检索结果-内蒙古大学图书馆

计算机工程与应用 2024年第20期60卷 224-232页

作者：曾芸芸张红英袁明东西南科技大学信息工程学院四川绵阳621010 西南科技大学特殊环境机器人技术四川省重点实验室四川绵阳621010

人群计数在公共安全管理、公共空间设计以及其他视觉任务如行为分析、拥塞分析等方面具有重要的应用。然而复杂的背景和人头尺度大小不一导致人群计数的效果并不理想。针对静态图像中尺度变化和背景干扰问题,提出了一种基于双分支中间... 详细信息

人群计数在公共安全管理、公共空间设计以及其他视觉任务如行为分析、拥塞分析等方面具有重要的应用。然而复杂的背景和人头尺度大小不一导致人群计数的效果并不理想。针对静态图像中尺度变化和背景干扰问题,提出了一种基于双分支中间特征提取的人群计数网络——DBFE_MFNet。该网络沿用编码-解码器结构,在编码阶段使用VGG19卷积神经网络的前16层,为了更好融合多尺度信息,将VGG19卷积神经网络的前16层的后4层卷积替换成空洞率为2的膨胀卷积,解码部分采用抑制背景干扰的残差卷积注意力模块(residual convolutional attention module,RCAM),在编码-解码器结构中间插入双分支中间特征提取模块(dual branch intermediate feature extraction module,DBFE),分支1采用金字塔结构并融合位置注意力模块提取多尺度上下文信息,分支2沿用金字塔结构融合双通道注意力机制使模型关注不同大小人头信息,最后使用1×1卷积生成密度图。实验方面,在ShanghaiTech PartA、ShanghaiTech PartB、Mall数据集上进行了算法对比实验,DBFE_MFNet模型在上述数据集的平均绝对误差和均方根误差分别为63.2、7.1、1.80和99.2、11.8、2.28,经对比实验分析,DBFE_MFNet模型具有不错的计数性能和稳定性能;在ShanghaiTech PartB进行了消融实验,实验验证了模型各模块的有效性。

关键词：人群计数 VGG19 编码-解码器残差卷积注意力模块双分支中间特征提取模块

来源：评论

学校读者我要写书评

暂无评论

基于改进Unet与Polyp-PVT的脑肿瘤MRI图像分割

基于改进Unet与Polyp-PVT的脑肿瘤MRI图像分割

引用

作者：毛秀欢哈尔滨理工大学

学位级别：硕士

脑部肿瘤是一种很常见的神经外科疾病,作为脑部高危疾病的一种,对于人类的生活健康造成了严重的危害。为了充分利用医学影像信息,并且帮助医生快速准确地做出疾病诊断,深度学习模型在脑肿瘤分割任务中表现出了强大的特征提取能力。然而... 详细信息

脑部肿瘤是一种很常见的神经外科疾病,作为脑部高危疾病的一种,对于人类的生活健康造成了严重的危害。为了充分利用医学影像信息,并且帮助医生快速准确地做出疾病诊断,深度学习模型在脑肿瘤分割任务中表现出了强大的特征提取能力。然而由于脑肿瘤的形状多种多样及脑部影像的多变性,模型对脑肿瘤的分割效果仍然有一定的提升空间。(1)本文针对以往的Unet网络结构复杂、参数过多、计算量过大,导致无法满足人们对计算速度和精度的要求的问题,为提高计算速度和精度,同时提高训练过程中细节特征质量,引入倒残差模块(Inverted Residuals Block)代替Unet网络中编码和解码阶段的卷积模块、并在编码和解码间加入改进的残差卷积注意力模块(Residuals Convolutional Block Attention Module,ResCBAM)——提出InR-ResCBAM-Unet改进模型。基于Brats2019数据集,本文对提出的Unet网络改进模型进行消融实验,并与TrUE-Net网络、ConResNet网络以及OM-Net网络进行对比,利用Dice系数(Dice Similarity Coefficient)和豪斯多夫距离(Hausdorff distance,HD)作为评价指标对模型的分割效果进行分析。实验结果表明,InR-ResCBAM-Unet网络不但提高了网络的运行速度,还大幅度减少了参数量,同时提高了网络分割效果。(2)由于本文提出的InR-ResCBAM-Unet网络中使用了大量的卷积运算,会使网络在明确建模远程依赖关系方面显示出局限性,并且网络不能完全并行化,会对网络的训练速度有一定的影响。因此本文基于息肉分割的金字塔视觉Transformer(Poly Segmentatiion with Pyramid Vision Transformer,Polyp-PVT)网络运行速度快、分割精度较高的优势,采用Polyp-PVT网络作为基础模型,本文为了提高网络对特征融合的能力,在不增加计算量和参数量的前提下,完成通道间的信息混合,增强分割效果,引入选择融合注意力(Attentional Selective Fusion,ASF)模块替换Polyp-PVT网络中的级联融合模块(Cascaded Fusion Module,CFM)、并且在ASF模块之前引入通道混洗(Channel shuffle)模块——提出PVT-ASF-CS网络。基于Brats2019数据集,本文对PVT-ASF-CS网络进行消融实验,并与模型TransBTS网络、VT-Unet网络以及InR-ResCBAM-Unet网络进行对比,使用Dice系数和HD作为评价指标对模型分割效果进行分析。实验结果表明,本文所提出的Polyp-PVT网络的改进模型能够提取更多更好的特征,对脑肿瘤的分割效果较好。

关键词：肿瘤分割倒残差模块残差卷积注意力模块选择融合注意力模块通道混洗

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：