-
题名并行注意力机制在图像语义分割中的应用
被引量：10
- 1
-
-
作者
张汉
张德祥
陈鹏
章军
王兵
-
机构
安徽大学电气工程与自动化学院
安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心
安徽工业大学电气与信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第9期151-160,共10页
-
基金
国家自然科学基金(62072002,61672035)。
-
文摘
在卷积神经网络中融入注意力机制越来越成为语义分割强化特征学习的重要方法。提出了一种融合了局部注意力和全局注意力的卷积神经网络。输入图像经主干网络的特征提取,并行输入给局部注意力和全局注意力模块。局部注意力模块以编码-解码结构实现多尺寸的局部特征融合,全局注意力模块根据每个像素与其所在特征图上所有像素的相关性捕获全局信息。融合两个注意力模块不仅减少了局部信息的丢失,而且捕获了具有长距离依赖的全局信息,有效提升了特征提取的能力。采用一种数据相关的上采样方法代替双线性插值法恢复特征图至输入尺寸,同时改善了分割效果。采用Dice Loss损失函数并针对样本不平衡问题在类别损失前加入权重系数进一步改善了分割效果。该方法在药丸污点数据集、药丸缺损数据集以及走廊数据集上分别得到了96.39%、93.44%、96.28%的平均交并比结果。
-
关键词
局部注意力
全局注意力
数据相关上采样
样本不平衡
-
Keywords
local attention
global attention
data-dependent upsampling
imbalanced of sample
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名改进Unet++在脑肿瘤图像分割的研究
被引量：11
- 2
-
-
作者
侯奕辰
彭辉
谢俊章
曾庆喜
-
机构
成都信息工程大学软件工程学院
-
出处
《计算机工程与设计》
北大核心
2022年第6期1725-1731,共7页
-
基金
四川省科技计划基金项目(2019YJ0356)。
-
文摘
针对计算机辅助脑肿瘤图像分割精度不高,提出改进的密集连接网络Unet++脑肿瘤自动分割网络。分别将残差块和数据相关型上采样Dupsampling融入网络的编码、解码部分,提高特征提取的能力并防止梯度消失;使用Mish激活函数代替Relu激活函数,更平滑的曲线有助于提升网络的非线性特征提取能力和泛化性;使用交叉熵和Dice结合的损失函数,进一步提升分割精度。该方法在BraTs2019部分数据上验证,在全肿瘤、核心肿瘤和增强肿瘤分割结果的Dice系数分别达到0.9236、0.8745、0.8404,豪斯多夫距离为1.806、2.994、1.865,优于大多数脑肿瘤分割模型。
-
关键词
脑肿瘤分割
密集连接网络Unet++
残差块
数据相关型上采样Dupsampling
Mish激活函数
-
Keywords
brain tumor segmentation
dense connection network Unet++
residual block
data correlation upsampling structure Dupsampling
Mish activation function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
