基于改进U-Net的胃癌病理图像分割方法研究
这是一篇关于胃癌,语义分割,u-net,efficientnetv2,物体上下文特征的论文, 主要内容为胃癌是困扰全世界的疾病之一,医学图像分割作为一项重要的辅助手段,快速且准确地分割出胃癌病理图像中病变区域的研究受到越来越多人的关注。目前,U-Net在各种医学图像分割任务中都取得了显著的成果,这得益于它简单而有效的U型结构以及端到端的训练方式。然而,胃癌病理图像相较超声等医学造影图像存在胃癌病变区域和形状不确定、胃癌病变区域边缘复杂和相关数据集数据偏少的问题,导致常规的U-Net并不能取得很好的效果。为了进一步提高胃癌病理图像的分割准确度,本文针对上述提出的三个问题,围绕基于U-Net的医学图像分割方法展开研究,论文主要内容和创新工作如下:(1)针对胃癌细胞位置、形状不确定的特点以及胃癌数据集数据偏少,容易出现过拟合的问题,本文在已有的U-Net模型基础上,提出了一种新的基于Efficient Net V2和测试阶段增强的ETU-Net。ETU-Net以经过Image Net21k预训练的Efficient Net V2作为骨干特征提取网络,增强网络编码器的特征提取能力,并使用测试阶段增强后处理,通过对输入图像进行翻转和不同角度旋转的变换,从多个角度预测输入图像,再通过特征融合的方式将多个预测结果进行合并,进一步优化网络的输出结果,能有效解决医学数据集较小的问题。该模型在SEED数据集、BOT数据集和Pascal VOC2012数据集上进行实验,其平均交并比分别可以达到81.1%、74.9%、76.2%,验证了模型的有效性。(2)针对胃癌病变区域边缘复杂,上采样过程中细节丢失的问题,本文在ETU-Net的基础上,提出了一种新的基于注意力和物体上下文特征的EOU-Net+,首先,该模型在上采样过程中加入了改进后的注意力门模块,让网络得到权衡特征图重要性的能力,将注意力放在含有病变细胞的特征图上,减少上采样过程中的细节丢失。然后,当网络上采样到原图二分之一的大小时,通过改进后的物体上下文特征模块,让网络能探索细胞像素间的关系,判断相邻像素是否属于同一类,从而提高边缘分割的准确度。同样,该模型在SEED数据集、BOT数据集和Pascal VOC2012数据集上进行实验,其平均交并比分别可以达到81.8%、75.7%、77.3%,实现了更准确的分割。
基于MST-DeepLabv3+模型的高分辨率遥感影像耕地提取研究
这是一篇关于高分辨率遥感影像,语义分割,轻量级网络,注意力机制,迁移学习的论文, 主要内容为耕地与经济和民生息息相关,是不可或缺的重要资源。然而,在我国城市化和工业化的快速发展中,耕地资源正逐步被占用,威胁到“耕地红线”政策的目标。因此,快速且准确的对耕地信息进行提取对保证农业可持续发展和国家粮食安全有着十分重要的意义。遥感影像能够提供地表物体的丰富信息,遥感影像分类是耕地信息提取的重要手段。随着遥感影像质量的不断提升,高分辨率遥感影像带来了丰富的地物信息,但对其高精度、高效率的分类提取也是一个极大的挑战。深度学习中的语义分割算法凭借着较高的分类精度,以及较强的自动学习能力,逐渐成为处理高分辨率遥感影像的重要手段之一。本文将深度学习语义分割模型应用于高分辨率遥感影像耕地信息提取,探索适用于耕地提取的高精度、高效率方法。经典语义分割模型通常具有大量的训练参数,进行影像分割时存在分割不准确和效率低的问题,且大多数耕地提取的方法只适用于某些特定的数据集或者特定的研究区,模型的泛化能力较差。针对这些问题,本文的主要研究工作和结论如下:(1)对DeepLabv3+模型改进,得到MST-DeepLabv3+模型。使用轻量级网络Mobile Net V2替代DeepLabv3+模型的特征提取网络Xception,以减少模型参数量,提高训练速度;对比不同的注意力机制模块,选取通道注意力机制SENet加入模型,弥补轻量级网络带来的精度损失,提高遥感影像语义分割的精度;引入迁移学习,将Image Net数据集上训练的特征提取网络用做预训练模型,增强模型获取特征的能力,提升网络分割精度。