6篇关于U-Net网络的计算机毕业论文

今天分享的是关于U-Net网络的6篇计算机毕业论文范文, 如果你的论文涉及到U-Net网络等主题,本文能够帮助到你

基于改进U-Net的遥感影像语义分割研究

这是一篇关于遥感图像多分类语义分割,卷积神经网络,U-Net网络,高斯误差线性单元激活函数的论文, 主要内容为遥感图像语义分割是解译遥感图像信息的重要基础环节。而在分割和分割过程中对类别数的确定是重点问题并且对图像的进一步处理起着至关重要的作用。本文重点分析通过深度学习理论中的U-Net网络模型来对高分辨率遥感图像进行多类语义分割。本文基于14张高分辨率遥感图像以及其对应的真实值信息,提出对U-Net网络的改进方法并通过实验对比改进的优劣性。本文主要所作的工作如下:(1)对于遥感图数据集进行标注。为了让网络模型以概率分布来进行训练,引入One-hot编码。并且针对数据集样本数不足的问题,在图像预处理上采用随机裁剪、旋转等方式增大数据集。以及对所获取的遥感图像进行归一化处理。最后对图像的底部和左侧进行填充,方便让训练图像可以以相同的尺寸进入网络进行训练。(2)对传统U-Net网络使用Adam优化算法进行模型训练,并且在学习率的选取上使用自适应函数LearningRateScheduler来实现学习率根据epoch的自适应调整。用传统U-Net网络来实现遥感图像的语义分割。之后针对ReLU函数容易让神经元失活的缺点使用其改进函数Elu替代,并记录混淆矩阵并且计算总体精度与Kappa系数,通过实验得出使用Elu作为激活函数的条件下Kappa系数提升1.3%,总体精度提升1.1%。(3)提出对于U-Net网络的改进方法,通过改变激活函数在函数层定义目前较为热门的激活函数GELU、加深网络深度使得网络最深处达到2048,构成D-UNet以及引入扩张卷积和dropout层等分别进行网络训练与语义分割。经过实验得出各类改进算法对于U-Net(ReLU)和U-Net(Elu)网络来说都具有较好的提升。Kappa系数较U-Net(ReLU)网络分别增加了 3.6%、4.2%、4.1%;较U-Net(Elu)网络分别增加了 2.3%、2.9%、2.8%。最后将三种改进方法整体加入U-Net网络,实验结果表明较U-Net(ReLU),网络Kappa系数提升5%,总体精度(OA)提升3.7%;较U-Net(Elu)网络,Kappa系数提升3.7%,总体精度(OA)提升2.6%。通过实验数据得出本文所提出的三种改进方法不仅可以完成对遥感图像的多分类语义分割任务并且准确率较传统U-Net网络模型也有所提升。

基于改进U-Net网络的椎骨CT图像分割方法研究

这是一篇关于椎骨CT图像,深度学习,医学图像分割,U-Net网络的论文, 主要内容为医学图像分割不但是临床中一项重要辅助诊疗技术,也是科研热门领域。在治疗骨科病患时,医生凭借着理论基础和临床经验手动分割患者的椎骨CT图像,容易造成诊断偏差。手动分割精确虽然满足临床要求,但是高精度分割可以更好地辅助治疗。手动分割对医生基础知识和从医经验要求很高,分割效率非常低。针对以上问题,本文提出改进的椎骨CT图像分割方法,主要研究工作围绕以下两方面展开:1.首先针对椎骨图像噪声多脏器干扰分割的情况,选择合适的预处理方式,通过各向异性滤波对脊柱椎体图像消减噪声,灰度线性变换增加对比度等方式使CT图像中的椎体部分更加明确。其次旋转、平移、缩放等操作扩充数据集,为训练网络提供数据条件,预防网络过拟合。2.基于U-Net模型做出改进,对椎骨CT图像进行分割。以提高分割速度为目的从两方面解决问题,第一提升网络收敛速度,利用规范层将前一层的激活值重新规范化,将激活函数重新放大。第二在保证分割精度的同时尽量减小网络结构,用深度卷积或者逐点卷积替换基础卷积层。为了达到细化椎骨边缘分割结果,将基于DB-U-Net的分割结果得到的特征图转化为概率图像。3.在保证已有分割精度同时结合图割算法(Graph Cut),引入边界项能量函数与区域项能量函数,将分割问题转化为能量函数求取极值问题。对能量函数中的λ值进行实验分析提升边缘分割细粒程度。经过实验,本文提出的分割网络能够精确分割CT图像中的椎骨区域,在椎骨分割各项指标中,本文算法分割结果与经典U-Net分割结果相比较,分割精度有明显提升,能够对临床椎骨疾病诊断起到辅助指导作用。

