多分辨率融合输入的U型视网膜血管分割算法

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的U型网络(MFIU-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一U型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%, 97.47%和97.48%,灵敏度分别为82.73%, 82.86%和83.24%,曲线下的面积(AUC)值分别为98.74%, 98.90%和98.93%。其模型整体性能优于现有算法。     

基于改进R2U-Net型网络的视网膜血管图像分割

眼底视网膜血管的分割能够更有效地帮助医生诊断病情,但人工诊断费时耗力,传统的眼底图像血管分割技术的准确率和精度又不能达到理想状态,因此提出了基于R2U-Net的多尺度特征融合注意力网络——R2MAFF-Net.为了解决U-Net深度不够、上下层之间特征连接不密切及信息获取不完全等问题,将循环残差空洞卷积结构作为模型的编...     

基于多路径输入和多尺度特征融合的视网膜血管分割

视网膜血管的形态变化,如分叉角度、扩张程度等 ,可为眼底疾病的诊断提供依据。 使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多 路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了 多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网 膜图像的分割效果差的 问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏 感性分别取得0.814和0.813,特异性 分别取得0.984和0.986,在分割准确率指标上 分别取得0.969和0.975,所提方法相较于其他方法较优。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

多层次特征融合低照度图像增强算法

针对成像设备在夜间等低照度环境下采集的图像存在细节丢失、动态范围较窄和大量噪声等特点,导致采集图像清晰度低、可用性不高和识别性较差等问题,提出了一种多层次特征融合(Multi-level Feature Fusion, MFF-Net)算法。该算法利用多尺度采样构建U型网络,并引入多种注意力机制多线程处理图像流,各支路特征向量跨通道交互,协同渐进式抑制冗余信息。高效运用特征融合模块强化对低尺度纹理细节和多层次特征的感知。设计了由峰值信噪比(Peak Signal to Noise Ratio, PSNR)和结构相似性(Structural Similarity, SSIM)指标构成的损失函数,有目的地引导网络由浅到深地学习图像之间的映射关系,从而加快模型收敛速度,助力提高模型性能和图像增强。所提算法在LOL数据集Low-Light Dataset上进行了相关实验和测试。其PSNR、SSIM和学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)等6种客观评价指标上整体优于大部分先进算法。实验结果表明,所构建的模型能有效抑...     

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

一种有效融合多尺度特征的图像语义分割方法

卷积神经网络在高级计算机视觉任务中展现出强 大的特征学习能力,已经在图像语义 分割任务 中取得了显著的效果。然而,如何有效地利用多尺度的特征信息一直是个难点。本文提出一 种有效 融合多尺度特征的图像语义分割方法。该方法包含4个基础模块,分别为特征融合模块(feature fusion module,FFM)、空 间信息 模块(spatial information module,SIM)、全局池化模块(global pooling module,GPM)和边界细化模块(boundary refinement module,BRM)。FFM采用了注意力机制和残差结构,以提高 融合多 尺度特征的效率,SIM由卷积和平均池化组成,为模型提供额外的空间细节信息以 辅助定 位对象的边缘信息,GPM提取图像的全局信息,能够显著提高模型的性能,BRM以残差结构为核心,对特征图进行边界细化。本文在全卷积神经网络中添加4个基础模块, 从而有 效地利用多尺度的特征信息。在PASCAL VOC 2012数据集上的实验结 果表明该方法相比全卷积神 经网络的平均交并比提高了8.7%,在同一框架下与其他方法的对比结 果也验证了其性能的有效性。     

基于双重注意力和多尺度特征融合的场景文本检测算法

本文提出了一种场景文本检测方法,用于应对复杂自然场景中文本检测的挑战。该方法采用了双重注意力和多尺度特征融合的策略,通过双重注意力融合机制增强了文本特征通道之间的关联性,提升了整体检测性能。在考虑到深层特征图上下采样可能引发的语义信息损失的基础上,提出了空洞卷积多尺度特征融合金字塔(dilated convolution multi-scale feature fusion pyramid structure, MFPN),它采用双融合机制来增强语义特征,有助于加强语义特征,克服尺度变化的影响。针对不同密度信息融合引发的语义冲突和多尺度特征表达受限问题,创新性地引入了多尺度特征融合模块(multi-scale feature fusion module, MFFM)。此外,针对容易被冲突信息掩盖的小文本问题,引入了特征细化模块(feature refinement module, FRM)。实验表明,本文的方法对复杂场景中文本检测有效,其F值在CTW1500、ICDAR2015和Total-Text 3个数据集上分别达到了85.6%、87.1%和86.3%。     

