-
题名改进型密集递归残差U-Net的皮肤病变图像分割
- 1
-
-
作者
赵德春
袁杨
秦璐
韦莉
叶昌荣
-
机构
重庆邮电大学生命健康信息科学与工程学院
重庆邮电大学光电工程学院
-
出处
《中国生物医学工程学报》
北大核心
2025年第3期291-300,共10页
-
基金
重庆市自然科学基金面上项目(CSTB2024NSCQ-MSX0957)
国家自然科学基金青年项目(62201106)。
-
文摘
皮肤病变区域的准确分割对计算机辅助诊断具有重要意义。但皮肤病变图像形状不规则、边界模糊并存在噪声干扰,给皮肤病变区域准确分割造成了困难,极大影响了分割的精度。为此,提出了一种基于改进型密集递归残差U-Net模型(IDR2U-Net),实现皮肤病变区域自动分割。首先,将编码层和解码层中的原始卷积块优化为递归残差卷积模块,并且使用密集连接,缓解了梯度消失问题;其次,引入特征自适应模块,通过加强有效特征和抑制无关背景噪声,增强相邻特征之间的融合程度;接着,设计双重注意力机制,其中空间注意力增大全局信息的利用效率,通道注意力用于加强通道特征间的相关性,提升网络对皮肤病变区域分割的准确率,同时采用联合Dice系数与交叉熵的损失函数训练分割网络,解决皮肤镜图像中类别不平衡的问题;最后,采用ISIC 2017皮肤病变数据集中的2000余张图片进行了消融实验和对比实验。实验结果表明,IDR2U-Net模型在Jaccard、Dice系数和准确率上分别达到了78.86%、86.92%和94.61%。改进后的模型不仅提高了精度,还实现了更精细的图像分割,特别是在处理边界模糊图像时,能有效减少欠分割现象。
-
关键词
皮肤病变图像分割
U型网络
密集递归残差卷积模块
特征自适应模块
双重注意力机制
-
Keywords
skin lesion image segmentation
U-Net
dense recurrent residual convolution module
feature adaptation module
dual attention mechanism
-
分类号
R318
[医药卫生—生物医学工程]
-
-
题名基于双通道残差密集网络的红外与可见光图像融合
被引量：5
- 2
-
-
作者
冯鑫
杨杰铭
张鸿德
邱国航
-
机构
重庆工商大学机械工程学院制造装备机构设计与控制重庆市重点实验室
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2023年第11期278-289,共12页
-
基金
国家自然科学基金(No.22178036)
重庆市高校创新研究群体项目(No.CXQT21024)
重庆市自然科学基金项目(No.CSTB2022NSCQ-MSX0271)。
-
文摘
为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题,充分提取红外与可见光图像中的特征信息,提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中,双通道结构由密集连接和残差连接模块级联构成,并设置一种综合像素、结构相似度和梯度特征保留的损失函数,使该编码器结构可以充分提取红外与可见光图像的多层次特征,在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合,最后设计对应的解码器对融合特征图像进行重构,获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比,结果表明该方法在主观和客观上都具有优秀的综合性能。
-
关键词
红外与可见光图像融合
双通道网络
残差密集模块
注意力机制
自编码器
-
Keywords
Infrared and visible image fusion
Dual channel parallel network
Residual dense module
Attention model
Auto-encoder network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于全局补偿注意力机制的战场图像去雾方法
被引量：1
- 3
-
-
作者
林森
王金刚
高宏伟
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2024年第4期1344-1353,共10页
-
基金
辽宁省高等教育创新人才计划扶持项目(LR2019058)
辽宁省教育厅高等学校基本科研项目(LJKMZ20220615)。
-
文摘
