嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法研究
这是一篇关于坐标注意力机制,双视图,脑肿瘤,磁共振成像,U-Net网络的论文, 主要内容为科技发展日新月异的同时,人们对健康的关注度也不断提高,脑肿瘤的高恶化率成为威胁人类健康的杀手之一,常见的诊断方法有电子计算机断层扫描、PET-CT、磁共振波谱分析、核磁共振成像(MRI)等,其中磁共振成像以其对人体更安全的非侵入的特点,相比于其他检查技术,患者接受度更高,是发现和诊断脑肿瘤的重要依据。针对脑肿瘤MRI的肿瘤区域占比小,存在类不平衡而影响网络分割精度的问题,提出一种嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法。在U-Net网络的编码路径中,用卷积层代替最大池化层,减少特征信息丢失;编码路径和解码路径均加入残差模块,保持传递信息的完整性;解码路径嵌入坐标注意力机制兼顾位置信息和通道关系,以缓解类不平衡;将脑肿瘤MRI分别沿轴状视图和冠状视图方向切片,利用Softmax激活函数计算概率矩阵,把冠状视图概率矩阵转置,取二者平均值,融合生成双视图脑肿瘤MRI,充分利用脑肿瘤MRI的空间信息。在官方公布的Bra TS2018数据集上实验,本文分割结果与原U-Net比较,相似度、敏感性和精确率三个评价指标,在整体区(WT)、核心区(TC)和增强区(ET)都有明显提升;单视图融合生成双视图MRI后,三个区域的相似度指标分别为0.906、0.848和0.868,与使用相同数据集的最优方法比较,WT基本一致,TC和ET分别提高1.0%、4.9%。实验结果表明,分割效果良好,能有效提高脑肿瘤MRI分割精度,本文方法的各项评价指标均表现突出,具有较高的参考和应用价值。该论文有图19幅,表11个,参考文献60篇。
基于深度学习的农村建筑物识别算法研究
这是一篇关于深度学习,卷积神经网络,建筑物识别,U-Net网络模型,坐标注意力机制的论文, 主要内容为农村建筑物是观察农村土地变化和经济发展的基础资料之一,深度学习算法结合无人机影像提取农村建筑物能够解决农村人工统计耗时耗力、建筑物数据缺失的问题,为农村资源规划和智慧农业建设等提供数据支撑,具有重要意义。针对中国农村地形复杂建筑物尺寸多样化、布局分布不规则导致特征信息提取困难等难点,本文选用U-Net算法、Seg-Net算法、Deeplabv3+算法、PSPNet算法四种深度学习算法进行探究,根据实验结果综合考虑下选择U-Net算法进行改进。通过优化机制对比分析,创新性将U-Net算法融合坐标注意力机制,结果表明融合坐标注意力机制的整体效果突出。本研究主要内容如下:(1)数据集制作。对中国部分农村地区的1010张无人机航拍影像进行预处理、数据增广,制作成为本研究所用的数据集。(2)深度学习算法在建筑物识别的应用。选用U-Net算法、Seg-Net算法、Deep Labv3+、PSPNet算法分别对无人机影像的建筑物进行识别提取实验。通过实验对比这三种模型,综合考虑之下,选择识别效果较好、耗时短的U-Net算法进行改进。(3)U-Net算法的改进。对比分析优化机制,创新性将U-Net算法与坐标注意力机制融合进行建筑物识别,结果表明交并比提升最大,提升了7.55%;精确度提升了4.50%,提升效果明显。(4)自主设计无人机影像建筑物识别系统开发。将改进的U-Net算法结合Flask框架、Vue框架进行实际应用,旨在能够进行方便、快捷、简单的实现建筑物识别与展示。
嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法研究
这是一篇关于坐标注意力机制,双视图,脑肿瘤,磁共振成像,U-Net网络的论文, 主要内容为科技发展日新月异的同时,人们对健康的关注度也不断提高,脑肿瘤的高恶化率成为威胁人类健康的杀手之一,常见的诊断方法有电子计算机断层扫描、PET-CT、磁共振波谱分析、核磁共振成像(MRI)等,其中磁共振成像以其对人体更安全的非侵入的特点,相比于其他检查技术,患者接受度更高,是发现和诊断脑肿瘤的重要依据。针对脑肿瘤MRI的肿瘤区域占比小,存在类不平衡而影响网络分割精度的问题,提出一种嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法。在U-Net网络的编码路径中,用卷积层代替最大池化层,减少特征信息丢失;编码路径和解码路径均加入残差模块,保持传递信息的完整性;解码路径嵌入坐标注意力机制兼顾位置信息和通道关系,以缓解类不平衡;将脑肿瘤MRI分别沿轴状视图和冠状视图方向切片,利用Softmax激活函数计算概率矩阵,把冠状视图概率矩阵转置,取二者平均值,融合生成双视图脑肿瘤MRI,充分利用脑肿瘤MRI的空间信息。在官方公布的Bra TS2018数据集上实验,本文分割结果与原U-Net比较,相似度、敏感性和精确率三个评价指标,在整体区(WT)、核心区(TC)和增强区(ET)都有明显提升;单视图融合生成双视图MRI后,三个区域的相似度指标分别为0.906、0.848和0.868,与使用相同数据集的最优方法比较,WT基本一致,TC和ET分别提高1.0%、4.9%。实验结果表明,分割效果良好,能有效提高脑肿瘤MRI分割精度,本文方法的各项评价指标均表现突出,具有较高的参考和应用价值。该论文有图19幅,表11个,参考文献60篇。
