-
题名基于DDRNet的无步长卷积语义分割方法
- 1
-
-
作者
刘冰
胡明强
-
机构
长春工业大学计算机科学与工程学院
-
出处
《长春工业大学学报》
CAS
2024年第1期59-65,共7页
-
基金
吉林省教育厅基金资助项目(JJKH20230765KJ)。
-
文摘
引用SPD-Conv模块,通过空间转换深度的模块和无步长卷积层替代跨步卷积层,保留通道维度中的所有信息。在DDRNet结构中应用SPD-Conv模块,取得了较好的性能。使用单个RTX3090GPU在无预训练的情况下,MIoU值在城市数据集上达到了79.09%。
-
关键词
DDRNet
SPD-Conv
无步长卷积
多分辨率路径
-
Keywords
DDRNet
SPD-Conv
convolution without stride
multi-resolution path
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进YOLOv8s的肺结节检测算法
- 2
-
-
作者
郭相均
蒋朝根
-
机构
西南交通大学计算机与人工智能学院
-
出处
《现代信息科技》
2025年第7期87-92,共6页
-
文摘
肺癌已成为世界范围内死亡率较高的常见癌症之一,肺结节是肺癌的早期表现。针对CT影像中肺结节检测困难的问题,提出一种基于改进YOLOv8s的肺结节检测算法。主干网络采用改进的YOLOv8s,使用空间深度转换卷积替换传统的步长卷积和池化层,避免步长卷积和池化层在处理低分辨率图像或小物体时导致细粒度信息的丢失。加入坐标注意力模块,考虑了肺结节影像的通道间关系和位置信息,使模型能更准确地定位并识别目标区域。使用Focal Loss替换交叉熵损失函数,以解决数据集样本标签数量较少的问题。采用自适应激活函数,不仅能提升网络的稳定性,还能提高网络精度。使用LUNA16数据集验证算法性能,改进后的肺结节检测算法检测精度达到了77.8%,较Faster R-CNN和YOLOv8s检测算法分别提升了3.7%和8.6%。
-
关键词
肺结节检测
YOLOv8s
无步长卷积
自适应激活函数
空间注意力机制
-
Keywords
pulmonary nodule detection
YOLOv8s
no more strided convolution
adaptive activation function
spatial attention mechanism
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
