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
共找到9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：
改进UNet++模型的脑肿瘤图像分割算法 被引量：1
1
作者 付豪 张振利 陈源 《河北大学学报(自然科学版)》 北大核心 2025年第4期398-407,共10页
针对计算机辅助脑肿瘤图像边缘分割模糊、分割精度不高的问题,提出了一种改进的嵌套UN-et++脑肿瘤图像分割算法.首先,设计MCAM(Mishcoordinateattentionmodule)模块代替原UNet++的特征提取部分,嵌入坐标注意力机制(coordinateattention,... 针对计算机辅助脑肿瘤图像边缘分割模糊、分割精度不高的问题,提出了一种改进的嵌套UN-et++脑肿瘤图像分割算法.首先,设计MCAM(Mishcoordinateattentionmodule)模块代替原UNet++的特征提取部分,嵌入坐标注意力机制(coordinateattention,CA)关注不同方向上的位置信息以增强特征提取能力,使用Mish激活函数替换ReLU激活函数防止出现梯度消失,提高脑肿瘤图像分割精度和泛化能力;其次,在特征提取后加入SME(squeezeMishexcitation)模块进行挤压和激励,扩大特征图的感受野以增强对肿瘤特征的学习能力;最后,利用焦点Dice损失函数关注模糊样本的分割,从而改善脑肿瘤图像边缘分割模糊的问题.提出的算法在Figshare数据集上进行仿真实验,实验结果表明,在均值交并比(MIoU)、类别平均像素准确率(MPA)、骰子系数(Dice)和豪斯多夫距离(Hausdorffdistance,HD)评估指标上分别达到83.26%、81.91%、86.45%和18.57mm.与3DUNet、Swin-UNet、DD-UNet、LRAE-UNet和AI-UNet等算法进行对比,证明提出的算法分割效果更优. 展开更多
关键词 脑肿瘤图像分割 UNet++ MCAM CA注意力机制 Mish激活函数 SME 焦点dice损失函数
在线阅读 下载PDF
基于改进YOLOv8n的煤矿井下钻杆计数方法 被引量：6
2
作者 姜媛媛 刘宋波 《工矿自动化》 CSCD 北大核心 2024年第8期112-119,共8页
为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精... 为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。 展开更多
关键词 矿井钻机 钻杆计数 YOLOv8n−TBiD BiFPN Triplet Attention dice损失函数 钻杆掩码 图像分割
在线阅读 下载PDF
基于拉普拉斯金字塔残差网络的多尺度图像压缩研究
3
作者 田学军 章文强 +3 位作者 马梓轩 陈良哲 叶卉荣 舒忠 《印刷与数字媒体技术研究》 CAS 北大核心 2024年第5期33-44,共12页
为了更好地进行图像重建,加强对图像多尺度特征表示和特征融合的处理,本研究提出一种新的多尺度特征融合图像重建网络模型。模型包括迭代降采样和迭代上采样过程。迭代降采样过程是通过在拉普拉斯金字塔残差控制网络模型中将高斯卷积核... 为了更好地进行图像重建,加强对图像多尺度特征表示和特征融合的处理,本研究提出一种新的多尺度特征融合图像重建网络模型。模型包括迭代降采样和迭代上采样过程。迭代降采样过程是通过在拉普拉斯金字塔残差控制网络模型中将高斯卷积核与子采样和高斯平滑滤波迭代操作规则相结合完成的。迭代上采样过程是通过使用拉普拉斯卷积核和二阶差分操作规则实现的。GJ-UNet深度学习网络模型通过其编码器下采样模块实现图像多尺度语义特征的精细分类,并在解码器上采样模块中应用反卷积和卷积操作规则,规范处理图像多尺度语义特征。实验表明,所提出的方法可以实现高精度的特征提取,同时对于图像特征融合的相关性更强,提取的图像边缘信息更清晰且相对噪声信息更低,重建图像的视觉效果基本与原始输入图像相同。本研究有望广泛应用于计算机图像视觉领域。 展开更多