基于深度学习的农村建筑物识别算法研究
这是一篇关于深度学习,卷积神经网络,建筑物识别,U-Net网络模型,坐标注意力机制的论文, 主要内容为农村建筑物是观察农村土地变化和经济发展的基础资料之一,深度学习算法结合无人机影像提取农村建筑物能够解决农村人工统计耗时耗力、建筑物数据缺失的问题,为农村资源规划和智慧农业建设等提供数据支撑,具有重要意义。针对中国农村地形复杂建筑物尺寸多样化、布局分布不规则导致特征信息提取困难等难点,本文选用U-Net算法、Seg-Net算法、Deeplabv3+算法、PSPNet算法四种深度学习算法进行探究,根据实验结果综合考虑下选择U-Net算法进行改进。通过优化机制对比分析,创新性将U-Net算法融合坐标注意力机制,结果表明融合坐标注意力机制的整体效果突出。本研究主要内容如下:(1)数据集制作。对中国部分农村地区的1010张无人机航拍影像进行预处理、数据增广,制作成为本研究所用的数据集。(2)深度学习算法在建筑物识别的应用。选用U-Net算法、Seg-Net算法、Deep Labv3+、PSPNet算法分别对无人机影像的建筑物进行识别提取实验。通过实验对比这三种模型,综合考虑之下,选择识别效果较好、耗时短的U-Net算法进行改进。(3)U-Net算法的改进。对比分析优化机制,创新性将U-Net算法与坐标注意力机制融合进行建筑物识别,结果表明交并比提升最大,提升了7.55%;精确度提升了4.50%,提升效果明显。(4)自主设计无人机影像建筑物识别系统开发。将改进的U-Net算法结合Flask框架、Vue框架进行实际应用,旨在能够进行方便、快捷、简单的实现建筑物识别与展示。
基于深度学习的智能垃圾分类系统设计与实现
这是一篇关于垃圾分类,深度学习,YOLOX,卷积块注意力机制,坐标注意力机制,NVIDIA Jetson Xavier NX的论文, 主要内容为世界发展日新月异,生产力呈指数型增长,与此同时垃圾产生数量也不容忽视,如何处理各种垃圾是非常棘手的问题。对垃圾进行合理的分类,有利于垃圾的处理以及资源的回收利用,改善环境质量。然而,当前的垃圾分类与处理工作主要依靠人工完成,存在成本高和效率低等弊端,且垃圾集中分类环境恶劣,不利于人体健康。因此,应从源头解决垃圾分类问题。针对现有问题,本文设计实现基于深度学习的垃圾分类系统和智能垃圾处理装置。本文将YOLOX目标检测算法应用在垃圾检测领域,以华为公司发布的公开垃圾数据集为基础,扩充常见生活垃圾样本数量。同时,采用数据增强技术对原始数据集进行扩充,解决模型训练过程中因为数据集样本不均衡、图像数据量小导致的模型精度低及过拟合问题。利用新构建的垃圾数据集训练YOLOX垃圾分类模型,对比YOLOX不同版本的网络模型性能,选择检测速度和检测精度更为均衡的YOLOX-s模型作为后续研究的基础。通过对YOLOX-s模型进行改进,并与经典目标检测算法进行性能比较。实验表明,改进后的模型平均精确度达到95.05%,性能优于现存的大多数算法模型。为了进一步优化YOLOX-s垃圾分类模型性能,本文提出利用卷积块注意力机制(Convolutional Block Attention Module,CBAM)和坐标注意力机制(Coordinate Attention,CA)改进YOLOX-s特征提取网络。首先,利用注意力机制优化主干网络的特征提取信息;然后,通过注意力机制优化特征金字塔(Feature Pyramid Networks,FPN)结构,使得网络的特征提取更加具有针对性,从而提高对小目标的检测能力。实验结果表明,优化后的YOLOX-s垃圾分类模型平均精度达到了98.38%,比优化之前的模型平均精度提升了3.33%。最后,本文将优化后的垃圾分类网络模型部署,进行系统化设计和应用。首先,基于灵活、轻便的Web应用程序框架Flask设计实现垃圾分类与管理系统。然后,将垃圾分类模型部署在NVIDIA Jetson Xavier NX芯片中,基于该模块设计实现了智能垃圾分类装置,该装置可以实时获取用户投放的垃圾图像并判断垃圾类别,自动完成垃圾分类任务。最后,将智能垃圾分类装置与系统结合,实现管理人员对装置的远程监测功能。同时,对垃圾分类与管理系统及智能垃圾分类装置的功能进行了测试并验证了其稳定性。实验结果表明,提出的改进垃圾检测算法能有效提升检测性能,并且该系统与智能装置均满足实际使用需求、有较高的实用性。
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：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/52336.html
