摘要：针对目前只需正常样本即可实现缺陷检测的方法存在漏检或过度检测的问题,构建一种改进掩码自编码器与改进unet结合的方法实现像素级缺陷检测。首先,采用拟合缺陷模块生成缺陷掩码图像及正常图像对应的缺陷图像;其次,对缺陷图像随机掩码,去除缺陷图像大部分的缺陷信息,激励Transformer结构的自编码器从未掩码的正常区域学习表示并依据上下文修复缺陷图像,为了提高模型对细节的修复能力,设计了新的损失函数;最后,将缺陷图像与修复图像拼接后输入拥有通道方向交叉融合Transformer结构的unet,实现像素级缺陷检测。实验结果表明,在MVTec AD数据集上,所提方法平均的基于图像的和基于像素的接受者操作特征曲线下的面积值(ROC AUC)分别达到了0.984和0.982,与DRAEM(Discriminatively trained Reconstruction Anomaly Embedding Model)相比分别提高了2.9和3.2个百分点;与CFLOW-AD(Anomaly Detection via Conditional normalizing FLOWs)相比分别提高了3.1和0.8个百分点,证明所提方法具有较高的识别率和检测精度。

摘要：电流互感器作为电力设备中的重要目标,其检测受到高度重视。分析了电流互感器红外图像数据集,在unet语义分割模型的基础上添加全维注意力动态卷积模块和条纹池化模块,分别替换原网络的常规卷积和最大池化,在中间层添加空间变换网络模块,设计了一种Odconv-stn-spm net(Ossnet)语义分割模型。对于验证集的898张电流互感器红外图像,unet模型OA值为91.30%,Ossnet模型OA值为97.97%。由此可知,所提出的方法有利于提高互感器识别率及其定位精度。

摘要：阐述通过在Matlab平台上使用深度学习工具箱,利用轻量化的代码实现对视网膜血管图像的分割,降低卷积神经网络在视网膜血管图像分割的难度,快速准确地分析患者的病理特征。

摘要：肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。现有的方法虽然实现了肝脏肿瘤的自动化分割,但肝脏肿瘤边界模糊、目标较小、容易漏检等问题尚未很好地解决,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。针对这些问题,该文提出一种新的分割网络BBTunet。构建基于Transformer的上下文Bridge,重新设计unet的跳跃连接结构,有效捕捉多尺度特征之间的上下文关系。在Transformer的前馈神经网络中引入可分离的空洞卷积,提出改进的前馈神经网络BFFN,有效融合全局和局部信息,增强边界特征,细化分割边缘。在3DIRCADB数据集上对模型进行训练和测试,实验结果表明,提出的BBTunet网络的Dice系数为82.1%,ACC为96.4%,相较于unet网络,分别提升了10.9%、4.6%,且对于小尺寸、低对比度、边界模糊的肿瘤分割具有显著优势。

摘要：甲状腺癌是实体癌中发病率增速最快的恶性肿瘤之一,病理学诊断是医生诊断肿瘤的黄金标准,而细胞核分割是病理图像自动分析的关键步骤。针对细胞核分割中细胞核边界位置难以分割问题,设计了边界加权模块使网络在训练时更多关注细胞核边界。另一方面,为了避免网络过分关注边界而忽视细胞核主体部分,导致一些染色较浅的细胞核分割失败,提出了前景增强分割网络;该网络通过在上采样的过程中添加前景增强模块不断增强前景并抑制背景,从而实现细胞核精准分割。在自建的甲状腺癌病理图像分割数据集VIP-TCHis-Seg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为85.26%和95.89%,在公共细胞核分割数据集MoNuSeg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为81.03%和94.63%。上述实验结果表明,提出的边界加权和前景增强模块的方法能有效提高网络在边界处的分割准确率。

