摘要：一些息肉目标检测方法难以充分提取全局及长距离语义信息,导致在具有环境噪声的情况下对尺寸差异较大的息肉目标检测精度低.为了解决该问题,提出了一种基于多尺度偏移感知的息肉检测网络.首先,设计了多尺度偏移感知注意力模块,通过在不同尺度上对图像特征进行注意力加权和偏移感知,提高了图像特征的提取和融合能力.其次,设计了渐近特征融合模块,对不同尺度的特征图进行自适应空间加权融合,从而捕捉了更丰富的上下文信息.通过大量实验证明,该方法在三个不同类型的息肉数据集上分别达到了94.8%、94.6%和95.8%的检测精度,相比于当前主流的目标检测方法取得了更好的检测结果.

摘要：为提高基于深度学习的可变形配准在图像复杂形变区域的配准精度,提出一种用于脑部MR图像配准的多尺度位置感知网络。设计一个位置感知注意力模块,分别沿3个坐标方向使用一维池化将位置信息编码生成特征图,定位图像的复杂形变区域;在编解码连接处使用多尺度策略,采用空洞卷积提取多尺度特征并融合,增强复杂形变特征的表达能力。在脑部MR数据集上进行配准实验,其结果表明,与主流方法相比,所提配准网络取得了更高的配准精度。

摘要：针对昏暗环境下拍摄的图像亮度及对比度低的问题,设计了一个基于Retinex理论和深度残差网络的低照度图像增强网络。首先,分解子网络依据Retinex理论分离输入图像的反射分量和照度分量作为后续输入;其次,使用编码器解码器架构的增强网络进行特征提取,通过自适应空间特征融合结构提高特征尺度的不变性;最后,设计了基于残差结构的降噪子网络对反射图去噪,通过残差结构的跳跃连接来弥补传统去噪方法的不足。实验结果表明,本文提出的方法能有效提升图像亮度以及对比度,增强效果细节突出,颜色失真不明显,不仅在主观视觉上有很好的展现,在客观指标上也领先于其他方法。

摘要：通过分割刻蚀图像计算驱油率是目前衡量油藏驱替技术的重要手段。由于刻蚀图像边缘模糊、噪声大且水油像素分散,目前主流的图像分割网络分割精度低、分割速度慢,难以获得较好的分割结果。提出一种用于刻蚀图像分割的轻量可变形编解码网络(LDNet)。在特征编码阶段利用偏移量学习水油目标形状和边缘特征,改善网络的特征表达能力,并通过深度卷积和逐点卷积有效降低网络参数量。在特征融合阶段设计协同耦合注意力模块,将通道注意力进行分解,并分别沿2个空间方向聚合特征,将特征图编码为方向和位置感知的特征图,从而将位置信息嵌入到通道注意力中,提升模型的鲁棒性。实验结果表明,LDNet网络的分割精度为89.94%,模型大小仅为16.63×10^(6),在资源受限的设备中有效提高刻蚀图像的分割精度,降低驱油率误差,加快模型的推理速度。

摘要：金刚石线上固着的金刚石颗粒数量、位置分布和分布密度等是衡量金刚石线表面质量的重要参数,也是衡量金刚石线切割能力的重要指标。针对金刚石颗粒微小、密集、粘连等现象导致其特征难以提取、识别准确率低等问题,本文采用深度学习技术,提出一种基于改进的YOLOv5金刚石线表面质量检测方法。首先在图像处理阶段,使用阈值分割技术初步划分大、小颗粒;其次在主干网络部分,添加CA(coordinate attention)注意力模块,获取更高质量的粘连颗粒中单粒边界特征;再次设计C2(CA+CBL)模块,用特征融合保留不同层之间的语义信息,进而提升密集小目标的检测精度;最后用一个卷积代替CSP2_X结构,降低计算量,同时将不同尺度的输出特征图感受野缩小,避免颗粒特征虚化,从而影响颗粒的检测精度。实验表明,改进的网络模型,能够有效识别形状不一、大小不一、粘连和密集的金刚石颗粒图像,微粒平均精度(AP)达到83.80%,大颗粒平均精度达到90.70%,平均精度均值(mAP)达到87.20%。

摘要：控制算法作为声波驱动微粒技术中的重要环节,极大影响着驱动任务的完成精度与速度.然而,目前的声波驱动微粒控制算法由于难以选择最佳的驱动声波,导致其控制精度较低且速度较慢.为了解决该问题,本文将声波驱动过程中微粒运动的偏移角与欧式距离相结合,设计了一种控制速度快、精度高的声波驱动微粒控制算法.该算法通过偏移角和微粒当前位置与目标位置的欧氏距离来计算驱动度并评估声波驱动效果的优劣,然后选择驱动效果最优的声波来驱动微粒.实验结果表明,本文算法在多种不同驱动任务上均能得到良好的控制速度与精度,尤其在较复杂的多微粒驱动任务上性能提升更为明显.

