基于改进的U-Net模型的高分遥感影像冬小麦语义分割
这是一篇关于高分辨率遥感影像,U-Net,混合注意力机制,空洞空间金字塔池化的论文, 主要内容为准确获取冬小麦种植分布信息对农业管理和粮食安全具有重要意义,近些年来随着遥感卫星技术和深度学习的发展,利用卷积神经网络对农业遥感影像进行语义分割已成为当下的研究热点之一,但由于高分辨率农业遥感影像丰富的纹理特征、空间信息以及复杂的几何形状,使得农业影像在进行语义分割时容易出现特征表示能力差、空间信息利用不充分的问题,从而导致预测结果粗糙.针对上述问题,本文提出一种基于混合注意力机制CBAM(Convolutional Block Attention Module)和空洞空间金字塔池化ASPP的高分辨率遥感影像语义分割模型CBAM-ASPP-U-net.模型采用编解码结构、利用端到端的方式实现高分辨率农业遥感影像语义分割.主要有两个创新之处:(1)为了解决农业遥感影像语义分割面临的特征表示能力差的问题,CBAM-ASPPU-Net语义分割模型在U-Net网络结构的基础上加入混合注意力机制模块CBAM,着重关注特征密集的空间区域和对语义分割结果贡献度大的通道,通过从空间和通道两个维度优化特征图来达到提高特征表达能力的目的.(2)为了解决农业遥感影像语义分割面临的空间信息利用不充分的问题,CBAM-AS PP-U-Net语义分割模型在传统的编解码结构基础上,加入空洞空间金字塔池化模块ASPP,利用多级采样率的空洞卷积并行来拓宽网络的感受野,使网络获取的语义信息更加丰富,从而达到全局上下文语义信息编码的目的.为了验证本文提出CBAM-ASPP-U-Net语义分割模型的有效性,在开封杞县Sentinel-2A遥感影像数据集上进行冬小麦语义分割对比试验,实验结果证明了改进语义分割模型的有效性,具有更强大的特征表示能力,能够获取更加准确的冬小麦语义分割结果.
基于改进的U-Net模型的高分遥感影像冬小麦语义分割
这是一篇关于高分辨率遥感影像,U-Net,混合注意力机制,空洞空间金字塔池化的论文, 主要内容为准确获取冬小麦种植分布信息对农业管理和粮食安全具有重要意义,近些年来随着遥感卫星技术和深度学习的发展,利用卷积神经网络对农业遥感影像进行语义分割已成为当下的研究热点之一,但由于高分辨率农业遥感影像丰富的纹理特征、空间信息以及复杂的几何形状,使得农业影像在进行语义分割时容易出现特征表示能力差、空间信息利用不充分的问题,从而导致预测结果粗糙.针对上述问题,本文提出一种基于混合注意力机制CBAM(Convolutional Block Attention Module)和空洞空间金字塔池化ASPP的高分辨率遥感影像语义分割模型CBAM-ASPP-U-net.模型采用编解码结构、利用端到端的方式实现高分辨率农业遥感影像语义分割.主要有两个创新之处:(1)为了解决农业遥感影像语义分割面临的特征表示能力差的问题,CBAM-ASPPU-Net语义分割模型在U-Net网络结构的基础上加入混合注意力机制模块CBAM,着重关注特征密集的空间区域和对语义分割结果贡献度大的通道,通过从空间和通道两个维度优化特征图来达到提高特征表达能力的目的.(2)为了解决农业遥感影像语义分割面临的空间信息利用不充分的问题,CBAM-AS PP-U-Net语义分割模型在传统的编解码结构基础上,加入空洞空间金字塔池化模块ASPP,利用多级采样率的空洞卷积并行来拓宽网络的感受野,使网络获取的语义信息更加丰富,从而达到全局上下文语义信息编码的目的.为了验证本文提出CBAM-ASPP-U-Net语义分割模型的有效性,在开封杞县Sentinel-2A遥感影像数据集上进行冬小麦语义分割对比试验,实验结果证明了改进语义分割模型的有效性,具有更强大的特征表示能力,能够获取更加准确的冬小麦语义分割结果.
