摘要：卷积神经网络进行实时图像语义分割时,处理大片色彩变化较小的像素区域时会存在计算的空间冗余,同时轻量级网络进行特征提取时的精度较低。针对上述两个问题,利用改进后MobileNet v3和轻型高频采样(OTCHL)模块设计了一种实时语义分割网络。首先利用hard-swish激活函数对轻量级网络MobileNet v3进行精度补偿,提出改进后的MobileNet v3特征提取网络;其次基于八度卷积设计OTCH-L模块,解决空间冗余问题,在保证精度的同时,降低模型计算量。在Pascal VOC2012数据集上进行训练实验,并在Pascal VOC2007数据集上对模型进行验证。实验结果表明,所提模型分割速度达到25.94 frame/s,分割平均交并比(MIoU)达70.34%。相比主流语义分割模型SegNet、PSPNet、DeepLab v3 plus,所设计模型在维持分割精度的前提下,分割速度有显著提升。

摘要：目的在基于深度学习的红外与可见光图像融合方法中,多尺度分解是一种提取不同尺度特征的重要方式。针对传统多尺度分解方法里尺度设置粗糙的问题,提出了一种基于八度(octave)卷积的改进图像融合算法。方法融合方法由4部分组成:编码器、特征增强、融合策略和解码器。首先,使用改进后的编码器获取源图像的多尺度上的低频、次低频和高频特征。这些特征会被从顶层到底层进行强化。其次,将这些特征按照对应的融合策略进行融合。最后,融合后的深度特征由本文设计的解码器重构为信息丰富的融合图像。结果实验在TNO和RoadScene数据集上与9种图像融合算法进行比较。主观评价方面,所提算法可以充分保留源图像中的有效信息,融合结果也符合人的视觉感知;客观指标方面,在TNO数据集上所提算法在信息熵、标准差、视觉信息保真度、互信息和基于小波变换提取局部特征的特征互信息5个指标上均有最优表现,相较于9种对比方法中最优值分别提升了0.54%,4.14%,5.01%,0.55%,0.68%。在RoadScene数据集上所提算法在信息熵、标准差、视觉信息保真度和互信息4个指标上取得了最优值,相较9种对比方法的最优值分别提升了0.45%,6.13%,7.43%,0.45%,基于小波变换提取局部特征的特征互信息与最优值仅相差0.00205。结论所提融合方法在主观和客观评估中都取得了优秀的结果,可以有效完成图像融合任务。

摘要：针对乳腺癌淋巴结转移的人工检测精度低、耗时长的问题,提出了一种基于残差网络结构,使用八度卷积(Octave Convolution)方法设计卷积层的一种神经网络检测模型。以残差网络中卷积层为基础,首先对卷积层中输入和输出的特征向量进行高低分频,并缩减低频通道的宽和高为高频的一半。然后通过对减半后的低频向量进行上采样,实现与高频向量之间的卷积操作;通过对高频向量的平均池化,实现与减半低频向量的卷积操作。最后将高频向量之间、高频与低频向量之间的卷积相加,得到高频输出;将低频向量之间、低频与高频向量之间的卷积相加,得到低频输出。这样就构建出了Octave卷积层,将残差网络中所有卷积层完全替换为Octave卷积层就搭建出了检测模型。理论上,Octave卷积层中卷积的运算量减少了75%,有效加速了模型的训练。在最大内存为13 GB,可用磁盘大小为4.9 GB的云端服务器上,用PCam数据集进行测试,得到模型的识别精度为95.06%,内存占用8.7 GB,磁盘占用356.4 MB,平均单次训练用时4 min 42s。与ResNet50相比,所提模型的精度下降了0.69%,内存节省0.6 GB,磁盘节约105.9 MB,单次训练用时缩短了1 min。实验结果表明,所提模型具有较高的识别精度,较短的训练用时和较少的内存消耗,使得模型在大数据的背景下,降低了对算力资源的要求,具有一定的实际应用价值。

摘要：为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。