在ISPRS Vaihingen数据集与GID数据集上进行多模型对比实验的结果显示,MST-DeepLabv3+模型具有优秀的分割性能,能够有效解决经典模型分割结果中存在的不同程度误分、漏分及过度分割问题,改善地物边界及轮廓分割不准确的现象,为后续耕地信息提取提供帮助。此外,消融实验也说明了改进方法对模型的影响。(2)耕地信息提取研究。以周口市太康县作为研究区,使用高分一号遥感卫星的PMS影像制作太康耕地数据集。为进一步探索适用于耕地提取的方法,在MST-DeepLabv3+模型的基础上,提出改变迁移模型的MST-DeepLabv3+(GID)与改变影像波段组合的MST-DeepLabv3+(Nir RG)两种方法。将这两种方法与MST-DeepLabv3+、PSPNet、UNet和DeepLabv3+模型应用于太康耕地数据集。实验结果表明,本文提出的MST-DeepLabv3+(GID)、MST-DeepLabv3+(Nir RG)与MST-DeepLabv3+三种方法的各项评价指标值均高于PSPNet、UNet和DeepLabv3+模型,可以很好的完成耕地区域完整分割,具有平滑分割边界,消除粘连现象的能力,能够高效且高精度的实现耕地信息提取。其中MST-DeepLabv3+模型精度最高,整体效果更好。实验证实了本文提出的三种模型均能有效的提取耕地信息,能够为今后的高分辨率遥感影像耕地信息提取提供参考。其中MST-DeepLabv3+模型不仅在耕地提取任务中具有最佳的分割性能,在其他数据集上也能得到较好的分割结果,泛化能力强。
基于注意力机制与轻量化网络的图像语义分割
这是一篇关于深度学习,语义分割,DeepLabv3+,注意力机制,轻量化网络的论文, 主要内容为语义分割是计算机视觉的一项重要任务,它在自动驾驶、医学影像、增强现实等领域具有广阔发展前景。传统图像分割算法的精度和效率难以满足实际应用的需求。近年来,基于深度学习的图像语义分割研究取得重大突破。本文以DeepLabv3+模型为基础,提出了两种图像语义分割算法,具体工作如下。(1)提出了基于双注意力机制的DeepLabv3+算法。DeepLabv3+模型中的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)利用不同扩张率的空洞卷积聚合多尺度图像特征,提升了不同尺度目标的分割结果。但ASPP难以充分表达丰富的全局上下文信息,且没有考虑不同通道特征重要程度的差异,导致大量细节信息丢失。针对上述问题,提出一种基于双注意力机制的DeepLabv3+算法。该算法在ASPP中添加位置注意力模块以建模全局上下文关系,增强特征判别能力;并利用通道注意力模块获取不同特征通道间的相互依赖关系,强化重要通道特征的学习,改善语义分割效果。在PASCAL VOC 2012增强数据集上进行实验,结果表明,所提算法的平均交并比(MIo U)和平均像素精确度(MPA)相比于DeepLabv3+算法分别提升了2.05%和2.19%,且分割精度优于其他5种对比算法。(2)提出了基于注意力机制与密集邻域预测的轻量化图像语义分割算法。DeepLabv3+模型编码器利用Xception提取图像特征,计算开销大;空洞空间金字塔池化模块生成的特征图各通道权重相同,没有考虑不同通道特征的差异,难以突出重要通道特征;解码器生成的高语义化特征图缺乏足够的细节信息,导致分割结果较差。针对上述缺陷,提出基于注意力机制与密集邻域预测的轻量化图像语义分割算法。该模型利用Mobile Net V2提取图像特征,降低了模型参数量;利用通道空洞空间金字塔池化提取多尺度信息,并对特征图的各通道加权,强化重要通道特征的学习;采用密集邻域预测融合高级特征与低级特征,细化语义分割结果。在PASCAL VOC 2012增强数据集上进行实验,结果表明,所提算法的平均交并比和平均像素精确度均高于其他5种主流对比算法。与DeepLabv3+相比,参数量与计算量分别减少184.82M和90.83GFLOPs,该算法在提升分割精度的同时减少了计算开销。