基于改进U-Net的脑肿瘤MRI图像分割研究

这是一篇关于医学图像分割,MRI图像,脑肿瘤,注意力机制,U-Net网络的论文, 主要内容为脑肿瘤是较为常见的肿瘤疾病,这种肿瘤呈现出侵袭性生长的模式,严重危害患者身心健康。医学图像可以清晰地呈现病灶的详细情况,为医生对病情的了解、诊断治疗提供依据。脑肿瘤医学图像分割作为计算机辅助诊断系统的一部分,是在图像中将脑肿瘤与正常脑部组织进行分离,进而得到脑肿瘤分割效果图。随着深度学习的兴起,大量学者投入到脑肿瘤医学图像分割领域,提出了许多网络框架,并取得了不错的分割结果。其中,U-Net分割网络框架应用得最为广泛。然而,在脑肿瘤分割过程中也会遇到一些问题,如噪声、脑肿瘤MRI图像样本不平衡影响分割精度以及当前深度学习网络复杂难以满足实时性要求等问题。因此,本文针对脑肿瘤MRI图像分割过程中所面临的问题,基于U-Net网络框架提出了两种改进的脑肿瘤分割算法。(1)为提高脑肿瘤各区域的分割精度,提出了基于改进U-Net的脑肿瘤分割方法。在网络中引入改进的残差块在扩大感受野的同时解决可能产生梯度消失的问题,加快网络收敛速度;在编码路径和解码路径的长连接中引入注意力机制,使得网络可以自主学习去区分重要信息和次要信息,并增强有意义的信息,同时抑制噪声和无关信息,避免信息冗余,提高网络的表达能力;由于脑肿瘤MRI图像存在样本不平衡问题,严重影响脑肿瘤分割精度,针对这个问题设计了混合损失函数,解决样本不均衡问题,提高了脑肿瘤分割精度。在Dice系数评价指标上,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域分割精度达到了91.02%、82.27%、78.73%,与U-Net相比分别提升了2.88%、6.46%、5.58%。(2)针对U-Net和U-Net++缺乏从全尺度方面探索信息的能力,不能明确所要分割的器官以及病灶的位置和边界问题,提出了基于改进U-Net3+的脑肿瘤分割方法。在网络中加入了所提出的轻量级特征提取模块,从多尺度方向提取特征;利用残差CBAM注意力机制解决网络在将多层级特征融合过程中产生的冗余问题,使模型重点关注肿瘤区域,进一步提高肿瘤的分割准确度,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域的Dice值达到了91.85%、83.20%、80.72%。同时在减少网络层级和降低通道数方面将网络进行轻量化,降低网络复杂度,在Params和FLOPs分别为6.74M和43.79GMac,相比于U-Net3+网络在Params减少了20.29M,在FLOPs上减少了33.84GMac。

