检索结果-内蒙古大学图书馆

华中科技大学学报（自然科学版） 2024年第5期52卷 83-89页

作者：王雷郭新萍王钰帏李彬山东理工大学计算机科学与技术学院山东淄博255000 华南理工大学自动化科学与工程学院广东广州510641

针对普通卷积运算无法关注重点区域、编码器无法有效提取全局上下文信息、简单的跳跃连接无法捕获显著特征,以及易导致分割图像分辨率降低、重要细节丢失、小物体信息无法被准确捕获等问题,提出基于膨胀率注意力机制的unet(DRA-unet)模... 详细信息

针对普通卷积运算无法关注重点区域、编码器无法有效提取全局上下文信息、简单的跳跃连接无法捕获显著特征,以及易导致分割图像分辨率降低、重要细节丢失、小物体信息无法被准确捕获等问题,提出基于膨胀率注意力机制的unet(DRA-unet)模型,并发展了基于此模型的超声图像分割方法.在unet模型的基础上,引入膨胀率注意门和多尺度卷积(ConvMulti)模块.膨胀率注意门模块利用空洞卷积能得到更大的感受野,将编码器语义位置的局部区域像素联合到上采样区域,可以实现更加高效的跳跃连接.ConvMulti模块用来获取更加详细的高层特征信息,使编码器功能更强大.实验结果表明:本模型可以有效抑制图像噪声,大幅提高特征的表达能力,具有很强的鲁棒性,相比六种经典分割方法,所提出方法在交并比、F1分数和精度指标下分别达到72.25%,83.89%和97.47%.

关键词：超声图像图像分割 u-net模型空洞卷积注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于Segformer模型的洪水淹没范围提取与对比研究

引用

长江科学院院报 2024年

作者：张云康刘懿肖婉覃炀扬程聪彭旭华中科技大学土木与水利工程学院

洪水期间，复杂地形和水域边界的快速变化极大增加了水体准确提取的难度。传统的人工和卫星遥感方法由于云层覆盖、光照变化和传感器限制等因素，常常精度不足，且效率低下、成本高昂。基于此，本研究利用深度学习与机器视觉技术，构建... 详细信息

洪水期间，复杂地形和水域边界的快速变化极大增加了水体准确提取的难度。传统的人工和卫星遥感方法由于云层覆盖、光照变化和传感器限制等因素，常常精度不足，且效率低下、成本高昂。基于此，本研究利用深度学习与机器视觉技术，构建了专门针对洪水监测的“RiverDataset”数据集，并基于此数据集评估Segformer模型在洪水淹没范围提取中的效果。同时，本研究还将Segformer模型与基于Resnet50和VGG16的u-net模型进行了对比分析，以测试这些模型在水体分割任务中的性能。研究结果表明，Segformer模型凭借其Transformer结构，有效捕捉了广泛的上下文信息，并通过多尺度特征融合技术，保证了在复杂环境中的分割性能和信息的完整性。在在平均交并比（mIou）、平均像素准确率（mPA）、精确率和召回率等关键性能指标上，Segformer模型显著优于基于Resnet50和VGG16的u-net模型。本研究表明，Segformer模型在处理需精确提取边界和有效排除干扰物的复杂分割任务中具有明显优势。

关键词：洪水检测视觉分割 Transformer Segformer模型 u-net模型精确边界分割

来源：评论

学校读者我要写书评

暂无评论

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

引用

地球信息科学学报 2022年第5期24卷 949-961页

作者：陈振陈芸芝吴婷李佳优福州大学数字中国研究院(福建) 福州350108 卫星空间信息技术综合应用国家地方联合工程研究中心福州350108 福州大学空间数据挖掘与信息共享教育部重点实验室福州350108

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResunet模型。该模型在Resunet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性... 详细信息

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResunet模型。该模型在Resunet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResunet模型的Iou和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于u-net、Resunet和Vnet模型。与u-net和Resunet模型相比,DAFCResunet模型仅增加了少量的计算量和参数量,但Iou和F1-score均有较大幅度的提高;与Vnet模型相比,DAFCResunet模型在计算量和参数量远低于Vnet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResunet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影遮挡等造成的道路空洞、误提和漏提现象。

关键词：深度学习道路提取高分辨率遥感影像残差网络 u-net模型双注意力模块编解码器特征补偿

来源：评论

学校读者我要写书评

暂无评论

基于u-net深度网络改进模型的红外弱小目标检测方法研究

基于U-Net深度网络改进模型的红外弱小目标检测方法研究

引用

作者：朱林华中科技大学

学位级别：硕士

红外弱小目标检测是从红外图像中快速准确地提取感兴趣的弱小目标的过程,在军事侦察、灾害搜救等军用和民用领域具有广泛应用。近年来,基于深度学习的通用目标检测方法发展迅速,性能超越传统方法。但是,直接用于红外弱小目标检测性能有... 详细信息

