割精度的影响;其次,引入结合残差单元的SE-Res模块对病灶区域进行通道增强,提取细微结构特征,提高网络对病灶形状变化较大和磨玻璃边界区域的分割性能.在COVID-19公共数据集上实验表明,所提出方法达到的Dice系数、阳性预测值、交并比分别为0.9088,0.9152,0.8589,与前期研究相比,分别提高了0.75%,0.11%,0.65%.所提出方法能提高对病灶形状变化较大区域和磨玻璃边界的分割精度,整体性能优于当前主流模型.

关键词：图像处理医学图像分割新型冠状病毒肺炎双注意力机制 unet

基于unet+GRU深度学习方法提高叠后地震资料分辨率

在线全文

学校读者我要写书评

暂无评论

Applied Geophysics 2023年第2期20卷 176-185,241页

作者：郭爱华路鹏飞王丹丹吴吉忠陈晓彭怀宇蒋书豪东华理工大学信息工程学院江西南昌330013 华北油田第一采油厂地质研究所河北任丘062550 东北石油大学河北秦皇岛066000 东华理工大学地球物理与测控技术学院江西南昌330013

现有的地震资料提频方法大部分都有各自的局限性,根据已有方法的优缺点,本文尝试将深度学习技术应用到提高地震资料分辨率中。首先,在unet深度学习方法的基础上,井震结合,以测井声波时差和密度曲线建立合成地震记录,以井上合成地震记录... 详细信息

现有的地震资料提频方法大部分都有各自的局限性,根据已有方法的优缺点,本文尝试将深度学习技术应用到提高地震资料分辨率中。首先,在unet深度学习方法的基础上,井震结合,以测井声波时差和密度曲线建立合成地震记录,以井上合成地震记录为标签,以井旁地震道数据为输入数据,建立井旁地震道数据与井上合成地震记录的训练模型,用来提高地震资料的中高频信息;其次,利用GRU实现原始地震记录中低频趋势的保留,将unet和GRU结果组合在一起,实现既提高了中高频信息又保护了地震数据中的低频信息;然后开展模型训练,将模型应用到三维地震数据体上开展计算,提高地震资料分辨率。相对以往方法,提取出的信息更加丰富。通过理论模型和实际数据应用,表明本文方法在提高叠后地震资料分辨率方面有效。

关键词：叠后地震数据测井数据提高分辨率深度学习 unet GRU

基于RCH-unet的新疆密植棉花图像快速分割及产量预测

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第7期40卷 230-239页

作者：刘祥田敏梁金艳石河子大学机械电气工程学院石河子832003

针对复杂棉田环境下传统图像分割技术存在分割精度低、实时性弱和鲁棒性差等问题,该研究以脱叶期新疆密植棉花为对象,结合低空无人机遥感平台,提出一种RCH-unet(resnet coordinate hardswish unet)棉花产量快速预测模型。将unet中传统的... 详细信息

针对复杂棉田环境下传统图像分割技术存在分割精度低、实时性弱和鲁棒性差等问题,该研究以脱叶期新疆密植棉花为对象,结合低空无人机遥感平台,提出一种RCH-unet(resnet coordinate hardswish unet)棉花产量快速预测模型。将unet中传统的CBR(convolution batch normalization ReLU)下采样模块替换为ResNet50,同时将CA(coordinate attention)注意力机制和hardswish激活函数引入unet,以提高图像特征的提取能力,增强图像分割效果。基于无人机采集的棉花图像数据集评估RCH-unet模型性能。试验结果表明,在该研究构建的棉花图像数据集上,RCH-unet模型的棉花分割交并比达到92.79%,像素准确率达到96.22%,精确率为96.30%,与原始U-Net、PSPNet和DeepLabv3相比,像素准确率分别提高了9.85、17.67、6.31个百分点。通过RCH-unet提取棉花像素比和灰度共生矩阵提取纹理特征,结合岭回归分析构建多因素棉花产量预测模型,模型的R^(2)为0.92,预测产量与实际产量平均绝对百分比误差为9.254%。研究结果可为新疆密植棉花产量预测提供技术支持。

关键词：深度学习图像处理语义分割 unet 自注意力机制密植棉花产量预测

基于改进unet的输电通道沿线易漂浮物遥感识别

在线全文

学校读者我要写书评

暂无评论

高电压技术 2023年第8期49卷 3395-3404页

作者：杨知江子航张思航牛博文窦晓军冯权泷中国电力科学研究院有限公司北京100195 中国农业大学土地科学与技术学院北京100193 国家电网有限公司北京100031