关键词 压缩感知图像重构 图像多尺度特征 拉普拉斯金字塔模型 差分运算 GJ-UNet深度学习网络模型 dice损失函数
在线阅读 下载PDF
基于改进U型神经网络的脑出血CT图像分割 被引量：5
4
作者 胡敏 周秀东 +2 位作者 黄宏程 张光华 陶洋 《电子与信息学报》 EI CSCD 北大核心 2022年第1期127-137,共11页
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃... 针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9%,3.6%,7.0%,3.1%,表明AU-Net+模型具有更好的分割效果。 展开更多
关键词 脑出血CT图像分割 注意力机制 dice损失函数 残差八度卷积模块
在线阅读 下载PDF
基于全卷积DenseNet的前列腺MRI分割新方法 被引量：4
5
作者 胡学刚 杨洪光 《计算机应用研究》 CSCD 北大核心 2020年第6期1886-1889,1894,共5页
前列腺磁共振图像(MRI)的自动分割对前列腺疾病的诊断至关重要,但是前列腺区域所占比例过小、组织边界模糊等问题为自动分割带来极大困难。针对这些问题,提出了一种基于全卷积DenseNet的前列腺MRI图像分割方法。该方法以现流行的深度学... 前列腺磁共振图像(MRI)的自动分割对前列腺疾病的诊断至关重要,但是前列腺区域所占比例过小、组织边界模糊等问题为自动分割带来极大困难。针对这些问题,提出了一种基于全卷积DenseNet的前列腺MRI图像分割方法。该方法以现流行的深度学习理论为基础,利用迁移学习的思想,将DenseNet从自然图像迁移到前列腺数据集;采用反卷积和类似U-Net的全卷积神经网络结构,实现端到端的图像分割。同时引入并改进Dice相似性损失函数以解决前列腺MRI中背景所占比例远远大于前列腺区域和一些像素难以准确分割等问题。通过在PROMISE12数据集上进行实验,提出的方法 Dice相似性系数达到93. 25%,Hausdorff距离小于1. 2 mm,相较于目前的主要方法,分割效果更好、所耗时间更短。 展开更多
关键词 前列腺MRI分割 DenseNet 全卷积神经网络 dice损失函数
在线阅读 下载PDF
面向少量标注数据的中文命名实体识别 被引量：5
6
作者 张昀 黄橙 +6 位作者 张玉瑶 黄经纬 张宇德 黄丽亚 刘艳 丁可柯 王秀梅 《中文信息学报》 CSCD 北大核心 2023年第3期101-111,共11页
训练数据的缺乏是目前命名实体识别存在的一个典型问题。实体触发器可以提高模型的成本效益,但这种触发器需要大量的人工标注,并且只适用于英文文本,缺少对其他语言的研究。为了解决现有TMN模型实体触发器高成本和适用局限性的问题,提... 训练数据的缺乏是目前命名实体识别存在的一个典型问题。实体触发器可以提高模型的成本效益,但这种触发器需要大量的人工标注,并且只适用于英文文本,缺少对其他语言的研究。为了解决现有TMN模型实体触发器高成本和适用局限性的问题,提出了一种新的触发器自动标注方法及其标注模型GLDM-TMN。该模型不仅能够免去人工标注,而且引入了Mogrifier LSTM结构、Dice损失函数及多种注意力机制增强触发器匹配准确率及实体标注准确率。在两个公开数据集上的仿真实验表明:与TMN模型相比,在相同的训练数据下,GLDM-TMN模型的F_(1)值在Resume NER数据集和Weibo NER数据集上分别超出TMN模型0.0133和0.034。同时,该模型仅使用20%训练数据比例的性能就可以优于使用40%训练数据比例的BiLSTM-CRF模型性能。 展开更多
关键词 中文命名实体识别 实体触发器 Mogrifier LSTM结构 联合损失函数 注意力机制
在线阅读 下载PDF
一种基于改进ResU-Net的角膜神经分割算法 被引量：9
7
作者 郝华颖 赵昆 +3 位作者 苏攀 张辉 赵一天 刘江 《计算机工程》 CAS CSCD 北大核心 2021年第1期217-223,共7页
