9个研究背景和意义示例,教你写计算机密集连接论文

今天分享的是关于密集连接的9篇计算机毕业论文范文, 如果你的论文涉及到密集连接等主题,本文能够帮助到你

基于U-Net网络的肝脏CT图像分割研究与应用

这是一篇关于肝脏分割,U-Net,密集连接,多尺度,注意力机制的论文, 主要内容为肝脏在人体内部代谢和排毒方面的作用不可或缺,但是肝脏疾病不仅种类繁多,而且发病率也居高不下,其中原发性肝癌的致死率更是在癌症中排在了第三位。针对肝脏肿瘤这种发病率和死亡率都很突出的病症,在初期以预防为主,中后期多采取部分肝脏的切除手术作为治疗手段。在肝脏疾病的诊断和治疗过程中,医生需要借助医学影像对肝脏情况进行观察和剖析。随着医疗水平的不断提高,医学影像数据量剧增,人工分割已经无法胜任医学影像分析的工作。因此,自动化的医学影像分割更有助于提高医疗人员的工作效率,且能够有效降低医生主观性分析导致的评估差异。深度学习方法在图像全局信息和上下文信息的获取上具有优势,近年来在医学图像分割研究中备受青睐。结合对当前肝脏及肝脏肿瘤分割研究的分析和总结,本文以深度学习中的U-Net模型为基础,开展了对肝脏和肝脏肿瘤全自动分割问题的研究。本文的主要内容如下:1)在肝脏分割研究中,针对腹部CT中的多种器官和组织组成的背景区域过于复杂,且常规神经网络对于肝脏局部信息不够敏感的问题,提出了一种基于局部特征增强的循环密集连接U-Net肝脏分割方法。该方法利用CT图像中肝脏与背景区域属性上的差异,通过约束CT值区间的方法进行数据预处理,使得肝脏区域的特征信息更加显著,一定程度上解决了复杂的背景信息影响网络训练效率的问题;为了在网络中获取CT图像的全局和局部信息,设计了混合更多局部信息的密集连接模块,使得分割模型能够学习到更加充分的特征信息,解决了网络对于局部信息不敏感的问题。实验表明,该方法具有较高的肝脏分割精度,并且分割模型具备较好的泛化能力。2)在肝脏肿瘤分割研究中,针对网络学习过程中容易忽略局部关键特征信息的问题,提出了一种基于通道注意力和多尺度U-Net的肝脏肿瘤分割方法。该方法通过对无关肿瘤区域的位置分析,进行了肝脏肿瘤分割网络输入数据预处理,仅保留CT图像中的肝脏所在区域,解决了腹部其他器官组织中存在特征相似度过高的肿瘤造成冗余分割的问题;为了使肿瘤区域的特征信息得到更加有效的学习,设计了基于通道注意力和多尺度U-Net的肝脏肿瘤分割网络(HCAM-Net)。实验表明,该方法能够取得较好的肝脏肿瘤分割性能。3)设计并开发了一种基于腹部CT图像的肝脏及其肿瘤分割辅助诊断系统。系统实现了对腹部CT图像的常规处理、肝脏及肝脏肿瘤分割和分割优化等功能,这不仅能够减少医疗机构在图像标注上的人工与时间投入,而且也为医生提供了快速有效的分割预测,大大提高医生的工作效率。

文本图像超分辨率重建方法研究与应用

这是一篇关于超分辨率,文本图像,密集连接,注意力机制,内容损失函数的论文, 主要内容为超分辨率是指根据低分辨率图像已有的图像信息恢复图像细节及信息的过程。因为文本有丰富的含义及广泛的应用,因此有了特意针对文本图像进行恢复的超分辨率网络及方法,即文本图像超分辨率。然而,过去的文本图像超分辨率方法往往是针对经过人为处理后的低分辨率图像数据集进行恢复,对从自然界用相机获取的实际低分辨率图像效果不尽如人意。因此,最近几年,用于做超分辨率的真实文本图像数据集Text Zoom被提出了。随着Text Zoom数据集的提出,一个针对该数据集的超分辨率网络框架TSRN也被提出了,相比于对人工下采样低分辨率图像有良好恢复效果的超分辨率网络,TSRN对真实世界文本图像数据集Text Zoom的恢复效果达到了最优。但纵观其结构,依然有很多改进可以加入其中。因此参照过去的优良超分辨率网络的结构及文本图像的特征,本文对TSRN框架做出了诸多改动,并在Text Zoom数据集上验证其效果。主要研究内容如下:(1)基于使网络内信息更多地流通在网络中、重视多信息通道及重视图像的多方向上下文信息的想法,对TSRN框架加入了密集连接、通道注意力及并行结构方面的改进。本文将改进后的模型应用至Text Zoom数据集的超分辨率重建任务,实验结果显示在各个难度的图像恢复任务上改进模型的表现均普遍优于未改进模型,证明在添加各项结构方面的改进后模型效果更强。(2)基于使网络更重视文本内容及文本边界的想法,对TSRN框架加入了特征损失函数,同时提升了梯度损失函数的比例。本文将改进后的模型应用至Text Zoom数据集的超分辨率重建任务,实验结果显示在各个难度的图像恢复任务上改进模型的表现普遍优于未改进模型,证明在添加各项有关损失函数的改进后模型效果更强。(3)通过将经过以上改进后的文本图像超分辨率框架与前后端开发知识相结合,构建了一个可用于文本图像超分辨率功能的网页应用微服务,提供功能主要包括图像裁切、超分辨率、数据管理三部分。