在现代化战争中,广泛利用图像等载体获取信息,但雾天环境下得到的图像不仅影响场景呈现,而且会掩盖重要特征。为提高雾天图像在现代化战争的利用价值,提出一种基于全局补偿注意力机制的战场图像去雾方法。构建全局补偿模块保证输出图像的完整性,并加入通道下采样恢复清晰图像;使用密集残差模块学习退化图像和清晰图像的非线性映射,同时加入注意力机制提高网络的灵活处理能力;通过提升输入图像的通道数量确保网络充分学习特征信息。实验结果表明,与经典和新颖图像去雾方法比较,所提方法在主观和客观评价上均取得出色成绩,说明该方法将注意力机制和全局补偿模块充分结合,有效缓解了战场图像退化问题,同时注重特征增强,使信息得以完整呈现,具有更优越的性能。
-
关键词
战场图像去雾
全局补偿
注意力机制
密集残差模块
-
Keywords
battlefield image dehazing
global compensation
attention mechanism
dense residual module
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于空间元学习的放大任意倍的超分辨率重建方法
被引量：2
- 4
-
-
作者
孙忠凡
周正华
赵建伟
-
机构
中国计量大学信息与数学系
-
出处
《计算机应用》
CSCD
北大核心
2020年第12期3471-3477,共7页
-
基金
国家自然科学基金资助项目(61571410)
浙江省自然科学基金资助项目(LY18F020018,LSY19F020001)。
-
文摘
针对现有的基于深度学习的超分辨率重建方法主要研究放大整数倍的重建,对放大任意倍(如非整数倍)重建情况讨论较少的问题,提出一种基于空间元学习的放大任意倍的超分辨率重建方法。首先,利用坐标投影找出高分辨率图像与低分辨率图像坐标间的对应关系;其次,在元学习网络的基础上,考虑特征图的空间信息,将提取到的空间特征与坐标位置相结合作为权值预测网络的输入;最后,将权值预测网络预测出的卷积核与特征图结合,从而有效地放大特征图的尺寸,得到放大任意倍的高分辨率图像。所提的空间元学习模块可以与其他深度网络相结合,得到放大任意倍的超分辨率图像重建方法。所提的放大任意倍(非整数倍)超分辨率重建方法解决了实际生活中放大尺寸固定且非整数倍的重建问题。实验结果表明,所提的重建方法在空间复杂度(网络参数)相当的情况下,时间复杂度(计算量)是其他重建方法的25%~50%,且峰值信噪比(PSNR)比其他一些方法提高了0.01~5 dB,结构相似度(SSIM)提高了0.03~0.11。
-
关键词
超分辨率
深度学习
空间元学习
残差密集模块
权值预测
-
Keywords
super-resolution
deep learning
spatial meta-learning
residual dense module
weight prediction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度沙漏结构的单幅图像去雨算法研究
被引量：2
- 5
-
-
作者
马婧婧
黄煜峰
陈翔
-
机构
沈阳航空航天大学电子信息工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2021年第3期561-565,共5页
-
基金
国家自然科学基金项目(61901284)资助
辽宁省教育厅项目(JYT2020030)资助。
-
文摘
雨天环境会造成图像模糊、变形,大幅降低图像质量,对于后续的图像分析和应用造成严重影响.单幅图像的去雨算法研究成为热点,然而现有算法存在过度平滑、颜色失真和复杂雨水图像复原能力差等诸多问题,去雨问题难以有效解决.本文提出一种新颖的多尺度沙漏结构的单幅图像去雨算法.首先,针对雨的特征复杂多样的特点,采用多尺度沙漏网络结构,提取并融合多尺度的雨线特征;其次,在沙漏网络内部,引入残差密集模块,使特征在不同级别网络中实现传递和复用,最大限度的提取细节特征和增强网络表达能力;最后,针对雨水不均匀分布的特点,在残差密集网络基础上加入注意模块,提高算法在空间和通道方面特征提取能力,能够处理复杂的雨天图像.实验结果表明,本方法相较于现有算法,能够更好的去除雨线,并且能够最大程度的保留图像细节和颜色信息.
-
关键词
单幅图像去雨
多尺度沙漏网络
残差密集模块
注意力机制
-
Keywords
single image deraining
multiscale hourglass network
residual dense module
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
