GZMH：用于有丝分裂细胞核检测和分割的乳腺癌病理图像数据集

目的 有丝分裂细胞核计数是乳腺癌诊断和组织学分级的3个重要评分指标之一,基于深度学习的自动检测方法,可以有效辅助医生进行乳腺病理图像有丝分裂细胞核识别和计数。而当前研究中的公开数据集多为竞赛所用,由举办方联合数据提供者挑选而来,与医院临床应用中所使用的数据存在较大的差异,不利于模型性能及泛化能力的测试验证。针对以上问题,本文发布了来自中国赣州市立医院临床环境的数据集GZMH （Ganzhou municipal hospital）。方法 整理并公开发布的数据集GZMH包含55幅全视野数字切片（whole slide images,WSIs）临床乳腺癌病理图像,提供了用于有丝分裂细胞核目标检测和语义分割研究的两种标注,并由2名高年资医师对3名初级病理医师的标注进行了复核。5种主流目标检测方法和5种经典分割方法在GZMH数据集上进行了训练和测试,检验它们在临床数据集GZMH上的性能。结果 目标检测方法实验结果比较中,SSD （single shot multibox detector）模型取得了最佳的效果,F1分数为0.511;分割方法实验结果比较中,R2U-Net （recurrent rsidual convolutional neural network based on U-Net）性能最佳,F1分数为0.430。所有方法在面对较大规模的临床数据集GZMH时体现的性能都明显低于它们在一些公开数据集上的性能。结论 本文所提出的GZMH数据集能够用于有丝分裂目标检测与语义分割研究任务,且此数据集中的图像更加接近实际的应用场景,在推动乳腺病理图像有丝分裂细胞核分割的研究和临床应用方面具有较大的价值。数据集的在线发布地址为：https：//doi.org/10.57760/sciencedb.08547。     

基于方向场特征的指纹图像中心点检测

本文实现了基于指纹方向场特征指纹图像中心点检测的两种算法,对传统的Poincare索引值奇异点检测算法进行改进,并提出了一种基于8×8及16×16块区域平均方向差异中心点检测算法.两种算法提取的结果图中的伪中心点均能采用较简单的方法去除,能确保中心点(斗形指纹为上中心点)提取结果的有效性.     

基于Hough变换的快速矩形检测算法

本文提出了一种基于图象Hough变换的矩形检测算法。通过对图象Hough变换空间中峰值点进行提取和组合，检测出满足角度和长度条件的直线组合，以快速定位出图象中的矩形。实验结果表明：该算法快速、准确，检测过程不需人工参与。     

基于可视注意力机制的非锚点行人检测模型

在目前的行人检测方法中,中心尺度预测(center-scale prediction, CSP)模型具有检测速度快,无需预设锚点等优点。但是,CSP模型并没有针对行人遮挡问题提出解决方法。为此,在CSP模型的基础上,提出了一个基于可视注意力机制的中心尺度预测(visible attentionmechanism-basedCSP,VA-CSP)模型,同时预测行人及其可视区域的边界框,并构造一个中心-可视中心(center-visible center, C-V)变换预测分支,将行人及其可视区域匹配,使模型具有正确的可视注意力机制,提升遮挡行人的检测精度。在Citypersons和Caltech行人检测数据集上进行了实验,在Citypersons验证集的不同遮挡程度的子数据集Reasonable、Heavy、Partial和Bare上,得到了9.6%、48.1%、9.1%和6.6%的丢失率,相比CSP分别提升了1.4%、1.2%、1.3%和0.7%。在Caltech测试集的Reasonable子数据集上得到了3.2%的丢失率,相比CSP提升了1.3%。与其他目前最新的模型相比,所提模型具...     

基于角点检测与SIFT算法的快速匹配方法

针对复杂图像的快速匹配问题,提出一种新的基于Shi-Tomasi角点检测与SIFT算法的高精度快速匹配方法。该方法充分利用图像的角点特征、灰度和位置信息,采用SIFT算法中的特征描述方法进行图像特征描述,并用Ransac算法对匹配点进行校正和消除错误匹配,提高计算速度和可靠性。实验结果验证了该算法对于存在较大色差、形变等图像可实现精确快速匹配,其精度和速度都优于传统的匹配算法。     