基于卷积神经网络的视觉SLAM回环检测算法研究
这是一篇关于SLAM,回环检测,深度神经网络,NetVLAD,空洞空间金字塔池化,分层可通航小世界网络的论文, 主要内容为同步定位与建图(Simultaneous Localization and Mapping,SLAM)是机器人实现自主移动的核心功能之一。回环检测作为其中的关键环节,旨在判断机器人是否回到了之前到过的位置,并通过回环约束减少视觉里程计引起的累积误差,提高定位和建图精度。传统的基于外观的回环检测算法主要采用手工特征来表征图像,应对光照、视角等环境变化时的鲁棒性较差,并且特征提取和图像相似性搜索比较耗时,难以达到实时性要求。为了提高回环检测的鲁棒性和实时性,设计了如下算法:(1)基于深度学习的图像序列回环检测算法针对鲁棒性差和特征提取耗时的问题,提出一种基于深度神经网络提取图像特征的回环检测算法。具体地,在经典Net VLAD算法中引入空洞空间金字塔池化模块,通过多尺度特征融合,在降维的同时提高特征图的分辨率,得到更加鲁棒且紧凑的图像特征描述。为提高检测精度,采用图像序列对比的方式,通过比较图像序列间的相似性来判断是否发生回环。公开数据集上的测试表明,本文算法可以较好地应对环境变化,图像特征提取耗时也有明显改善。(2)基于近似最近邻搜索的高效回环检测算法为提高相似图像序列的搜索效率,进一步压缩模型规模和特征维度,并采用近似最近邻搜索的方式加速搜索。具体地,采用基于移动网络Mobile Net＿V3的主干网络来提取图像的卷积特征,得到更加紧凑的VLAD图像特征描述向量,降低了相似性搜索的计算量和搜索时间,提高实时性。另外,采用分层可通航小世界网络(HNSW)近似最近邻搜索方式替代暴力搜索。基于数据集的测试表明,改进算法在牺牲少量精度的条件下显著提高了实时性。
基于卷积神经网络的视觉SLAM回环检测算法研究
这是一篇关于SLAM,回环检测,深度神经网络,NetVLAD,空洞空间金字塔池化,分层可通航小世界网络的论文, 主要内容为同步定位与建图(Simultaneous Localization and Mapping,SLAM)是机器人实现自主移动的核心功能之一。回环检测作为其中的关键环节,旨在判断机器人是否回到了之前到过的位置,并通过回环约束减少视觉里程计引起的累积误差,提高定位和建图精度。传统的基于外观的回环检测算法主要采用手工特征来表征图像,应对光照、视角等环境变化时的鲁棒性较差,并且特征提取和图像相似性搜索比较耗时,难以达到实时性要求。为了提高回环检测的鲁棒性和实时性,设计了如下算法:(1)基于深度学习的图像序列回环检测算法针对鲁棒性差和特征提取耗时的问题,提出一种基于深度神经网络提取图像特征的回环检测算法。具体地,在经典Net VLAD算法中引入空洞空间金字塔池化模块,通过多尺度特征融合,在降维的同时提高特征图的分辨率,得到更加鲁棒且紧凑的图像特征描述。为提高检测精度,采用图像序列对比的方式,通过比较图像序列间的相似性来判断是否发生回环。公开数据集上的测试表明,本文算法可以较好地应对环境变化,图像特征提取耗时也有明显改善。(2)基于近似最近邻搜索的高效回环检测算法为提高相似图像序列的搜索效率,进一步压缩模型规模和特征维度,并采用近似最近邻搜索的方式加速搜索。具体地,采用基于移动网络Mobile Net＿V3的主干网络来提取图像的卷积特征,得到更加紧凑的VLAD图像特征描述向量,降低了相似性搜索的计算量和搜索时间,提高实时性。另外,采用分层可通航小世界网络(HNSW)近似最近邻搜索方式替代暴力搜索。基于数据集的测试表明,改进算法在牺牲少量精度的条件下显著提高了实时性。
基于深度学习的胎盘磁共振图像分割算法研究
这是一篇关于胎盘磁共振图像分割,卷积神经网络,空洞空间金字塔池化,注意力机制,条件随机场的论文, 主要内容为胎盘在妊娠过程中能够为胎儿提供营养物质,同时排出胎儿体内的代谢废物,完成胎儿和母体之间的物质交换,且对细菌、病原体具有一定的防御作用。若胎盘在妊娠过程中出现异常,可能会导致相关疾病的发生,比如双胞胎输血综合征、侵入性胎盘以及其他相关疾病,危及母体和胎儿的健康,因此,在产前准确检测出胎盘异常对母体和胎儿相关疾病的早期诊断及有效治疗至关重要。在获取的产前胎盘图像中对胎盘进行定量评估首先需要准确地分割出胎盘组织,然而由于在不同产妇中胎盘的位置、大小、形状和厚度等具有很大的差异,使得准确地分割出胎盘组织非常具有挑战性。传统手动分割方法依赖于医生的专业知识和临床经验,具有主观性,同时会消耗大量的人力物力,分割效率较低。半自动胎盘分割方法仍然需要手动交互,也会导致不一致的分割结果,从而影响进一步的研究分析。目前全自动胎盘分割方法的研究应用较少,因此,本文基于磁共振图像对胎盘的全自动分割方法进行研究,以实现胎盘的自动精准分割,同时研究轻量级胎盘全自动分割模型使其更易部署在移动医疗设备上,更有利于医生便捷快速地诊断胎盘相关疾病,具体的研究内容如下:1.本文基于深度学习方法提出了一种全自动胎盘分割方法即BAA-Net。该网络使用卷积神经网络BiO-Net作为主干网络,针对BiO-Net中的下采样操作会造成细节信息损失的问题,不利于准确地识别胎盘边界,为了进一步提高分割性能,使用不同扩张率的空洞卷积来捕获多尺度特征,获取高分辨率特征图,以提高分割精度;为了更好地利用最有用的特征通道,在解码器部分引入了四个通道注意力模块,以突出最相关的特征通道,提高网络的表示性能。本文使用30名孕妇的胎盘数据,共包含1264张2D图像进行实验,获得的胎盘分割Dice值为0.8385,同时实验结果证明本文提出的方法在分割不同胎盘位置时具有良好的泛化性能。2.为了减少主干网络参数量,设计更加轻量级的胎盘分割模型,本文进一步基于深度可分离卷积和条件随机场模型研究设计了一种DSCC-Net网络。该网络中使用深度可分离卷积替代主干网络的标准卷积,提取图像特征,将替换后的网络用于胎盘分割获得初始预测结果,其分割精度与原始网络相当,但具有更少的参数量和更小的模型大小。为了处理初始预测中存在的不连续分割区域或孤立的洞,进一步使用条件随机场模型来细化初始预测结果,获得的Dice值为0.8394,实验结果表明该网络相比于原始主干网络分割精度更高,同时具有更少的参数量。
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/54179.html
