7个研究背景和意义示例,教你写计算机U-Net模型论文

今天分享的是关于U-Net模型的7篇计算机毕业论文范文, 如果你的论文涉及到U-Net模型等主题,本文能够帮助到你

基于深度学习的隧道环缝识别算法及验证方法研究

这是一篇关于隧道监测,深度学习,U-Net模型的论文, 主要内容为近年来,国内地铁隧道建设持续推进,在建和运营隧道里程总数激增,与之同时隧道监测工作更加受到重视和关注。人工直接测量作为隧道监测的主要方式,其存在测量效率低、人工成本高、误差不稳定、环境恶劣等缺点,无法满足我国的隧道监测的任务要求。采用三维激光扫描技术代替人工进行作业,提高了作业效率的同时,也暴露出许多问题,并达不到预期的效果,问题主要集中于准确性和算法效率上。本文提出基于深度学习的隧道环缝识别算法,用以提高隧道环缝图像的识别准确率和效率。本文对U-Net网络进行研究,结合隧道环缝图像的特点,引入了密集连接结构和BN层,解决了U-Net网络在实际工程中分割能力不足的问题。其次,结合语义分割模型识别结果和点云阈值识别结果,提出“点云神经网络互校法”,能够有效提高系统环缝自动识别率。本文的主要工作如下。(1)经典U-Net分割网络对隧道图像的分割效果并不理想。针对此问题,本研究基于经典U-Net网络模型,使用密集连接卷积模块,构建了解码-编码网络模型。在U-Net的卷积模块中引入密集连接,从而提高特征的传递能力及其利用率。其次,为了减少梯度消失的问题,在所有卷积层后面加入了批标准化层,以此来调整网络层的数据分布。(2)构建改进后的U-Net网络模型。将经典U-Net模型和改进后的模型在验证集和测试集上进行对比实验。实验经分割结果和各项评价指标显示,密集连接和BN层的引入,提升了U-Net模型的分割准确率,增强了网络层中数据传递的有效性。(3)点云神经网络互校法。将单独使用点云阈值识别、改进后的U-Net网络和点云神经网络互校法进行对照试验。实验结果显示,在实际工程中,点云神经网络互校法能够大幅提高系统的工作效率和准确率。(4)隧道分管片椭圆拟合。盾构隧道每环均是由多个管片拼接而来,用一个椭圆模型来描述隧道断面显然不合理。本文在椭圆拟合的基础上,采用旋转平移法拟合隧道断面,计算隧道收敛值。(5)经过隧道现场人工测量验证,本文改进的U-Net模型和“点云神经网络互校法”,有较好的识别效率,能够准确地识别出环缝的位置,在工作效率远高于传统点云识别,可以基本满足工程应用要求。

遥感影像道路提取方法：融合注意力机制与残差模块的U-Net模型

这是一篇关于遥感影像,道路提取,深度学习,U-Net模型,注意力机制,残差网络的论文, 主要内容为本文主要研究如何快速、高效地从高分辨率遥感影像中提取道路信息。随着遥感技术的发展,遥感影像在许多领域得到了广泛应用。道路作为城市交通和基础设施的重要组成部分,其精准提取对于城市规划、交通管理等方面具有重要意义。因此,基于遥感影像的道路提取研究一直备受关注。但是由于道路自身的复杂性及与其它地物间的相似性,传统的道路提取方法在高分辨率遥感影像中存在抗干扰能力弱、自动化水平低和提取效果差等问题。因此,本文结合深度学习技术提出了一种融合注意力机制与残差模块的U-Net高分辨率遥感影像道路提取的模型——Res-AU-Net,以解决传统方法的不足。该模型基于U-Net网络模型,采用残差网络Res Net50来解决因网络层数过深引起的网络退化问题,稳定地通过加深网络来提取更为抽象的深层语义特征,加快模型训练速度和提高模型鲁棒性;考虑到编码器中低层特征背景信息冗余,在跳级连接加入注意力机制,加强道路特征并抑制不相关特征的激活,保留更多的道路上下文拓扑关系,增强模型对道路区域的关注度;利用空洞卷积感受野大参数少的特性进一步优化网络模型,使其更加轻量化;使用了Adam优化算法并提出改进的损失函数,以提高模型的准确性和稳定性;采用更先进的GELU作为激活函数,以提升模型精度。最后,进行了多组实验验证模型的有效性。基于Massachusetts Roads道路数据集的实验结果表明:(1)本文提出的道路提取模型在高分辨率遥感影像上具有可行性,提取道路的整体精度、精确率、召回率、F1-score和交并比分别达到98.7%、89.51%、85.71%、87.57%和78.15%,具有较高的提取精度;(2)与几种经典的语义分割网络相比,在道路提取的完整性和精确度,以及树木、建筑和阴影遮挡方面,本文方法均有较好地提取效果。另外,本文为了快速、便捷地提取高分辨率遥感影像中的道路,基于本文提出的Res-AU-Net模型设计并实现了遥感影像道路提取系统。该系统利用Py Qt5图形程序框架进行图形化界面设计,基于Python语言进行系统代码开发与功能实现。大大降低了道路提取的操作步骤,为相关从业人员提供了便利。综上所述,本文提出的融合注意力机制与残差模块的U-Net遥感影像道路提取模型在道路提取任务中具有较高的准确率和鲁棒性,具有较为广泛的应用前景。

