摘要：针对皮革缺陷形态多变、局部相似程度高导致细节信息难以提取、类型错分的问题,提出一种基于改进u-net结构的表面缺陷精细化分割方法.编码端,在保留原始图像细节特征的同时嵌入级联扩张卷积模块获取全局特征,同时在跳跃连接中添加特征融合模块,改善因高低特征张量直接拼接造成的局部信息丢失;解码端使用基于通道注意力机制的解码模块代替原始卷积层,自适应地指导网络关注缺陷区域;为进一步整合高层信息,还嵌入全局平均池化模块,将输出结果作为解码端的语义指导增强网络对相似缺陷的分辨能力.在包含7种缺陷的皮革数据集上进行实验的结果表明,所提方法在PA,MPA,FWIou和MIou上分别达到99.17%,93.27%,98.39%和88.88%,对比u-net分别提升0.28,2.78,0.53和4.03个百分点;定性分析和定量分析结果表明,该方法对于皮革缺陷能得到更加精细的分割结果.

摘要：针对现存卷积神经网络对脑血管数字减影血管造影分割精度不高的问题,本文提出了一种基于u-net的改进网络(IC-net)。通过融合使用Inception和CAM通道注意力模块,以多种感受域提取更丰富的血管特征信息,并对特征信息进行筛选。增加7×7卷积层,通过压缩特征层分辨率的方式减少训练过程中产生的数据量。本文所提模型与u-net、R2u-net、Attention u-net相比,IOu、Accuracy、F1-Score和ROC曲线下面积4项指标平均提升了1.82%、0.014%、1.19%和0.73%。结果验证了IC-net模型明显提升了脑血管数字减影血管造影虚弱血管和血管末端的检测能力,提升了分辨伪影噪声的能力,为医生识别脑血管中产生的病变提供有力参考。

摘要：针对冠脉造影图像照明不均、血管结构与背景区域对比度低、冠脉血管拓扑结构复杂等分割难点,建立了一个冠脉造影血管分割标注数据集,并在此基础上提出了一种基于特征图金字塔的冠脉造影图像血管分割模型。本文模型以u-net网络为基础进行改进和优化,首先,将u-net编码部分的第一个卷积层修改为一个7×7的卷积层,并提高每一层的感受野,在编解码层中引入修改后的ConvNeXt block,使得网络提取更深层次特征的能力有所提升;其次,设计分组注意力机制模块GA,并将其引入到u-net跨连接处,对编码部分提取的特征进行增强,弥补编解码器间存在的语义差距;最后,在u-net解码器处设计了一个特征图金字塔级联模块PFC,融合各尺度的特征图,并在PFC中每一层中加入SE注意力机制模块,用于筛选特征图中的有效信息,网络损失函数为PFC模块各层输出的加权,以监督网络各层的特征提取。本文模型在测试集上的测试结果如下:Dice系数为0.8843,Jaccard系数为0.7926。实验结果表明,相比其他常用方法,本文模型在冠脉血管分割上具有较强的鲁棒性,在低对比度下能够有效抑制噪声,对冠脉血管具有更好的分割效果。

摘要：针对无人机影像场景复杂、视角差异大、异物遮挡多,因而难以实现影像钢轨线高精度自动提取的问题,提出基于CBAS_unet的无人机多视角影像钢轨线自动提取方法。在传统u-net网络基础上增加并行的空洞空间金字塔模块(Atrous Spatial Pyramid Pooling,ASPP)及卷积注意力模块(Convolutional Block Attention Module,CBAM),以增强网络对不同尺度的邻域信息的获取能力,有效提升对钢轨的分割性能;再通过基于RANSAC最小二乘拟合的像素编组及邻域钢轨线串联,实现完整钢轨矢量线的高精度提取。结果表明:与unet及Deeplab v3+2种经典模型相比,所提方法针对多视角无人机影像钢轨分割的交并比分别提升2.09%和1.98%,综合能力评价指标分别提升1.50和1.42;钢轨线提取完整度达到了90.7%,优于u-net模型的83.3%;钢轨线提取的误差平均值约0.58像素,中误差约0.77像素,实现了亚像素级的钢轨线提取。该方法能够满足无人机多视角影像中钢轨线提取的自动化、完整性以及高精度应用的需求。