融合多尺度特征与注意力的脑白质病变分割

针对目前磁共振脑影像上的脑白质病变分割精度较低、小病灶易漏识的问题,提出一种结合多尺度信息与注意力机制的U-Net改进模型用于脑白质病变分割.首先,引入多尺度卷积模块以拓展网络宽度,提升特征捕获能力.其次,引入混合下采样模块,对粗、细两种粒度的下采样特征进行融合以减少下采样过程中的信息损失;同时,引入跨层融合模块,通过对跳跃连接两端的编、解码信息进行融合,降低对等层间的语义差异.最后,在编码阶段采用分散注意力模式,根据深、浅层的不同特点分别设计空间注意力模块和通道注意力模块,以增强网络对病灶区域的关注度.在MICCAI2017 WMHs分割挑战赛提供的公开数据集上与同任务的其它文献算法进行对比,本文算法在召回率和相似系数的性能评估上均获得了有效提升,分别达到了0.834和0.803,这表明本文算法是一种有效的脑白质病变自动分割算法.     

基于Conv-TasNet的多特征融合音视频联合语音分离算法

视听多模态建模已被验证在与语音分离的任务中性能表现优异,本文提出一种语音分离模型,对现有的时域音视频联合语音分离算法进行改进,增强音视频流之间的联系。针对现有音视频分离模型联合度不高的情况,作者提出一种在时域上将语音特征与额外输入的视觉特征进行多次融合,并加入纵向权值共享的端到端的语音分离模型。在GRID数据集上的实验结果表明,该网络与仅使用音频的时域语音卷积分离网络（Conv-TasNet）和音视频联合的Conv-TasNet相比,性能上分别获得了1.2 dB和0.4 dB的改善。      

基于特征融合和注意力机制的目标分割跟踪算法

在当前的目标跟踪领域,现有的基于分割的算法没有充分利用目标的长距离依赖信息和各个特征层的不同特性,前背景判别能力不强,对目标的多尺度估计不足。针对此问题,提出了自适应特征融合模块和混合域注意力模块,以提高网络对目标的多尺度估计能力和对目标的前背景辨别能力,并将其集成到当前基于视频分割的算法中,提出了一种新的目标跟踪算法,在各大公开数据集上的实验结果证明其达到了领先水平。     

融合颜色和纹理的多特征匹配算法

传统SURF算法在对彩色图像匹配时仅基于灰度图像提取单一特征构建特征描述,在特征相似区域易导致误匹配,为提升图像配准精度,提出了一种多特征融合匹配算法.首先利用SURF算法进行特征点检测并构建特征描述符;其次,将彩色图像转换到归一化RG颜色空间,提取特征点邻域内的局部差值纹理信息,叠加到SURF描述符构成改进多特征描述...     

基于时空分割融合的视频对象提取改进算法

提出一种基于时空分割融合的视频对象提取改进算法：时间分割基于变化检测，其关键是通过直方图分析选取合适的阈值；空间分割采用修正的分水岭变换，并通过一种基于时间距离和空间距离测度的区域合并算法克服“过分割”问题。实验结果表明，它可取得比COST211 AM更好的分割结果。     

光照突变下融合多类特征的场景分割方法

为解决场景模型在快速光照变化下失效的问题,提出了一种新的前景目标分割方法。该方法共包括三个步骤。首先,利用全局光照函数建立高斯混合模型;其次,提取当前帧中的纹理、ZNCC 及轮廓特征;最后,将提取到的特征分两阶段与高斯混合模型进行融合(第一阶段:融合纹理及ZNCC 特征;第二阶段:融合轮廓特征),得到最终的场景分割结果。实验结果表明:该算法具有较好的鲁棒性,并且相较于基于全局光照建模的方法具有更高的精度值及召回值。     

基于区域分割的序列红外图像融合算法

针对传统的基于像素点和窗口策略的融合算法对图像特征表征的失真,提出了一种基于区域分割的序列图像融合算法.首先将序列红外图像分割为3个不同的特征区域,目标区域、背景区域以及灰度区域,并将分割结果映射到可见光图像中.随后,利用多尺度几何分析工具非下采样Contourlet变换(NSCT)有效提取图像特征的特点,根据不同区域的特性在NSCT域设计不同的融合规则.对试验结果进行主观和客观的对比,结果表明:基于区域分割的序列图像融合算法不仅能够为融合图像保留更全面、丰富的背景信息,还能够更加有效、准确地提取图像中的目标特征.该算法优于传统的基于像素点和窗口规则的融合算法,是一种有效可行的图像融合算法.     

