基于BMM-Fast-SCNN的海底线实时提取算法

侧扫声呐瀑布图由于其成像原理，需要借助海底线位置对原始图片进行斜距校正。然而在实际采集过程中，声呐自噪声、悬浮物和海底目标等许多干扰因素会增加海底线提取的难度，现有的传统方法和神经网络方法在回波信号信噪比较差时无法正确实时地提取海底线。针对这些问题，提出了一种基于海底信息对称模块和多尺度特征融合模块的快速分割卷积神经网络(Bottom Information Symmetry Module and Multi-scale Feature Fusion Module Fast-SCNN,BMM-Fast-SCNN)用于实时正确提取海底线。该算法基于Fast-SCNN-1D,结合海底信息对称模块(Bottom Information Symmetry Module, BISM)来提高网络的鲁棒性，并通过多尺度特征融合模块(Multi-scale Feature Fusion Module, MFFM)增强网络提取海底线细小特征的能力。在两条测线中，该算法在一个像素和两个像素误差范围内的提取精度分别为83.56%,97.63%和96.27%,99.49%,相较于其他方法，分别至少提高了1.4...     

基于双分支加权卷积神经网络的视网膜图像质量评价方法

近年来,眼底图像分析已成为一种直观且高效的辅助诊断技术。专家根据眼底相机捕获的视网膜图像对眼底疾病患者进行诊断,因此,眼底视网膜图像的质量对于医生提供及时且准确的疾病诊断至关重要。本文提出一种端到端的眼底视网膜图像质量评价方法,通过空间横向和纵向卷积的双分支模块进行特征提取,并对双分支所提取的特征进行加权融合,以提高模型的特征提取能力。通过自有数据集的训练,本文提出的模型准确率达到85.14%,AUC为0.9173,F1分数为0.7838。为验证模型的有效性,使用DRIMDB公开数据集进行测试,准确率达到92.11%,AUC为0.9911,F1为0.8966。实验结果表明,提出的方法对于眼底图像质量评价是有效的,具有优越的性能和高效的收敛速率。