基于改进U-Net的肝脏CT图像分割算法研究

这是一篇关于深度学习,CT图像,肝脏分割,U-Net网络的论文, 主要内容为肝脏是人体最大的并有两套供血系统的消化腺,主要位于右季肋部和上腹部,在全球最常见的恶性肿瘤和肿瘤致死病因中,肝癌位居第五位,致死率位居第三位,而早期的诊断与治疗对降低肝癌的发病率及致死率都有较大的作用。肝脏分割任务是指从给定的腹部CT图像中分割出肝脏的任务,对肝脏轮廓的精准划分能帮助医师掌握肝脏的健康状况、确定肝脏病灶区域,帮助医师在手术前制定手术规划,确保手术在切除病变区域的同时尽量保留肝脏的健康部分。由于腹部CT图像中存在的肝脏病理性变化使得肝脏形状不一、肝脏与邻近器官对比度低、图像质量不稳定等特点,因此针对腹部CT图像的肝脏分割任务面临着许多挑战。随着计算机视觉算法和深度学习方法的不断发展,卷积神经网络在生物医学图像分割上受到了越来越广泛的应用。其中,通过利用获取上下文信息的收缩路径和实现精确定位的拓张路径共同组成的U-Net网络模型在医学图像分割中取得较好的结果。但是,原始的U-Net网络模型在分割性能上还有较大提升空间;但如果采用通过增加卷积核来扩大网络层数进而提升模型效果等常规方法,会增大模型的参数量和网络运算量,这将导致网络模型的训练推理变得更加困难,同时这也对计算机的性能提出更高的要求。本文为了提升U-Net网络模型在肝脏CT图像分割的效果,即在提升肝脏分割中DICE相似指数、召回率和准确率等分割评价时,避免通过采取增加网络参数量或提升计算机运算性能等常规做法,提出一种新的解决方法。首先是使用限制对比度自适应均衡算法对腹部CT图像中的特定区域进行图像增强,从而提升兴趣区域中肝脏对比度,为网络模型及人眼有效识别和分割提供较好的数据;其次为了检测并分割肝脏近心端和远心端的小目标问题,引入注意力机制算法对网络的卷积模块进行改进优化,提升网络处理样本不均衡中对小目标的检测识别能力;最后为了提升网络模型在边界处理上和位置还原上的性能,引入密集连接机制对网络模型进行优化改进,从而解决肝脏分割中边缘处理能力较差、边缘丢失及边界不清晰等问题。实验结果表明,改进后的U-Net网络模型能够较好的适应不同病理程度的腹部CT图像肝脏分割,该方法能够有效的提升肝脏分割的主要性能,DICE相似系数从86.43%提升到89.43%,召回率从88.65%提升到92.15%,精确率从92.43%提升到93.64%,在主要评价指标上都有一定的提升。本文为了有效利用基于改进U-Net网络的腹部CT图像肝脏分割结果,对分割结果的应用方面进行了一定的研究,为肝脏分割结果有效利用提供了技术路线。研究主要包括对腹部CT图像中的肝脏提取、冗余信息裁剪、病灶信息像素调整等方法,从而提升了肝脏病灶分割中对不明显肝脏病灶分割的检测精度。实验结果证明,通过先分割肝脏,再分割病灶的两步走方法能够有效的应对病灶分割中目标不突出的问题,为深入研究肝脏病灶分割提供了实践准备。

基于U-Net模型的单声道唱声分离研究

这是一篇关于单声道唱声分离,编码-解码器结构,U-Net网络,门控线性单元,端到端的论文, 主要内容为随着科技进步与多媒体技术的发展,人类对于音乐的追求越来越高。而单声道唱声分离技术作为音乐处理的前端模块,是实现基频估计、歌词识别、歌词同步、歌手识别、音乐检索以及卡拉OK等应用系统的基础。近年来单声道唱声分离取得了重要的发展,主流的分离方法包括传统机器学习方法和基于神经网络的深度学习方法。本文研究了两种基于U-Net结构的深度学习方法:基于嵌套U-Net和时频掩蔽的单声道唱声分离模型以及基于门控嵌套U-Net的端到端单声道唱声分离模型。具体内容如下:本文根据U-Net网络结构、时频掩蔽处理方法以及区分性训练(Discriminative Training)在唱声分离领域中的优势。研究了基于嵌套U-Net与时频掩蔽的单声道唱声分离模型。该模型将二维频谱信息作为特征,通过嵌套U-Net中重构跳跃连接(Skip Connection)结构,减少了编码与解码器(Encoder-Decoder)子网络之间频谱特征的语义差异,简化优化器所解决的优化问题。并通过区分性训练联合不但可以同时估计两个源信号、还能优化一个软时频掩蔽函数来进一步增强分离效果。实验结果表明本文研究的基于嵌套U-Net与时频掩蔽的单声道唱声分离模型相较于Chimera分离模型以及U-Net分离模型在i Kala与MIR-1K数据库取得更好的分离效果。本文在基于嵌套U-Net与时频掩蔽的单声道唱声分离模型的基础上,研究了基于门控嵌套U-Net的端到端单声道唱声分离模型。该模型将一维时域波形作为输入,不但避免了短时傅里叶变换得到二维时域频谱信息依赖许多参数带来的计算,还避免了相位带来的信息丢失。并通过门控线性单元(Gated Linear Units)引入门控机制控制卷积神经网络的输出。将编码与解码过程中通道更迭方式由幂次更迭的方式改为线性更迭,大幅度减小参数量,实验证明没有影响测试结果。通过差异输出层(Difference Output Layer)共同优化网络模型,同时分离输出的唱声与伴奏信号。实验结果表明本文研究的基于门控嵌套U-Net的端到端单声道唱声分离模型相较于基于嵌套U-Net和时频掩蔽的单声道唱声分离模型在i Kala与MIR-1K数据库取得较好的效果。并且在i Kala数据库中的结果已经接近理想二值掩蔽(Ideal binary mask,IBM)。