一种基于局部特征分块的目标跟踪算法

为了解决传统目标跟踪算法在天空背景下面临高能激光反射时图像像素灰度分布发生剧烈变化, 从而导致目标遮挡或丢失的问题, 采用一种基于局部特征分块思想的相关跟踪算法, 根据局部特征对跟踪模板进行了分块处理, 计算并选取其中特征稳定度高的块模板, 在跟踪区域内对每个块做模板匹配, 并进行了理论分析和试验验证。结果表明, 该算法在强光干扰下能够有效地对目标实时稳定跟踪, 且图像处理延迟时间在2ms以内。该研究对基于高能激光发射下的超高精度跟踪系统工作性能的保证是有帮助的。     

基于边缘特征的多传感器图像融合算法

针对传统像素级图像融合方法在低频系数融合中,采用偏袒法和平均法容易导致融合图像出现模糊、对比度下降的问题,结合像素级和特征级融合的优势,提出一种基于边缘特征的图像融合算法。算法对于低频系数,采用区域能量自适应加权的方法;对于高频系数,通过对低频边缘特征的融合以指导其融合。分别对红外与可见光图像和多聚焦图像进行实验,并对融合图像进行主客观评价,实验表明,该算法得到的融合图像具有较好的主观视觉效果和客观量化指标,融合性能优于传统的融合方法。     

基于多层级特征融合的行人重识别算法

针对行人遮挡、姿态变化等现象造成当前行人重 识别算法精度不高的问题,提出一 种基于多层级特征融合的行人重识别算法。首先通过自注意力机制骨干网络ResNeSt提取图 像特征中的短距离信息;其次通过多尺度 金字塔卷积(pyramid convolution,Pyconv) 分支网络提取图像中长像素关 联特征信息,提高模型表达能力;最后使用一种统一形式且可学习的广义均值池化 (generalized mean pooling,GEM) 替代传统平均池化层,达到关注不同区域特征差异性目的。测试阶段添加平均逆消极惩罚 (mINP)作为新评价指标。实验结果表明,本文所提算法在多个数据集上均展现出优势,在 DukeMTMC-ReID数据集上Rank-1达到了90.9%,mAP达到了89.8%。     

基于PCNN图像分割的医学图像融合算法北大核心CSCD

为充分提取源图像间的互补信息,改进传统的图像融合算法在亮度维持、能量保留、边缘信息保持等方面的不足,本文提出了基于脉冲耦合神经网络(pulse coupled neural network, PCNN)图像分割的医学图像融合算法。该算法综合了非下采样剪切波变换(non-subsampled shearlet transform, NSST)与PCNN。首先,选取标准差较大的源图像作为被分割图像,标准差较小的源图像作为参照图像,将源图像进行NSST分解,获取源图像低频子带系数和高频子带系数;在低频融合中,利用参数自适应的PCNN对被分割图像的低频子带进行分割,根据分割结果获取融合低频子带系数;在高频融合中,采用以区域能量和与拉普拉斯能量和两者的乘积作为判断函数,获取融合高频子带系数;利用NSST逆变换获取融合图像。最后,应用本文提出的算法,对脑萎缩、急性中风和高血压性脑病等3组电脑断层扫描/磁共振成像(computerized tomography/magnetic resonance imaging, CT/MRI)图像进行了融合仿真,并将仿真结果与2018年后国际刊上提出的5种算法的融合图像进行比较。结果表明,应用本文提出的融合算法得到的图像,有效地增强了不同模态间的信息互补,保持了融合图像与源图像具有相同明亮程度,又保留了源图像低亮度部分的边缘信息,更加符合人眼视觉特性,具有更高的客观评价指标。