基于DeeplabV3+的轻量化遥感图像语义分割模型研究
这是一篇关于遥感图像,语义分割,DeeplabV3+,轻量化,ECA注意力机制的论文, 主要内容为遥感图像语义分割是一种从遥感图像中提取有用信息的关键技术,在城市规划、农业监测、灾害预警和国防等各个领域都有重要应用。随着计算机科学技术的快速发展,许多传统的语义分割方法已经被深度学习语义分割方法取代。基于深度学习的遥感图像语义分割是当前遥感领域研究的热点。目前,现有的深度学习遥感图像语义分割模型往往具有复杂的网络结构和大量参数,并且难以在移动设备中应用等问题。因此,保持遥感语义分割模型的复杂度和分割精度之间的平衡具有重要的现实意义。本文基于DeeplabV3+的轻量级遥感图像语义分割模型进行了深入研究,主要工作包括以下几点:1、为了实现高效且准确的语义分割模型,采用Mobile Net V2作为骨干网络。但是,Mobile Net V2的主体结构在遥感图像语义分割任务上表现不足,它的特征提取能力和空间感知能力有限。因此,本文对Mobile Net V2进行改进,使用Rep VGG中的残差结构增强骨干网络的特征提取能力和空间感知能力,使其在遥感图像语义分割任务上表现更好。2、使用Dice Loss损失函数和交叉熵损失函数的组合作为损失函数,以解决遥感图像中样本区域不均衡的问题。Dice Loss损失函数可以更好地关注小区域类别的分割性能,而交叉熵损失函数可以保证整体类别的平衡性。这种组合可以有效地解决样本区域不均衡的问题,提高模型分割性能。3、通过对DeeplabV3+中的ASPP模块和解码器进行改进,以降低语义分割模型参数量和计算量。首先,使用深度可分离卷积替换ASPP模块和解码器中的3×3卷积,减少模型参数量和计算量,并增强局部特征提取能力。其次,用3×3分组卷积代替主干网络中的3×3卷积,可以进一步降低模型参数量和计算量,但也会降低一定的模型分割精度。针对精度损失的问题,使用ECA注意力机制来增强通道。通过ECA注意力机制与分组卷积网络有机的结合,在降低模型计算量、参数量和复杂度的同时,还保持模型的分割精度和泛化能力。本文所提出来的语义分割模型在WHDLD、DLRSD和UDD6遥感图像数据集上进行了实验验证。实验表明,本文提出的方法在取得了良好的效果,在实际遥感图像分割应用中具有较强的实用性价值。
智能外卖送货移动机器人系统研究
这是一篇关于外卖配送,语义分割,Lab红绿灯识别,R-CNN目标检测的论文, 主要内容为近些年,新零售模式下的货物和物流体量不断升级。本文针对外卖配送行业,以机器人和无人驾驶技术为承载体,设计了一套完整的低成本解决方案,本文核心研究和工作内容包括:(1)设计了VGG-16-FCN-8s的全卷积编解码语义分割网络用于检测当前行驶道路,平均精度达86.38%,泛化能力远远超过使用统计概率霍夫直线变换和线性回归的车道线检测算法。(2)研究了将Faster R-CNN目标检测与识别网络以VGG-16为基础架构的实现,在测试集上取得平均80.62%的准确率,并在现有车端硬件上达到了5fps的检测速度;结合Lab颜色模型用于红绿灯识别,相比传统HSV检测算法在晴天、阴雨天和夜晚均有近8%的精度提升。(3)自建了车道语义分割和障碍物目标检测数据集,合并现有的大型公开数据集进行神经网络训练,相比使用单独的数据集,在多段测试道路上均有0.8%2%的准确率提升。(4)硬件上独立设计了车模、保温盒和解锁装置,软件上开发了Web订餐、微信公众号和短信通知、后台任务管理和关键帧图像对象存储系统。相机与二维激光雷达数据用于环境感知,超声波和左右激光测距仪用于避障感知。经过实际的校园及周边多段短距离道路验证,本文所设计的整套系统能够自主完成配送流程并原路返回起点。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/45289.html