输电通道沿线的易漂浮物(塑料大棚、地膜和防尘绿网)是输电线路主要外破隐患之一,开展对易漂浮物的遥感识别对外破隐患治理具有重要意义。现有的相关遥感识别研究大多仅针对易漂浮物中的一种,且较少在输电通道沿线区域开展。该文提出了... 详细信息

输电通道沿线的易漂浮物(塑料大棚、地膜和防尘绿网)是输电线路主要外破隐患之一,开展对易漂浮物的遥感识别对外破隐患治理具有重要意义。现有的相关遥感识别研究大多仅针对易漂浮物中的一种,且较少在输电通道沿线区域开展。该文提出了一个基于改进unet的语义分割模型,包含空洞空间卷积池化金字塔模块(Atrous spatial pyramid pooling,ASPP)、非局部特征提取模块(Non-local)和亚像素卷积(Sub-pixel convolution)策略。选取江苏省内4条输电通道沿线区域作为研究区,实验总体精度为94.86%,平均交并比为0.6805,优于传统语义分割模型,消融实验证明了以上3个模块的有效性。研究表明,基于高分辨率卫星遥感影像,利用该文模型在输电通道沿线区域开展易漂浮物识别是可行且有效的,可为外破隐患综合治理提供决策依据。

关键词：输电通道易漂浮物外破遥感影像语义分割 unet

改进型unet网络在脑CT图像出血区域识别与分割中的应用

在线全文

学校读者我要写书评

暂无评论

四川大学学报（医学版） 2022年第1期53卷 114-120页

作者：周正松陈旭淼张皞宇万红丽赵杰祎张韬王晓宇成都锦城学院成都611731 四川大学华西公共卫生学院/四川大学华西第四医院成都610064 四川大学华西医院神经外科成都610041

目的探讨改进型unet网络技术对脑CT图像出血区域识别与分割的性能及其应用价值。方法回顾性纳入476份自发性脑出血(spontaneous intracerebral hemorrhage,SICH)患者的脑CT图像,采用基于改进型unet网络对患者脑CT图像出血区域进行识别... 详细信息

目的探讨改进型unet网络技术对脑CT图像出血区域识别与分割的性能及其应用价值。方法回顾性纳入476份自发性脑出血(spontaneous intracerebral hemorrhage,SICH)患者的脑CT图像,采用基于改进型unet网络对患者脑CT图像出血区域进行识别和分割,由临床医生手动标注出血区域的影像数据,通过随机排序后,选取来自106例患者的430份数据进入训练集,11例患者的46份数据进入测试集,实验数据集通过数据增强后,经过网络训练和模型测试,以检验分割性能,并将分割结果与unet网络(Base)、FCN-8s和unet++网络进行对比。结果改进型unet网络对脑CT图像出血区域的分割中,相似性系数(Dice)、正向预测系数(PPV)、灵敏度系数(SC)三项评价指标分别达到0.8738、0.9011和0.8648,相较于FCN-8s网络分别提升8.80%、7.14%和8.96%,相较于unet网络(Base)分别提升4.56%、4.44%和4.15%,同时优于unet++网络的分割性能。结论本文提出的基于unet网络的改进方法对脑CT出血区域的识别和分割具有良好的性能,是一种脑CT出血区域识别和分割的适用方法,对于辅助临床决策和预防早期血肿扩张具有潜在应用价值。

关键词：自发性脑出血出血区域 CT图像 unet

MPSPNet和unet网络下山东省高分辨耕地遥感提取

在线全文

学校读者我要写书评

暂无评论

遥感学报 2023年第2期27卷 471-491页

作者：李倩楠张杜娟潘耀忠代佳佳遥感科学国家重点实验室北京师范大学地理科学学部北京100875 青海师范大学地理科学学院西宁810016 北京师范大学地理科学学部遥感科学与工程研究院北京100875

高分辨率遥感影像中耕地特征复杂,人工目视解译和传统的遥感影像分类方法提取能力有限,无法实现大范围的自动化高精度耕地提取。深度学习技术因具有较强的地物表达能力,在遥感影像信息自动提取方面表现出了优越的性能,为大范围耕地的精... 详细信息

