期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于U^(2)-Net的岩体内部结构面智能识别研究
1
作者
白万明
赵宇
+2 位作者
刘艳彪
马骏
徐帅
《金属矿山》
北大核心
2025年第4期219-225,共7页
结构面对于岩体力学行为和变形破坏机制具有重要影响。快速精确获取结构面分布特征和参数信息对于深部工程岩体稳定性和灾害孕育机制分析具有重要意义。钻孔摄像是一种岩体内部结构面探测新技术,但对钻孔图像中结构面的识别仍以人工辨...
结构面对于岩体力学行为和变形破坏机制具有重要影响。快速精确获取结构面分布特征和参数信息对于深部工程岩体稳定性和灾害孕育机制分析具有重要意义。钻孔摄像是一种岩体内部结构面探测新技术,但对钻孔图像中结构面的识别仍以人工辨识为主,存在工作量大、处理速度慢与人为误差大等问题。基于此,开展了基于U^(2)-Net卷积神经网络的钻孔图像结构面智能识别研究。首先收集20个钻孔1013张钻孔图像;其次,应用图像翻转、色彩抖动、模糊处理和Mixup等数据扩充方法,将数据集扩充到12421张,建立钻孔摄像数据集,解决结构面分割网络训练过程中样本不足的问题;然后,基于深度学习框架PyTorch,设置学习率0.001,训练批次为4,使用Adam优化器,在训练过程中自适应调整学习率,建立结构面智能识别模型;模型在置信度阈值为0.7时F度量值达到了最大值0.749,在召回率大于0.5范围内精确率最高可达0.85,实现了结构面区域的完整分割。与人工识别方式相比,在重合度50%的条件下,U^(2)-Net网络识别率达到了94.8%,表明该网络具有较高的识别精确率与一定的泛化性。
展开更多
关键词
钻孔摄像
结构面
智能提取
u2-net卷积神经网络
在线阅读
下载PDF
职称材料
多尺度非对称卷积的轻量级U2-Net医学影像语义分割模型
2
作者
孙水发
王清华
+4 位作者
邹耀斌
唐庭龙
侯斌
吴义熔
崔文超
《重庆理工大学学报（自然科学）》
CAS
北大核心
2024年第11期138-146,共9页
基于U2-Net网络结构,设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原U2-Net网络的层数,减少模型参数量;通过改变U2-Net网络连接方式,使用U-Net++网络的跳跃连接方式,...
基于U2-Net网络结构,设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原U2-Net网络的层数,减少模型参数量;通过改变U2-Net网络连接方式,使用U-Net++网络的跳跃连接方式,使模型在传递特征信息时保持完整性,减少信息损失,使分割边缘更加精确且连续;根据正负样本不均衡和难易不同的问题设计了避免在训练过程中大量简单负样本占据主导地位的二分类交叉熵损失函数(BCE Loss),更倾向于挖掘前景区域的骰子损失函数(Dice Loss)以及更偏向于两图的结构相似性的多层级结构相似性损失函数(MS-SSIM Loss)的组合损失函数,用来监督网络优化。实验结果表明:所提算法在DRIVE、STARE数据集上比现有最先进网络模型(SOTA)的F1分数分别提高2.6%、1.4%,在ISIC-2018数据集上比SOTA的DSC指标提高2.6%。对分割结果进行可视化后表明,网络在样本较小的情况下可以充分提取样本信息,提高语义分割效果。
展开更多
关键词
语义分割
医学影像
非对称
卷积
核
u
2
-net
网络
在线阅读
下载PDF
职称材料
基于U1-net网络的放疗脑肿瘤靶区分割
3
作者
张本健
林辉
+2 位作者
郭栋
王桂林
胡敏
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2023年第8期1070-1078,共9页
文章基于全卷积神经网络(fully convolutional network,FCN)的U-net网络,并通过对U-net网络的调整,构建适用于脑肿瘤图像分割的U1-net网络。U1-net网络由卷积层、最大池化层、反卷积层和激活函数4个部分组成。通过在公共数据集BRATS 201...