角膜神经图像的自动分割对于糖尿病神经病变等疾病的诊断与筛查至关重要。针对由于角膜神经图像存在对比度低且包含非神经结构而造成分割效率较低的问题,在ResU-Net结构基础上引入多尺度残差、注意力机制、多尺度图像输入与多层损失函... 角膜神经图像的自动分割对于糖尿病神经病变等疾病的诊断与筛查至关重要。针对由于角膜神经图像存在对比度低且包含非神经结构而造成分割效率较低的问题,在ResU-Net结构基础上引入多尺度残差、注意力机制、多尺度图像输入与多层损失函数输出模块,提出一种基于注意力机制的角膜神经分割算法。多尺度残差模块通过在残差模块中加入多尺度表征信息以提高卷积层提取多尺度特征的能力,而注意力机制模块在双重注意力作用下,利用网络对编码器与解码器中的目标特征进行权重优化,使得在增强图像目标区域特征的同时抑制背景及噪声区域,并采用多尺度图像输入与多层函数输出模块以监督网络中每一层的特征学习。实验结果表明,与主流分割算法相比,该算法的分割效果更优,且曲线下面积与敏感度分别可达到0.990和0.880。 展开更多
关键词 角膜神经 多尺度残差 注意力机制 ResU-Net结构 dice系数损失函数
在线阅读 下载PDF
基于深度学习和形态学的海底沙波谷线提取
8
作者 刘晓亚 韩留生 +3 位作者 李正元 范俊甫 张大富 孙广伟 《海洋测绘》 CSCD 北大核心 2023年第2期65-68,73,共5页
为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用Dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合... 为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用Dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合数学形态学中的闭运算和骨架法,对沙波谷线轮廓进行修复并提取线性特征;进一步将改进的U-Net模型与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、面向对象分类以及U-Net模型进行精度对比验证。结果表明:改进的U-Net模型能够解决类别不均衡的问题,实现沙波谷线的高精度提取,该方法对海底沙波的研究具有重要的科学与工程应用价值。 展开更多
关键词 海底地形测量 侧扫声纳 提取海底沙波谷线 U型卷积神经网络 数学形态学 dice损失函数
在线阅读 下载PDF
基于CBAM-Res_UNet电厂高压蒸汽泄漏检测研究 被引量：17
9
作者 彭道刚 刘薇薇 +1 位作者 戚尔江 胡捷 《电子测量与仪器学报》 CSCD 北大核心 2021年第12期206-214,共9页
发电厂高压蒸汽泄漏检测关乎电厂设备长期稳定运行。为了提高电厂高压蒸汽泄漏检测的准确性,解决泄漏区域的错分割和漏分割问题,提出基于CBAM-Res_UNet图像分割网络的电厂高压蒸汽泄漏检测算法,在UNet结构中加入ResNet的残差块residual_... 发电厂高压蒸汽泄漏检测关乎电厂设备长期稳定运行。为了提高电厂高压蒸汽泄漏检测的准确性,解决泄漏区域的错分割和漏分割问题,提出基于CBAM-Res_UNet图像分割网络的电厂高压蒸汽泄漏检测算法,在UNet结构中加入ResNet的残差块residual_block来获取泄漏图像更多的语义信息,并且融入CBAM,加强高压蒸汽泄漏图像区域特征的学习,网络再根据不同损失函数和评价标准对图像分割结果的影响,选择损失函数Focal Loss+Dice Loss和性能指标F1_score。通过在电厂高压蒸汽泄漏图像数据集上进行实验,CBAM-Res_UNet网络得到的F1_score值为0.985,实验结果表明,该网络可以更加完整的分割出蒸汽泄漏区域,对高压蒸汽泄漏图像多样性有较强的泛化能力。 展开更多
关键词 电厂高压蒸汽泄漏检测 CBAM-Res_UNet图像分割网络 损失函数Focal loss+dice loss 性能指标F1_score
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部