基于深度学习的眼底视网膜血管分割算法研究

这是一篇关于深度学习,视网膜血管分割,注意力机制,多尺度特征,密集连接的论文, 主要内容为在眼科临床医学中,眼底视网膜图像对于眼科临床医生实现眼底视网膜疾病的诊断和治疗极其重要。血管作为眼底视网膜中最重要的组成之一,血管的变化可以反映出很多眼部和全身疾病的进展和病情。然而,由于眼底视网膜血管的曲折多变、分叉众多、形状各异,并且与眼底背景之间的对比度低,以及人工分割耗时耗力等因素,导致现有的眼底视网膜数据集往往数据量低,使得眼底视网膜血管分割任务具有高度挑战性。基于此,本文提出了以下两种方法:1.基于注意力机制多尺度特征融合的视网膜血管分割网络(PAU-Net)。在PAU-Net中,采用串行跳接和并行多分支两种多尺度相融和的方式,以提高网络对血管分割的准确性。在U型编码-解码网络的基础上,引入金字塔池化模块替代最大池化下采样,以增强网络对感兴趣区的特征提取。此外,采用Attention Gate对跳接和上采样进行拼接和特征提取,以进一步增强网络对感兴趣区的特征提取能力。2.基于密集连接自注意力卷积的视网膜血管分割网络(DAU-Net)。在DAUNet中,采用密集连接的方式,将U型编码-解码网络的跳接层应用到所有未直接连接的两层网络之间,形成密集连接网络。再通过注意力卷积模块ACmix替换原网络中的卷积模块,以实现对感兴趣区特征的提取以及对不感兴趣特征的抑制,以提升网络对血管分割的鲁棒性。实验结果表明,PAU-Net和DAU-Net在公开数据集CHASE＿DB1、DRIVE和STARE上均能有效分割,且各项指标表现较佳,优于近几年的其他分割算法。

基于深度学习的眼底视网膜血管分割算法研究

眼底视网膜血管分割研究

这是一篇关于视网膜血管分割,U型网络结构,注意力机制,残差,密集连接的论文, 主要内容为在临床医学上,眼科医生需要参考眼底视网膜血管图像的分割状况来对眼底疾病进行诊断。因此采用人工智能技术对视网膜血管图像进行精准分割,将会对眼科医生在眼底疾病进行诊断时起到一定的辅助作用,不仅可以减缓眼科医生的压力,还可以缩短患者就诊的时间。本文在三个公开的数据集DRIVE、CHASE和STARE上对视网膜血管分割进行了研究,并设计了两种不同的网络模型,通过实验结果验证了所提出的两种网络模型能够有效地对视网膜血管进行精准分割。本文所研究的内容主要包括以下两个方面:一、在视网膜血管分割中,针对细小血管断裂、分割中信息遗失过大、血管末梢缺失以及分割效果有待提高等问题,对拥有编码器-解码器的全卷积神经网络(U-Net)结构进行改进和优化,结合残差和空间注意力机制的优点设计了RSA-Unet算法,对视网膜血管图像进行分割。RSA-Unet方法使用的残差模块不仅可以用来构建深度网络,还可以获取更深层次的血管特征,能够有效地解决视网膜血管中特征丢失和信息损失的问题,提升网络性能。而RSA-Unet引入的空间注意力机制可以让网络充分学习到那些信息是有意义且重要的,即空间注意力机制可以增强重要特征(例如血管特征),并能够抑制不重要的特征,可以有效地提高视网膜血管分割效果。二、对目前视网膜血管分割中可能出现的误分割、细小血管分割不足和提高精确度等问题,提出了一种对U-Net改进的视网膜血管分割算法,设计了融合通道注意力机制(Channel Attention Module,CAM)与残差密集连接模块(Residual Dense Block,Res DB)的CAMRes DBU-Net网络,该网络先利用通道注意机制来增强网络的识别能力,再利用残差密集模块代替传统的卷积模块来提升网络分割细小血管的性能。同时该网络的残差密集模块可以代替编码和解码的传统卷积,对视网膜血管图像的特征实现自适应校准,突出显著信息抑制无关信息,能够很好地保留更多血管的细节信息,做到精准分割。本文所提出的两种分割算法在DRIVE、CHASE和STARE三个公开数据集上进行了实验验证,通过与最近几年提出的视网膜血管分割算法进行了对比,发现本文所提出的两种算法在各项性能指标上都有较好的表现,做到了精准分割。