文章基于全卷积神经网络(fully convolutional network,FCN)的U-net网络,并通过对U-net网络的调整,构建适用于脑肿瘤图像分割的U1-net网络。U1-net网络由卷积层、最大池化层、反卷积层和激活函数4个部分组成。通过在公共数据集BRATS 2015上的实验验证了该网络的有效性。实验结果表明,该网络能适应脑肿瘤轮廓取得较好的分割效果,在脑肿瘤的完整肿瘤区、核心肿瘤区、增强肿瘤区的Dice相似系数(Dice similarity coefficient,DSC)分别为0.95、0.85、0.83。
展开更多
关键词
深度学习(DL)
全
卷积
神经网络
(FCN)
u
1
-net
网络
BRATS
2
015数据集
脑肿瘤分割
在线阅读
下载PDF
职称材料
题名
基于U^(2)-Net的岩体内部结构面智能识别研究
1
作者
白万明
赵宇
刘艳彪
马骏
徐帅
机构
甘肃酒钢集团宏兴钢铁股份有限公司
深部金属矿山安全开采教育部重点实验室
出处
《金属矿山》
北大核心
2025年第4期219-225,共7页
基金
国家自然科学基金项目(编号:52074062)
辽宁省科技计划联合计划项目(编号:2023JH2/101700346)。
文摘
结构面对于岩体力学行为和变形破坏机制具有重要影响。快速精确获取结构面分布特征和参数信息对于深部工程岩体稳定性和灾害孕育机制分析具有重要意义。钻孔摄像是一种岩体内部结构面探测新技术,但对钻孔图像中结构面的识别仍以人工辨识为主,存在工作量大、处理速度慢与人为误差大等问题。基于此,开展了基于U^(2)-Net卷积神经网络的钻孔图像结构面智能识别研究。首先收集20个钻孔1013张钻孔图像;其次,应用图像翻转、色彩抖动、模糊处理和Mixup等数据扩充方法,将数据集扩充到12421张,建立钻孔摄像数据集,解决结构面分割网络训练过程中样本不足的问题;然后,基于深度学习框架PyTorch,设置学习率0.001,训练批次为4,使用Adam优化器,在训练过程中自适应调整学习率,建立结构面智能识别模型;模型在置信度阈值为0.7时F度量值达到了最大值0.749,在召回率大于0.5范围内精确率最高可达0.85,实现了结构面区域的完整分割。与人工识别方式相比,在重合度50%的条件下,U^(2)-Net网络识别率达到了94.8%,表明该网络具有较高的识别精确率与一定的泛化性。
关键词
钻孔摄像
结构面
智能提取
u2-net卷积神经网络
Keywords
drilling camera
str
u
ct
u
ral plane
intelligent extraction
u
2
-net
CNN
分类号
TD67 [矿业工程—矿山机电]
在线阅读
下载PDF
职称材料
题名
多尺度非对称卷积的轻量级U2-Net医学影像语义分割模型
2
作者
孙水发
王清华
邹耀斌
唐庭龙
侯斌
吴义熔
崔文超
机构
三峡大学电气与新能源学院
杭州师范大学信息科学与技术学院
三峡大学计算机与信息学院
北京师范大学人文和社会科学高等研究院
出处
《重庆理工大学学报（自然科学）》
CAS
北大核心
2024年第11期138-146,共9页
基金
国家社会科学基金项目(20BTQ066)。
文摘
基于U2-Net网络结构,设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原U2-Net网络的层数,减少模型参数量;通过改变U2-Net网络连接方式,使用U-Net++网络的跳跃连接方式,使模型在传递特征信息时保持完整性,减少信息损失,使分割边缘更加精确且连续;根据正负样本不均衡和难易不同的问题设计了避免在训练过程中大量简单负样本占据主导地位的二分类交叉熵损失函数(BCE Loss),更倾向于挖掘前景区域的骰子损失函数(Dice Loss)以及更偏向于两图的结构相似性的多层级结构相似性损失函数(MS-SSIM Loss)的组合损失函数,用来监督网络优化。实验结果表明:所提算法在DRIVE、STARE数据集上比现有最先进网络模型(SOTA)的F1分数分别提高2.6%、1.4%,在ISIC-2018数据集上比SOTA的DSC指标提高2.6%。对分割结果进行可视化后表明,网络在样本较小的情况下可以充分提取样本信息,提高语义分割效果。
关键词
语义分割
医学影像
非对称
卷积
核
u
2
-net
网络
Keywords
semantic segmentation
medical imaging
asymmetric convol
u
tion kernels
u
2
-net
network
分类号
TP391.7 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于U1-net网络的放疗脑肿瘤靶区分割
3
作者
张本健
林辉
郭栋
王桂林
胡敏
机构
合肥工业大学电子科学与应用物理学院
合肥工业大学计算机与信息学院
出处
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2023年第8期1070-1078,共9页
基金
国家自然科学基金资助项目(61672202,U1613217)。
文摘
文章基于全卷积神经网络(fully convolutional network,FCN)的U-net网络,并通过对U-net网络的调整,构建适用于脑肿瘤图像分割的U1-net网络。U1-net网络由卷积层、最大池化层、反卷积层和激活函数4个部分组成。通过在公共数据集BRATS 2015上的实验验证了该网络的有效性。实验结果表明,该网络能适应脑肿瘤轮廓取得较好的分割效果,在脑肿瘤的完整肿瘤区、核心肿瘤区、增强肿瘤区的Dice相似系数(Dice similarity coefficient,DSC)分别为0.95、0.85、0.83。
关键词
深度学习(DL)
全
卷积
神经网络
(FCN)
u
1
-net
网络
BRATS
2
015数据集
脑肿瘤分割
Keywords
deep learning(DL)
f
u
lly convol
u
tional network(FCN)
u
1
-net
network
BRATS
2
015 data set
brain t
u
mor segmentation
分类号
R811.1 [医药卫生—放射医学]
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于U^(2)-Net的岩体内部结构面智能识别研究
白万明
赵宇
刘艳彪
马骏
徐帅
《金属矿山》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
多尺度非对称卷积的轻量级U2-Net医学影像语义分割模型
孙水发
王清华
邹耀斌
唐庭龙
侯斌
吴义熔
崔文超
《重庆理工大学学报（自然科学）》
CAS
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于U1-net网络的放疗脑肿瘤靶区分割
张本健
林辉
郭栋
王桂林
胡敏
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