基于高分一号卫星数据的大豆种植区提取

这是一篇关于大豆种植区提取,高分一号,机器学习,监督分类,U-Net模型的论文, 主要内容为大豆是中国最主要的粮食作物和油料作物,准确提取种植区对掌握种植面积、长势营养、空间分布等具有重要意义。基于遥感技术的探测范围广、数据类型丰富、动态监测等优点,可以客观有效地对大豆种植区进行大范围监测和提取,便于及时准确地掌握大豆的种植情况,对于我国大豆产品的存储和进出口具有重要意义。本文利用国产高分一号(GF-1)卫星影像作为数据源,选取安徽省北部典型大豆种植区临湖镇和标里镇为研究区,开展大豆种植区提取方法研究。主要工作如下:(1)基于机器学习算法的大豆种植区提取对比研究。本文基于经过正射校正、大气校正、图像融合裁剪等预处理操作得到的空间分辨率为2米(m)研究区影像,通过目视解译的方式,进行五类地物类型的标注,包括大豆种植区、水体、建筑物与道路、裸地和其他作物,选取实验所需的训练样本。通过J-M距离和转换分离度来判定所选样本是否满足要求,通过ISODATA非监督分类图作为辅助图像为样本标注提供支持。在ENVI遥感处理平台中,采用支持向量机、最大似然法、人工神经网络和CART决策树四种分类器进行大豆种植区分类提取实验,结果显示最大似然法分类器的总体分类精度最高,达到了79.28%,大豆种植区的提取精度达到了89.59%。利用传统机器学习算法对大豆种植区提取具有快速方便的特点,在大范围提前识别大豆种植区方面具有较大的应用前景。(2)基于U-Net网络的大豆种植区提取方法。传统机器学习方法在大豆种植区提取方面表现提取精度不足,不能满足高精度提取的要求,为了进一步改善大豆提取效果,本文采用深度学习中应用广泛的U-Net网络提取大豆种植区,通过设置128×128、256×256和512×512三种裁剪尺寸,对比并计算网络20、40、60、80、100个迭代周期训练得到的模型来对比测试提取结果的影响,为了验证U-Net网络在大豆种植区提取中的效果,作为对比实验,本文选用基于Seg Net网络和Deeplabv3+网络来对比实验,结果显示提取的整体精度最高的是U-Net网络,其中总体精度达到了92.31%,重要的评价指标平均交并比达到了81.35%,比Seg Net网络整体精度高出了近四个百分点,平均交并比高出了十个百分点。比Deeplabv3+网络平均交并比高出了8.89%,验证了U-Net网络在大豆种植区提取方面的性能优于Seg Net网络和Deeplabv3+网络。U-Net网络作为语义分割网络的一种,在提取大豆种植区这种二分类问题中,展示了良好的效果,比其他两种网络在遥感提取中表现更为突出。本文基于国产高分一号卫星影像,对比了机器学习和深度学习算法在大豆种植区提取中的效果。结果表明,采用机器学习中的监督分类方法提取大豆种植区时,具有快速、高效的特点,而基于深度学习的U-Net网络提取大豆种植区时,具有网络简单、识别准确等特点,且取得了更好的提取效果。本研究成果可以为与试验区条件相似的地区提取大豆种植区提供借鉴,也可为研究区大豆的种植、生长、田间管理等提供依据。

