摘要：针对现有目标检测网络在特征提取以及多尺度融合方面存在的局限,将分组卷积与高斯金字塔引入深层神经网络中,设计了一种基于分组注意力机制和高斯多尺度融合的目标检测方法。该方法利用图像灰度化、直方图均衡化丰富输入信息,降低光照影响;构建双阶段特征提取结构,采用深度可分离卷积初步提取目标特征后再利用分组注意力结构提升关键信息权重,进一步提炼目标特征;为充分捕获目标多尺度信息,设计了高斯多尺度结构,将不同维度的特征自适应融合后构建高斯金字塔特征,与对应尺度特征联合实现目标检测。通过在ImageNet、MS COCO、PASCAL VOC三个公开标准数据集上的实验结果表明,所提方法目标信息丰富,有效特征提取以及网络尺度不变性都有较大改善,在复杂场景下也具有较高的鲁棒性和泛化能力。

摘要：目的卷积神经网络结合U-Net架构的深度学习方法广泛应用于各种医学图像处理中,取得了良好的效果,特别是在局部特征提取上表现出色,但由于卷积操作本身固有的局部性,导致其在全局信息获取上表现不佳。而基于Transformer的方法具有较好的全局建模能力,但在局部特征提取方面不如卷积神经网络。为充分融合两种方法各自的优点,提出一种基于分组注意力的医学图像分割模型(medical image segmentation module based on group attention,GAU-Net)。方法利用注意力机制,设计了一个同时集成了Swin Transformer和卷积神经网络的分组注意力模块,并嵌入网络编码器中,使网络能够高效地对图像的全局和局部重要特征进行提取和融合;在注意力计算方式上,通过特征分组的方式,在同一尺度特征内,同时进行不同的注意力计算,进一步提高网络提取语义信息的多样性;将提取的特征通过上采样恢复到原图尺寸,进行像素分类,得到最终的分割结果。结果在Synapse多器官分割数据集和ACDC(automated cardiac diagnosis challenge)数据集上进行了相关实验验证。在Synapse数据集中,Dice值为82.93%,HD(Hausdorff distance)值为12.32%,相较于排名第2的方法,Dice值提高了0.97%,HD值降低了5.88%;在ACDC数据集中,Dice值为91.34%,相较于排名第2的方法提高了0.48%。结论本文提出的医学图像分割模型有效地融合了Transformer和卷积神经网络各自的优势,提高了医学图像分割结果的精确度。