摘要：为了提高断层识别的准确率,提出改进unet模型。为编码器部分设计一种多分支的并联结构M-block(Multi-branch block),它可以捕获多尺度上下文信息,并且多分支的并联结构会带来高性能收益。在解码器部分加入Self-Attention块和注意力门控机制。Self-Attention通过对输入特征上下文的加权平均操作,不仅使注意力模块能够灵活地关注图像的不同区域,而且弥补了CNN(Convolutional Neural Network)网络局部性的缺点,为神经网络带来更多的可能性。通过合成数据和实际数据证实,该模型将传统卷积中的权值共享优点和Self-Attention动态计算注意力权重的优点结合,提高了断层识别的精度,与unet相比,验证损失下降了33.68%。模型不仅准确识别出了断层特征,且比目前流行的深度学习方法更准确。

摘要：在遥感影像断层识别中,传统的基于目视判读的方法准确度较高,需要解译人员具备一定的专业基础,且解译过程比较繁琐。此外,在遥感影像断层自动检测方面,基于传统的图像处理方法主要根据影像纹理等浅层特征进行分类判别,受环境影响较大。针对这些问题,文章提出了一种基于深度学习的遥感影像断层自动检测方法,并设计了基于unet网络的Funet(fault detection unet)网络。利用新疆某地区的10级和11级影像,结合1∶50万地质图,制作了断层样本14012张,最后基于模型训练和测试,通过目视对比和定量评价,分析得出10级影像断层识别准确度好于11级影像,而且不同区域识别的准确度也不一样。文章结果初步证实了深度学习方法用于遥感影像断层自动检测的可行性。

摘要：复杂电磁环境下精准检测跳频信号是实施跳频信号侦查的先决条件。针对复杂干扰下跳频信号难以检测的问题,本文提出一种名为时频语义对消的方法。该方法设计了一种具有自注意力和图注意力机制的暹罗嵌套unet,并根据该网络提取包含跳频信号、干扰信号和噪声的时频图语义信息。将得到的结果与不包含跳频信号时频图的语义信息相消就可以得到仅包含跳频信号的时频图,实现对跳频信号的检测。仿真结果表明所提方法可以在复杂干扰下实现对跳频信号的参数估计与盲检测,在信噪比高于-5 dB和信干比高于0 dB时,虚警概率与漏警概率低于1‰。在信号时频范围检测中,对比实验表明语义对消检测方法比语义分割检测方法交并比分数提升0.31,消融实验表明注意力模块对交并比分数提升为0.022。同时分析了所提网络的复杂度,结果表明该方案具有较小的参数量以及较快的处理速度,可以运用于跳频信号的实际检测当中。

摘要：肝纤维化、肝硬化的早期发现对临床治疗和预后评估具有重要意义。而肝包膜的形态和纹理特征是计算机辅助肝硬化诊断的重要依据。本文提出一种基于边缘监督的肝部超声图像包膜分割网络。该网络以常用的分割模型unet为基础,引入空洞卷积,扩大感受野;同时,添加了边缘监督模块,从而将特征学习主要聚焦在图像梯度较大的部分;此外,还设计了混合加权损失函数,来缓解肝包膜部分与其他区域之间的极度不平衡情况。实验结果表明,本文提出的ES-unet网络结构平均Dice系数相比原始unet提高了0.1715,平均交并比(MIo U)提高了0.0215,其他指标也有较明显的提高,可见,本文算法的各个组件对模型分割性能的优化都有一定的贡献,改进后的模型可以实现肝包膜的精确分割。

摘要：高精度的河道水体解译对全面详实掌握水资源变化,科学制定水资源保护策略,合理规划开发水资源具有重要意义。研究以闽江下游主河道为研究区域,以Landsat-8、Sentinel-2和GF-6卫星影像为数据源,分析对比不同空间分辨率遥感影像在不同形态河道中的水体识别效果。结果表明,2~30m空间分辨率的遥感影像均可有效反映河道形态;在边界规整的山区型河道和河面宽阔的入海型河道,2~30m的空间分辨率遥感影像均能获得较好的解译结果,遥感影像空间分辨率的改变不会对河道的水体识别效果产生显著影响;遥感影像空间分辨率对河宽较窄的城区型河道的水体识别效果影响较大,高空间分辨遥感影像更有利于城区型河道水体的识别;随遥感影像空间分辨率的降低,遥感影像对河岸边界表征能力将逐渐下降,水体漏分和错分现象将增加。