基于改进U-Net方法的脑肿瘤磁共振图像分割

这是一篇关于脑肿瘤,磁共振图像分割,U-Net模型,残差网络,注意力机制的论文, 主要内容为人工智能技术的发展使得计算机辅助诊断的应用日益广泛,借助于临床医学大数据分析,计算机辅助诊断的效率和准确性也受到业界认可。近年来,随着深度学习在图像处理应用中的迅速发展,利用深度学习方法对医学图像进行分割也成为研究的热点,特别是基于卷积神经网络的图像分割已成为医学图像处理的重要应用领域。医学图像分割的目的是将指定图像的病灶区域分割出来,其分割的准确性直接影响图像识别效果,也会对医生制订手术治疗方案产生影响。脑肿瘤是一种颅内组织出现癌变的疾病,其早期症状并不明显,没有引起人们足够的重视。一旦发生恶变,治疗难度较大。“早发现、早治疗”是预防脑肿瘤恶变的有效手段,临床诊断主要依赖磁共振成像检测技术识别脑肿瘤。为提高脑肿瘤诊断识别效率,脑肿瘤分割尤为重要。由于脑肿瘤其自身形状各异,产生的位置也各有不同,不同患者之间的脑肿瘤也存在差异,这使得医生在手动分割脑肿瘤时难以保证分割精度,分割效率较低,同时对医生的专业水平提出了更高的要求。利用深度学习方法对医学图像进行分割,不仅能够达到自动分割肿瘤病灶的目的,还能显著提高分割精度。为此,提出了两种基于改进U-Net的脑肿瘤MRI图像分割模型:1)针对脑肿瘤边界模糊、对比度较低、模型训练较慢等问题,提出了基于残差的改进U-Net分割模型。在U-Net基础上引入残差网络,利用残差块替换U-Net中的卷积层,同一层级的两个残差块之间加入跳跃连接,提取更多的特征信息,提高模型在训练过程中的收敛速度,残差块在反向传播时能够无衰减地传递,从而进一步提高了模型的训练效率与分割精度。2)针对脑肿瘤图像中冗余信息较多等问题,提出了基于残差注意力的改进U-Net分割模型。在基于残差的改进U-Net模型的基础上引入注意力机制,为图像中不同特征赋予不同权重,将计算资源集中在图像中待分割的区域,实现对图像中脑肿瘤的聚焦,剔除冗余信息,提升模型的分割精度。为了验证两种模型的分割效果,使用公共脑肿瘤作为数据集,利用交叉熵损失、Dice系数差异函数的结合作为损失函数,规避脑肿瘤MRI图像中类别不均衡的问题。通过最小化损失函数来训练模型,利用训练好的模型对测试集中的脑肿瘤MRI图像进行分割,得到的结果与医生手工标注的分割结果十分接近,证明了两种模型的可行性和有效性。综合模型测试时得到的各项评价指标,提出的两种模型均要优于原始的U-Net,其中基于残差注意力的改进U-Net分割模型拥有最高的分割精度。

基于U-Net模型的医学图像分割方法的研究

这是一篇关于深度学习,图像分割,特征,U-Net模型,注意力的论文, 主要内容为随着医学工程技术的不断发展,医学图像分割在病理诊断、手术指导和术后恢复等阶段中承担着重要的责任。目前,基于深度学习的U-Net模型在医学图像自动化分割领域有着广泛的应用。本文通过结合U-Net模型和其他图像处理方法实现对医学图像的自动化分割,主要的研究内容如下:(1)针对传统二维卷积无法有效提取空间信息的问题,提出一种基于注意力机制的U-Net模型(Att-Dial Res Net3D)。Att-Dial Res Net3D模型在U-Net框架基础上进行改进,使用锯齿状的膨胀残差卷积块提取三维图像中片间和片内特征,减少空间信息的丢失,通过注意力的方法融合上下文信息。提出的模型在Li TS2017肝脏肿瘤分割数据集上验证,实验结果表明Att-Dial Res Net3D模型对肝脏和肿瘤图片的分割结果的平均dice分别达到0.958和0.666,全局dice分别达到0.962和0.800。(2)针对原始U-Net模型中过多的卷积层和池化层会造成梯度弥散和网络退化等问题,提出一种基于金字塔残差的U-Net模型。该模型利用金字塔残差得到不同尺度的图像特征,并将这些特征与卷积层提取的特征进行融合,在未增加网络参数的基础上得到更丰富的特征信息。提出的模型在ISIC 2018皮肤癌分割数据集上验证,实验结果表明基于金字塔残差的U-Net分割模型具有更高的精度和更好的鲁棒性。(3)针对U-Net模型中堆叠的局部操作无法高效获取全局信息的问题,提出一种基于多注意力的U-Net模型。该模型通过自注意力的方式建立全部特征之间的依赖关系,然后利用通道注意力与空间注意力减少池化过程中的信息损失。分割模型在MICCAI 2020新冠肺炎(COVID-19)分割数据集和SCUI 2020甲状腺结节分割数据集上验证,实验结果证明基于多注意力的U-Net模型实现了全局信息聚合和高效快速的分割。

