摘要：水下图像增强技术能够提升水下图像的质量和可视性,在丰富数字媒体资源、水下探测、水下通信等领域具有重要应用价值。近年来,深度学习方法在水下图像增强方面取得了显著的效果。然而,现有的方法计算复杂度高,限制了它们在计算资源有限的场景中的使用。针对这一问题,提出了一种轻量化的水下图像增强方法,该方法基于跨尺度深度蒸馏特征感知,采用u型网络结构,在保证非线性抽象层级抽取的同时,大幅减少了模型参数量。实验结果表明,所提出方法在视觉效果和客观评价指标上均取得了具有竞争力的结果。

摘要：受地形、地物遮挡和反射率等影响,机载激光雷达获得的DSM数据值存在局部缺失。针对此问题,设计了一种基于u-Net改进的深度学习算法,成功地将深度学习图像修复方法应用于DSM修复。该算法通过在u-Net基础上结合部分卷积和注意力模块的方式能有效地减小修复误差,具有更好的鲁棒性。其中,部分卷积可增强不规则缺失边缘特征的提取能力;注意力模块能在通道和空间两个维度增加特征权重自适应学习机制。为了验证算法的有效性,采用多种方法对两个地区的DSM数据进行了实验。实验结果表明,改进后的算法有效地降低了修复误差,比传统u-Net网络方法降低了约30%;相比于传统方法误差更小,在缺失范围变化上具有更好的鲁棒性。

摘要：针对当前深度神经网络模型在检测小缺陷目标时性能较差的问题,提出了一种基于改进u-Net的工件表面缺陷分割方法。该方法设计了一种仅下采样3次的u型网络,在保持图像特征分辨率的同时获得足够的感受野,有效解决神经网络多次下采样造成的小目标信息丢失问题;引入Dice损失和Focal损失组成的混合损失函数,通过增强分割损失权重并抑制背景信息来提高分割效果,有效解决小缺陷目标的低概率密度问题。通过在表面缺陷数据集上的大量实验和分析,结果表明该算法能够很好地细分出缺陷区域,并在分割精度与速度之间获得平衡。

摘要：针对现有模型过于庞大的问题,本文提出了一个基于多信息辅助的u型轻量级显著性目标检测模型.为了在轻量化的同时保持性能,分别设计了MuN模块和DPM模块.MuN模块利用边缘特征对模块内的浅层特征作细节补充并对边缘区域进行强调,利用骨架特征对图像特征的结构进行进一步的强化和修正.DPM模块中通过下采样操作和空洞卷积操作获得了不同感受野和全局性的特征,对模型进行结构信息补充,从而改善目标定位.考虑到分布跨度过大的特征无法很好地进行融合,DPM中使用平行结构进行相邻融合,将多个特征逐渐集成为一个特征.本文提出的方法在五大数据集上都获得了不错的性能,在模型大小和精度之间达到了进一步的平衡,与其他优秀模型的对比表明了本模型的有效性及优越性.

摘要：基于卷积神经网络的分割模型可以自主学习特征,精确快速分割病灶,为缺血性卒中临床救治提供客观高效的决策支持。针对现有研究由于复杂的算法流程和模型结构导致分割时间大量增加,以及u-Net缺乏对特征通道和空间信息的关注,不能很好地适应形态位置各异的病灶等问题,提出基于通道和空间注意力增强模块CSA的u-Net,利用一维卷积和膨胀卷积,分别获得高效的通道间依赖关系和感受野更广的空间注意力。在ISLES 2018数据集上进行验证,实验结果表明,CSA提升了u-Net的分割效果,分割性能优于其它几种u-Net的变体。

摘要：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制图像失真、噪声问题并显著提高图像质量和照度。

摘要：传统抽取算法在病灶、细节区域存在分割不精准的问题。改进算法对u-net深度神经网络进行改进,在网络底层加入Dense-net网络中的稠密连接方式,使用BConvLSTM来组合编码器和解码器的特征信息,结合AC-net思想提出MultiAc模块,在u-net下采样和上采样过程加入该模块,帮助网络学习更复杂的特征信息,在预测过程中提高精确率。通过在DRIVE、STARE、CHASE_DB1这3个公开眼底数据库的实验,分割结果的客观评价指标与主观视觉验证了改进算法在分割精度方面的有效性。

摘要：眼底视网膜血管结构形态复杂、对比度低,且训练样本有限,易产生过拟合现象。针对以上问题,提出一种改进的大核卷积u-Net视网膜血管分割方法(large kernel residual u-Net, LKR-uNet)。减少u-Net下采样次数和每一层的通道数缓解模型过拟合和退化问题;使用大核残差卷积模块(large kernel residual convolution block, LKR-Block)充分提取视网膜血管的特征;通过级联空间通道注意力(cascaded spatial channel attention, CSCA)模块计算空间和通道注意力,提高分割的准确性。提出方法在DRIVE和CHASE_DB1数据集上进行消融实验,在两个数据集上的敏感度分别为84.04%和83.77%,AuC分别为97.82%和98.75%,F1-score分别为82.92%和84.67%。该方法较现有先进算法有一定提升,能有效进行视网膜血管分割。

摘要：针对现有新型冠状病毒感染区域的分割方法存在形态特征提取不充分、感染区域检测不完整以及背景混淆等问题,提出了一种肺部CT图像中新型冠状病毒感染区域的分割新模型:MSAG-TransNet模型。该模型在u型网络的基础上增加了多尺度特征抽取模块、Transformer语义增强模块和多重注意力门模块等3个新模块。首先设计了多尺度特征抽取模块来增强骨干网络的特征提取能力,通过多分支结构的深度可分离卷积,充分提取感染区域的形态特征;其次,设计了Transformer语义增强模块来捕获图像全局位置信息,整合局部形态特征;最后,设计了多重注意力门模块,将提取的特征与对应上采样过程的门信号拆分成不同分区,然后利用注意力门抑制各分区的无效特征,得到最终分割结果。该模型在两个公开的新型冠状病毒感染CT数据集上进行实验,实验结果显示:分割图像的Dice系数分别为82.03%和76.67%,精确率为77.27%和72.34%,交并比为69.53%和62.16%;与其他主流模型相比,该模型能够提取更丰富的形态特征,检测到更完整的感染区域,并且得到更精准的分割结果。该模型可以更精确的定位和量化新型冠状病毒感染区域,为临床诊疗提供可靠参考。