基于深度学习的眼底视网膜血管分割算法研究

基于全局特征的混合矿物SEM图像分割研究

这是一篇关于混合矿物图像,语义分割,深度学习,密集连接,自注意力机制,生成对抗网络的论文, 主要内容为混合矿物的组分成分检测在选矿、微波冶金工业中具有重要意义。通过对混合矿物SEM图像中的各矿物组分进行分割,可以获取矿物类别、晶粒尺寸、夹杂物含量、分布等不同物理信息,进而为后续矿物加工、热处理过程提供样品的结构、介电性能等重要参数。然而,面对混合矿物图像中非同类矿物粘连、小目标矿物语义特征较弱等复杂情况,当前图像分割方法易出现较多的矿物误检、漏检问题。因此,本文以提升矿物图像分割精度为主要目标,结合“全局特征”的思想,基于深度学习的方法开展对U-Net模型的结构设计研究,论文的主要研究内容如下:(1)针对目前基于深度学习的矿物图像分割方法存在的模型大小与分割精度难以平衡的问题,提出一种基于改进密集特征映射的混合矿物分割方法。首先根据深度可分离卷积与SE注意力机制的特性,设计出轻量级的卷积单元,然后基于密集连接大规模特征融合的特性构建主干网络,并运用于U-Net编码器以提升特征提取能力。实验表明,该方法以较低的模型参数实现了高精度的矿物分割任务,相较于基础U-Net模型,其分割指标MIo U、Recall、Precision分别提高了2.17%、0.74%、1.73%。(2)针对卷积运算难以获取全局特征关系,且易造成小目标特征遗失的问题,提出一种结合全局特征建模和特征还原的混合矿物分割方法。首先通过引入窗口自注意力机制构建全局特征依赖关系,提高模型对不同矿物的判别能力;然后结合卷积运算的归纳偏置特性,增强模型的拟合能力;最后改进U-Net的跳跃连接,通过特征相消以及通道、空间域的特征增强补偿因下采样操作遗失的小目标特征。实验表明,该模型的MIo U、Recall、Precision分别为0.9455、0.9668、0.9765,并能够有效解决矿物误检、漏检问题。(3)针对构建自注意力机制所需参数过多、不易部署的问题,提出一种基于Mobile ViT和生成对抗的混合矿物分割方法。首先在U-Net的跳跃连接中运用自注意力机制,以编码器中更完整的特征关系指导解码器输出特征的表达;然后再对参与相关性计算的特征图进行特征甄选,通过降低输入矩阵的大小来减少自注意力机制的参数量;最后基于生成对抗网络进行模型训练,根据分割结果与真实标签的误差对分割模型进行优化。实验表明,该方法的MIo U、Recall、Precision分别为0.9385、0.9648、0.9705,以少量的参数增加为代价使分割模型构建了完整的全局特征关系。

基于卷积神经网络的人体姿态估计研究

这是一篇关于人体姿态估计,特征融合,注意力,密集连接,线性变换,轻量化,遮挡的论文, 主要内容为人体姿态估计是计算机视觉中一项重要的研究任务,目标是定位并识别图像中的人体关键点,并根据人体各部位间的关系按顺序连接成相应的人体姿态,是动作识别、人体跟踪和人机交互等任务的基础,伴随人工智能技术的迅猛发展,其被广泛应用于许多实际场景中。但就实际应用情况来看,人体姿态估计当前仍存在诸多问题与挑战,如估计精度不高、网络参数量大、运算复杂度高、对遮挡和困难关键点检测误差较大等。为解决上述问题,本文基于卷积神经网络对人体姿态估计展开研究,主要研究成果如下:(1)提出改进特征融合和注意力的人体姿态估计方法。以高分辨率网络为基础进行改进,通过全局上下文模块和深度可分离卷积重新设计瓶颈块,增强模型上下文建模能力;采用空间和通道自注意力相结合设计基础模块,有效减少特征提取过程中的信息损失;结合多分辨率特征优化网络特征融合方式,提取更精细的特征信息。实验结果表明,改进的模型能有效提升原网络的预测精度,在COCO验证集上的平均预测精度提升了3.2%。(2)提出融入密集连接的轻量化网络。借鉴线性变换的方式,运用Ghost卷积重新设计瓶颈块与基础模块,并在基础模块中创新性地设计密集连接方式和密集单元,在此基础上进一步增强网络特征融合时提取特征的力度,最终保障网络有用足够的检测精度并大幅降低网络复杂度,在COCO验证集上的实验结果表明,与高分辨率网络相比,改进后的网络参数量降低71.5%,运算复杂度降低35.2%,同时AP还提升0.6%。(3)针对难以检测遮挡的问题,基于上述研究提出一种轻量密集级联金字塔网络,先在原网络输入前使用高效人体检测算法,准确识别被遮挡人体以降低干扰;再运用注意力特征融合改进基础模块的残差结构,增强模型提取遮挡特征的能力;在网络输出后采用Global Net与Refine Net对特征信息二次融合与推断,增强检测被遮挡关键点的能力。经过实验测试,在MPII数据集上平均精度达91.2%,在3DOH50K数据集上不同遮挡比例的检测精度均优于主流方法。