基于U-Net模型的医学图像分割方法的研究

基于无人机图像和深度学习的稻穗检测方法研究

这是一篇关于水稻,YOLOV4,稻穗检测,无人机,U-Net模型的论文, 主要内容为水稻(Oryza Satiua L.)作为我国主要粮食作物之一,准确、快速识别水稻单位面积有效穗数是预测水稻产量的关键环节。计算机视觉技术和无人机技术的兴起为稻穗检测提供了有效的手段。针对于农业数据稀缺以及获取效率低,无人机(unmanned aerial vehicle,UAV)拍照技术提高了稻穗图像采集效率,对于快速高质量采集农业数据集提供了解决手段。相较于其他目标检测模型,YOLOV4(You Only Look Once Version 4)目标检测模型在检测速度与精度上有明显优势,为农业领域广泛应用。大田复杂环境下杂交籼稻弯曲型稻穗存在重叠、遮挡,且无人机图像中稻穗分布密集,YOLOV4的应用仍存在一些问题。因此本研究首先采集不同品种株高、穗高数据建立决策树模型对不同株型(叶盖穗、穗盖叶、中间型)进行判别。采集4个生态点不同品种杂交籼稻无人机图像,改进YOLOV4模型建立通用弯曲稻穗检测模型,提高复杂场景下模型稻穗检测能力,为稻穗产量预测和单位面积稻穗计数提供参考依据。主要研究结果如下:(1)株型分类模型:基于成都市大邑县、崇州市、自贡市富顺县收集多个水稻品种的株高、穗高指标,基于株高、穗高、比例(株高/穗高)、差值(株高-穗高)4个指标建立决策树模型,通过分类决策树方法找到叶盖穗、穗盖叶以及中间型的分类阈值,利用水稻品种的株高、穗高指标预测其株型类型。针对上述4种指标建立的判断株型的模型,模型精度达到96%。(2)稻穗检测模型优化:首先,引入MobileNetV2替代DarkNet53作为YOLOV4的主干特征提取模块,基于无人机稻穗图像存在大量密集稻穗场景,在特征加强模块引入CBAM(Convolutional Block Attention Module)注意力机制,以提高特征提取时稻穗特征的权重。其次,利用Soft-NMS(Soft non-maximum suppression)代替NMS,解决稻穗重叠导致的模型计数精度降低问题。最后,利用Focal Loss代替原始YOLOV4中的二分类交叉熵损失(binary cross entropy,BCE)),减少重叠遮挡稻穗分类样本对模型精度影响。基于以上改进,建立了可应用于不同品种、不同生态点以及不同类型的通用稻穗检测计数模型。(3)模型检测效果:模型对于单幅608×608像素的稻穗图像检测率为44.46 FPS,该模型mAP、Recall和F1值分别达到90.32%、82.36%和0.89,相比较于原始YOLOV4算法,mAP、Recall、F1分别提升了6.2、16.24、0.12个百分点。单张稻穗图像检测速度提高了3 ms。改进模型在齐穗后7 d对于中间型、穗盖叶以及叶盖穗型稻穗计数的R2分别是0.84、0.89、0.92,三种类型稻穗计数结果RMSE分别为2.56、1.95、4.39,显著高于成熟期稻穗计数精度。对改进模型进行综合评估,该模型对三种类型稻穗的检测结果都较好。其中对于穗盖叶株型检测计数效果最优。采用旌优781不同施肥处理稻穗图像作为独立数据集验证改进模型精度。结果表明其中G-Black肥料处理下计数精度最差,精度为73.67%,普通肥料处理计数精度为91.52%,在6个不同肥料处理下模型平均计数精度为85.2%。表明建立同一时期不同类型水稻品种的稻穗识别通用模型是可行的。(4)模型应用最佳时期:为了验证模型在齐穗期后7 d检测效果最优,分别在齐穗期、齐穗后7 d、齐穗后14 d动态获取无人机图像,基于U-Net模型对不同小区的稻穗图像进行分割,根据分割结果判断最佳时期和不同时期分散型稻穗对模型检测结果的影响。结果表明,基于三个时期建立的混合数据集训练稻穗分割模型,模型的mIoU为71.54%。分割效果表明,齐穗期分散穗型和重叠粘连稻穗少于齐穗后14 d,但与齐穗后7 d相比,部分稻穗尺寸较小,综合而言,在齐穗后7 d建立稻穗检测模型是最合适的。

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：源码工厂，原文地址：https://m.bishedaima.com/lunwen/54182.html