一种改进复杂场景下小目标检测模型的方法

复杂场景下小目标检测是目标检测领域的研究难点和热点。传统的two-stage和one-stage检测模型都是通过预先设定锚点框与真实目标框的交并比（intersection over union,IoU）阈值来划分正负样本集,同时这组预定义的固定锚点框还用于获取候选框,进而得到检测结果。然而,在复杂场景下,预先设定的IoU阈值会带来正负样本不均衡问题;针对小尺寸目标（船舶）检测,预定义的锚点框也很难保证覆盖目标的位置和密度,因此限制了检测模型的准确率。为了解决上述问题,提出自适应锚点框（adaptive anchor boxes,AAB）的方法优化目标检测网络,采用基于形状相似度距离的聚类算法生成锚点框,提高目标区域定位技术;采用利用聚类的锚点框计算自适应IoU阈值（adaptive threshold selection,ATS）,划分正负样本,保证样本均衡。对复杂场景下的小目标（船舶目标）进行检测,实验结果表明,采用自适应锚点框方法和自适应阈值选择方法的目标检测模型在复杂场景中检测均能提升准确,对比faster R-CNN、FPN、Yolo3和pp-Yolo,融合了上述新方法的模型均提升了检测准确率,分别提升了9.6、2.6、9.8和9.9个百分点。     

基于移动区域的快速粗模型阴影检测

阴影检测是运动车辆目标识别与追踪中非常重要的环节.结合基于颜色和模型的两种检测方法,提出一种基于移动区域的快速粗模型阴影检测方法.该方法首先通过改进的背景差分方法快速获取图像中的移动区域,然后在此基础上根据基于模型的方法建立阴影的粗模型,即快速确定阴影区域的粗略区域.阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理.实验结果表明该方法可以有效地提高阴影检测的效率.     

基于多姿态知识模型和模板的快速人脸检测

提出了一种多姿态知识模型,并以之从人脸器官梯度图中获得候选脸的大小、位置、姿态类别和眼、嘴重心坐标,然后按姿态类别将候选脸与对应的模板进行匹配确认人脸.该人脸检测算法集人脸检测、姿态估计和眼、嘴定位于一体,具有检测速度快的特点,适于多姿态多人脸场合的人脸检测.该算法只利用了图像的灰度信息,因此对灰度图像和彩色图像的人脸检测均适用.     

基于单线程的无锚点目标检测模型

为避免锚点对目标检测模型的鲁棒性造成负面影响,并保证在无锚点情况下模型具有较高的准确度,提出一种单线程无锚点全卷积网络模型.通过取消预设锚点参数以及像素级别预测,使得模型在无锚点情况下检测目标时具有更高的鲁棒性.使用沙漏骨干网络取代特征金字塔模块,从而降低锚点与特征金字塔模块的冗余以及计算量,使整体模型结构更加精简.实...     

基于级联注意力与点监督机制的考场目标检测模型

智慧考场是智慧校园的重要组成部分,准确、快速地检测考场中的学生状态,是智慧考场应用的基本任务和关键环节.标准化考场中的考生分布相对密集且成像尺寸差异较大,而现有目标检测算法未充分考虑真实考场的环境特征,很难精确、实时地检测出考生目标,加之大部分目标检测算法需对不同目标手工设计先验锚框,模型部署范围受限.针对以上问题,提出一种高效的无锚框全卷积目标检测模型.该模型采用全卷积网络对输入图像进行逐像素预测,在可能存在目标的区域回归其包围框.在该模型中,设计了基于级联注意力的特征增强模块,通过逐级细化修正特征增强特征图的判别性,有效地提高考生目标识别精度;另一方面,针对真实考场中大量交叠目标检测问题,提出了点监督机制,以进一步提升交叠多目标的识别效果;最后,在构建的标准化考场检测专用数据集上,对所提模型进行验证.实验结果表明,与当前最先进的目标检测模型相比,针对真实复杂的考场环境特征提出的基于级联注意力和点监督机制的全卷积目标检测模型的m AP指标为92.9%,检测速度为22.1 f/s,泛化能力突出,综合效果最优.     

复杂背景下的三级级联快速正面人脸检测算法

针对复杂背景下的正面人脸检测问题,提出一种三级级联快速正面人脸检测算法：第一级使用 HSV 肤色模型,通过分析最大肤色连通区,快速排除非人脸区域;第二级采用 Haar-like 特征结合 AdaBoost 算法定位人脸区域;最后提出基于局部特征点加权的改进主动形状模型(W-ASM)算法匹配人脸的特征点坐标,通过68个特征点位置判断当前人脸图像是否是正面人脸。实验结果表明,本算法能准确识别出垂直于图像旋转不超过±5°的正面人脸,每幅图像(640×480)平均用时仅52ms,满足实时性要求。