高分辨率遥感影像中耕地特征复杂,人工目视解译和传统的遥感影像分类方法提取能力有限,无法实现大范围的自动化高精度耕地提取。深度学习技术因具有较强的地物表达能力,在遥感影像信息自动提取方面表现出了优越的性能,为大范围耕地的精细化自动提取提供了新的思路。探究不同典型网络模型在不同景观特征耕地提取上的适用情况对耕地提取质量和效率的提升具有重要意义。基于此,本研究以高分一号及高分二号融合的2 m分辨率数据为数据源,采用改进的金字塔场景解析网络MPSPNet(Modified Pyramid Scene Parsing Network)和unet网络模型,应用于山东省的耕地精细自动化提取,并与传统面向对象的方法对比,探究两种深度卷积神经网络模型在大尺度耕地自动提取中的适用性。研究获得以下结论:(1) MPSPNet模型和unet模型在区/县尺度的耕地提取上性能优于传统的面向对象的分类方法,在全省尺度的耕地提取上总体精度优于90%且无明显差异。(2)耕地景观特征是影响两模型耕地提取效果的重要因素,模型的选择对耕地提取效果无明显影响。在耕地景观指数较低的地块规则平整的区域,模型提取效果较好,在耕地景观指数较高的地块破碎丘陵区域以及与耕地特征相近的地块区域,模型提取效果较差,并且unet模型在这些区域误分耕地的概率更大。(3)两模型在不同区域、不同时相的影像中能得到较好的耕地提取效果,具有较强的泛化能力和时空迁移能力。

关键词：耕地遥感卷积神经网络 MPSPNet unet

在线全文

学校读者我要写书评

暂无评论

改进unet网络对叠后地震数据的断层识别

计算物理 2023年第6期40卷 742-751页

作者：刘贵鑫马中华天津职业技术师范大学天津300350

为了提高断层识别的准确率,提出改进unet模型。为编码器部分设计一种多分支的并联结构M-block(Multi-branch block),它可以捕获多尺度上下文信息,并且多分支的并联结构会带来高性能收益。在解码器部分加入Self-Attention块和注意力门控... 详细信息

为了提高断层识别的准确率,提出改进unet模型。为编码器部分设计一种多分支的并联结构M-block(Multi-branch block),它可以捕获多尺度上下文信息,并且多分支的并联结构会带来高性能收益。在解码器部分加入Self-Attention块和注意力门控机制。Self-Attention通过对输入特征上下文的加权平均操作,不仅使注意力模块能够灵活地关注图像的不同区域,而且弥补了CNN(Convolutional Neural Network)网络局部性的缺点,为神经网络带来更多的可能性。通过合成数据和实际数据证实,该模型将传统卷积中的权值共享优点和Self-Attention动态计算注意力权重的优点结合,提高了断层识别的精度,与unet相比,验证损失下降了33.68%。模型不仅准确识别出了断层特征,且比目前流行的深度学习方法更准确。

关键词：断层识别多分枝 Self-Attention unet 编码器

Sea-Land Segmentation of Remote Sensing Images Based on SDW-unet

在线全文

学校读者我要写书评

暂无评论

Computer Systems Science & Engineering 2023年第5期45卷 1033-1045页

作者： Tianyu Liu Pengyu Liu Xiaowei Jia Shanji Chen Ying Ma Qian Gao The Information Department Beijing University of TechnologyBeijing 100124China School of Physics and Electronic Information Engineering Qinghai Minzu UniversityXining810000China Advanced Information Network Beijing Laboratory Beijing100124China Computational Intelligence and Intelligent Systems Beijing key Laboratory Beijing100124China Department of Computer Science University of Pittsburgh15260USA

Image segmentation of sea-land remote sensing images is of great importance for downstream applications including shoreline extraction,the monitoring of near-shore marine environment,and near-shore target recognition.To mitigate large number of parameters and improve the segmentation accuracy,we propose a new Squeeze-Depth-Wise unet(SDW-unet)deep learning model for sea-land remote sensing image segmentation.The proposed SDW-unet model leverages the squeeze-excitation and depth-wise separable convolution to construct new convolution modules,which enhance the model capacity in combining multiple channels and reduces the model parameters.We further explore the effect of position-encoded information in NLP(Natural Language Processing)domain on sea-land segmentation task.We have conducted extensive experiments to compare the proposed network with the mainstream segmentation network in terms of accuracy,the number of parameters and the time cost for prediction.The test results on remote sensing data sets of Guam,Okinawa,Taiwan China,San Diego,and Diego Garcia demonstrate the effectiveness of SDW-unet in recognizing different types of sea-land areas with a smaller number of parameters,reduces prediction time cost and improves performance over other mainstream segmentation models.We also show that the position encoding can further improve the accuracy of model segmentation.

关键词： Sea-land segmentation unet depth-wise separable convolution squeeze-excitation position encoding