摘要：目的支气管超声弹性成像具有丰富的通道语义信息,精准的分割纵膈淋巴结对诊断肺癌是否转移具有重要意义,也对癌症的分期和治疗有着重要作用。目前,超声弹性图像分割研究较少,没有充分挖掘图像通道特征之间的关系。因此,提出一种结合注意力机制的多尺度融合增强的纵膈淋巴结超声弹性图像分割u-net(attention-based multi-scale fusion enhanced ultrasound elastic images segmentation network for mediastinal lymph node,AMFE-unet)。方法首先,考虑到图像可以提供纵膈淋巴结的位置和通道信息,设计密集卷积网络(dense convolutional network,Densenet)作为模型编码器;其次,结合注意力机制和空洞卷积设计多尺度融合增强解码器,从多尺度和范围对结节的边界和纹理进行建模;最后,用选择性内核网络设计跳跃连接,将编码器的中间特征与解码器的输出特征充分融合。根据解码器特征进行数值或通道融合的方式不同,将AMFE-unet分为A和B两个子型。结果在超声弹性图像数据集上进行对比实验与验证。结果表明AMFE-unet平均Dice系数达到86.593%,较u-net提升了1.986%;相较于对比模型,AMFE-unet A在Dice、精确度和特异度指标上均达到了最优;AMFE-unet B在交并比、灵敏度和豪斯多夫距离指标上也达到最优。消融实验和可视化分析表明提出的改进方法具有明显的提升效果。结论本文通过密集卷积网络设计分割模型编码器,并利用通道注意力机制优化模型特征恢复和连接过程,在超声弹性图像中获得了良好的纵膈淋巴结分割效果,具有较高的临床应用价值。代码链接:https://***/Philo-github/AMFE-unet。

摘要：滑坡快速识别检测可以满足滑坡灾害的高时效性要求,对灾害损失评估和灾后救援具有重要意义。研究提出一种基于深度学习的滑坡自动提取方法提高滑坡检测的精度。该方法使用目标区遥感影像、数字高程模型数据和面向对象多特征变化向量分析法(robust change vector analysis,RCVA)提取的变化特征作为模型输入,设计结合密集上采样和非对称卷积的u-net模型提高滑坡识别精度。以四川省汶川地区作为研究区,设计试验测试了不同数据组合和不同方法得到的像素级滑坡分割精度,结果表明该研究提出的改进的u-net模型可以取得更好的分割结果。

摘要：精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原u-net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进u-net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-unet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIou分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较u-net、Att-unet等模型更加精简,分割精度更高。

摘要：目的解决传统机器视觉机器人抓取系统对多目标及复杂目标背景分割不精确导致的目标定位精度差而影响机器人抓取效率的问题,提出一种新的深度学习抓取识别定位系统。方法搭建由Delta机械臂、PC上位机、双目相机等组成的硬件系统,对工业部署常用的YOLO系列算法进行对比研究。将YOLO与u-net相结合,用于目标的检测和分割。在精确分割出属于目标和背景目标的像素区域的同时,计算边缘和中心位置信息,运用立体视觉技术得到三维位置,并转换为世界坐标系,由PC机引导机械臂去完成抓取任务。结果深度学习目标检测和图像分割相结合的系统在较复杂背景、多目标的场景下比未添加图像分割的算法拥有更好的目标定位精确度。结论YOLOv5和u-net相结合的目标定位抓取方法具有较高的鲁棒性,达到了并联机械臂的抓取要求。该方法能够运用于其他多自由度机械臂上,具有良好的应用价值。

摘要：脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进u-net的脊柱侧弯Cobb角自动测量方法。由经验丰富的脊柱外科医生使用LabelMe工具对200例脊柱侧弯患者的X线片数据集进行标注。采用Resnet50作为主干网络改进基本的语义分割模型u-net,并与另外2个语义分割模型DeeplabV3和PSPnet在脊柱侧弯X线片数据集上分别进行训练。实验结果表明,改进的u-net模型的平均交并比(mean intersection over union,MIOu)值达到了94.72%,分别比PSPnet和DeeplabV3模型的MIOu值提升了5.36%和2.30%。最后,基于改进的u-net模型设计了脊柱侧弯Cobb角的自动测量算法,并开发了可视化的自动测量软件。经过实际测试,发现在常规的电脑上输入一张患者的X线片,只需6.3 s即可自动计算Cobb角大小,其速度远快于医生手动测量,显著提高了医生的工作效率,表明本文设计的脊柱侧弯Cobb角自动测量方法是有效的。

摘要：图像隐写术是一种将秘密信息隐藏在图像中以防止被发现的技术。当前的图像隐写模型存在图像生成质量差和抗隐写分析能力弱等问题。混合注意力机制不仅可以抑制无意义的通道信息,避免其在含密图像上产生伪影,而且可以根据载体图像中不同位置的重要程度分配不同的权重,为秘密信息寻找更合适的隐藏区域。基于上述特点,文章提出了基于u-net和混合注意力机制的高质量全尺寸图像隐写方法。文章所提方法的模型由编码器、提取器和判别器三个子网组成。编码器采用改进的u-net结构和混合注意力机制模块进行设计;提取器采用卷积神经网络和混合注意力机制模块进行设计;判别器则用于增强模型的安全性。实验结果表明,该方法能够将尺寸为256×256的彩色秘密图像完全隐藏在同尺寸的彩色载体图像中,在不降低隐写容量的情况下实现高质量的图像隐写。该方法在Imagenet、COCO、DIV2K三个数据集上都展现了良好的视觉质量和隐藏容量,在Imagenet数据集上,PSNR值最高可达40.143dB(载体图像与含密图像)和42.082dB(秘密图像与重构的秘密图像),同时还能够提高模型的抗隐写分析能力。