摘要：本文深入开展了输电线路附近山火实时监测过程中图像的烟雾分割方法研究,有助于对图像中烟雾体积、扩散方向和源头等准确提取信息,这对制定应急预案具有重要意义。为此,提出了一种名为CFTNet的双分支分割模型。该模型将频率Transformer分支与CNN分支结合起来,优化了全局和局部特征的表示。此外,本文还设计了一个混合自注意力融合模块(HSAM),以高效地融合来自频率Transformer分支和CNN分支的信息。研究表明,该算法的性能优于其他主流分割方法。

摘要：Transformer模型中,卷积视觉转换器(CvT)具备同时提取图像的局部和全局特征的能力而受到关注.对于腹部器官分割问题,为了解决CNN模型分割目标边界轮廓模糊不清的问题,提出了一种新颖的基于CvT和CNN的双分支闭环分割模型DBLNet.模型利用形状先验和预测结果的分割轮廓显式监督并指导网络学习过程.模型包括:轮廓提取编码模块(CEE)、边界形状分割网络(BSSN)和闭环结构.CEE模块首次利用改造的3D CvT和3D门控卷积层(GCL)捕获多层级轮廓特征,并辅助BSSN训练.BSSN模块设计形状特征融合模块(SFF)同时捕获目标区域和轮廓特征,推动CEE训练拟合.闭环结构使得双分支的分割结果互相反馈并辅助对方的训练.DBLNet在BTCV排行榜上测试,平均Dice得分为0.878,排名第13位;在临床医院数据进行应用测试,表现出强大的性能.