摘要：在现有短时傅里叶变换域单通道降噪算法考虑帧间相关性的基础上,为提高算法的灵活度以及滤波器的性能,提出了一系列最优非因果滤波器和滤波矩阵.具体地,通过引入非因果概念,设计出一组单通道非因果降噪滤波器,以实现同时利用过去帧和未来帧信息进行噪声抑制的目的.并在此基础上,推导出了一组最优单通道滤波矩阵,以降低算法的复杂度.将非因果滤波器以及滤波矩阵的思想相结合,进一步提出了一组单通道非因果滤波矩阵.随后,将所提算法扩展至多通道场景中,设计出了一组最优多通道非因果降噪滤波矩阵,以达到更好的降噪效果.最后,对所提算法进行了仿真实验.实验结果表明,与传统算法相比,本文提出的算法可有效改善带噪信号(输入信号)的信噪比,提升语音质量.

摘要：多器官分割在病理分析、手术方案制定以及临床诊断上都具有重要的应用价值.但是,一些器官形变较大、尺寸较小且组织边缘模糊,导致分割效果较差.为了解决该问题,提出了一种用于多器官分割的多尺度聚合网络(MSANet).MSANet有两个优势:首先,设计了多尺度边界提取模块,使用多尺度卷积核提取多个特征图,将不同尺度的特征图互相结合,从而聚合全局上下文信息,并提取不同器官的边界和细节信息;其次,设计了聚焦式注意力模块,通过学习的注意力权重来调节特征图的重要性,从而聚焦感兴趣的多器官区域并捕捉不同器官的关键特征,进一步提高分割性能.在两个公开数据集CHAOS和MS-CMRSeg上进行了大量实验.实验结果表明:MSANet在两个数据集上的分割效果均优于当前主流的多器官分割方法,显著提高了多器官分割精度.

摘要：基于卷积神经网络(CNN)获得回归密度图的方法已成为人群计数与定位的主流方法,但现有方法仍存在两个问题:首先传统方法获得的密度图在人群密集区域存在粘连和重叠问题,导致网络最终人群计数和定位错误;其次,常规卷积由于其权重不变,无法实现对图像特征的自适应提取,难以处理复杂背景和人群密度分布不均匀的图像。为解决上述问题,提出一种基于像素距离图(PDMap)和四维动态卷积网络(FDDCNet)的密集人群计数与定位方法。首先定义了一种新的PDMap,利用像素级标注点之间的空间距离关系,通过取反操作提高人头中心点周围像素的平滑度,避免人群密集区域的粘连重叠;其次,设计了一种FDDC模块,自适应地改变卷积四个维度的权重,提取不同视图提供的先验知识,应对复杂场景和分布不均匀导致的计数与定位困难,提高网络模型的泛化能力和鲁棒性;最后,采用阈值过滤局部不确定预测值,进一步提高计数与定位的准确性。在NWPU-Crowd数据集的测试集上:在人群计数方面,所提方法的平均绝对误差(MAE)和均方误差(MSE)分别为82.4和334.7,比MFP-Net(Multi-scale Feature Pyramid Network)分别降低了8.7%和26.9%;在人群定位方面,所提方法的综合评价指标F1值和精确率分别为71.2%和73.6%,比TopoCount(Topological Count)方法分别提升了3.0%和5.9%。实验结果表明,所提方法能够处理复杂背景的密集人群图像,取得了更高的计数准确率和定位精准度。

摘要：针对小数据集情况下贝叶斯网络(BN)参数学习结果精度较低的问题,分析了小数据集情况下BN参数变权重设计的必要性,提出一种基于变权重融合的BN参数学习算法VWPL。首先根据专家经验确定不等式约束条件,计算参数学习最小样本数据集阈值,设计了随样本量变化的变权重因子函数;然后根据样本计算出初始参数集,通过Bootstrap方法进行参数扩展得到满足约束条件的候选参数集,将其代入BN变权重参数计算模型即可获取最终的BN参数。实验结果表明,当学习数据量较小时,VWPL算法的学习精度高于MLE算法和QMAP算法的,也优于定权重学习算法的。另外,将VWPL算法成功应用到了轴承故障诊断实验中,为在小数据集上进行BN参数估计提供了一种方法。