红外弱小目标检测是从红外图像中快速准确地提取感兴趣的弱小目标的过程,在军事侦察、灾害搜救等军用和民用领域具有广泛应用。近年来,基于深度学习的通用目标检测方法发展迅速,性能超越传统方法。但是,直接用于红外弱小目标检测性能有限。究其原因,红外弱小目标面积小、特征少,难以直接通过大数据学习到目标特征。本文针对天基空间目标监视应用,基于全卷积神经网络u-net框架开展红外弱小目标检测深度学习算法研究,具体内容如下:首先,针对数据集缺乏的问题,结合目标-背景红外特性,使用星载中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)数据仿真构建红外弱小目标数据集。选取第20波段(3.660～3.840μm)数据作为背景,随机叠加多种尺寸(1×1、3×3、5×5、7×7)和中心强度(120～240)的目标,仿真遍历得到涵盖宽范围目标-背景信杂比的红外弱小目标图像数据集,为深度学习奠定了数据基础。其次,针对弱小目标特征难以直接学习的困难,采用深度学习估计背景、在抑制背景后检测目标的思路,以语义分割领域的u-net网络模型为基础,针对卷积边界信息丢失和感受野有限的问题,提出下采样优化、残差块、空洞卷积三种改进方案,形成红外弱小目标检测Iu-net(Improved u-net)网络模型。实验结果表明,Iu-net模型目标检测性能优于IPI(2013 TIP)和RIPT(2016 JSTAEORS)算法。最后,针对Iu-net模型在小尺寸(1×1和3×3)目标区域背景估计不准的问题,提出目标区域隶属度加权的均方误差(MSE)损失函数,提高目标区域背景估计准确性;进一步,构建深度可分离卷积和精简网络降低参数量和计算量,优化空洞卷积空洞率以规避栅格效应,采用Mish激活函数替换RELu激活函数加快梯度下降,采用Nadam优化器替换Adam优化器加强不同类别数据适应性,形成红外弱小目标检测Iu-net+模型。实验结果表明,Iu-net+模型的目标检测性能优于IPI、RIPT和PSTNN(2019 RS)算法,具备较强的泛化能力。

关键词：天基红外监视弱小目标检测深度学习 u-net模型背景估计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的肺部CT图像病灶区域分割研究综述

引用

计算机工程与应用 2025年第4期61卷 25-42页

作者：李小童马素芬生慧魏国辉李欣桐山东中医药大学智能与信息工程学院济南250355 山东中医药大学教务处济南250355

肺癌严重威胁人们的生命健康。肺部CT图像病灶区域形态复杂多样,实现高精度的肺部CT图像病变区域分割,成为计算机辅助诊断领域的一个极具挑战性的关键问题。基于深度学习的肺部病灶区域分割不仅可以帮助医生快速、准确地诊断出早期肺癌... 详细信息

肺癌严重威胁人们的生命健康。肺部CT图像病灶区域形态复杂多样,实现高精度的肺部CT图像病变区域分割,成为计算机辅助诊断领域的一个极具挑战性的关键问题。基于深度学习的肺部病灶区域分割不仅可以帮助医生快速、准确地诊断出早期肺癌,而且对于肺癌的治疗也具有重要的临床价值。为了深入研究肺部病灶区域分割技术,介绍了常用的数据集及评价指标;重点从基于卷积神经网络、基于u-net模型、基于生成对抗网络三个方面对深度学习肺部病灶区域分割模型进行了综述;结合具体实验总结了近5年国内外研究的创新点,对比分析了各个模型的分割性能;最后总结了各类模型的优缺点,展望了该领域的未来发展方向。

关键词：深度学习肺部病灶区域分割卷积神经网络 u-net模型生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于深度分割的端到端雷达信号分选

引用

系统工程与电子技术 2023年第5期45卷 1351-1358页

作者：陈涛刘福悦李金鑫雷宇哈尔滨工程大学信息与通信工程学院黑龙江哈尔滨150001 先进船舶通信与信息技术工业和信息化部重点实验室黑龙江哈尔滨150001

针对传统的雷达信号分选方法严重依赖预置参数、先验信息和结构不灵活的问题,提出一种基于深度分割的端到端雷达信号分选方法。首先将采集到的脉冲描述字映射成脉冲序列图像,同时保留像素点对脉冲的索引;然后利用训练好的深度分割模型u-... 详细信息

针对传统的雷达信号分选方法严重依赖预置参数、先验信息和结构不灵活的问题,提出一种基于深度分割的端到端雷达信号分选方法。首先将采集到的脉冲描述字映射成脉冲序列图像,同时保留像素点对脉冲的索引;然后利用训练好的深度分割模型u-net对脉冲序列图像分割获得像素点分类结果;最后根据像素点索引和像素点分类结果对所有脉冲进行搜索归类,整个过程采用端到端形式。实验表明,该方法能够加强对捷变参数的分选能力,如频率捷变雷达、脉组捷变频等雷达参数,以及对时频域混叠、脉冲丢失严重等未知电磁环境中信号的分选能力。

关键词：雷达信号分选端到端脉冲描述字 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于相机与激光雷达融合的温室机器人行间导航方法

引用

农业机械学报 2023年第3期54卷 32-40页

作者：王杰陈正伟徐照胜黄滋栋经俊森牛润新中国科学院合肥物质科学研究院合肥230031 中国科学技术大学自动化系合肥230026 安徽大学物质科学与信息技术研究院合肥230601

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的u-net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点... 详细信息

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的u-net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点云倾斜;然后,采用改进的KMeans算法实现作物行点云快速聚类,并将聚类中心作为作物行主干区域点,降低枝叶遮挡对作物行中线提取的影响;最后,采用RANSAC算法拟合两侧作物行方程并计算出导航线。通过实验评估导航线精度,在测试集中94%以上数据帧可以准确实现提取导航线,平均角度误差不高于1.45°,满足温室机器人沿作物行自主导航行驶要求。

关键词：温室机器人行间导航相机激光雷达 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于SLA-unet的海水网箱养殖信息提取

引用

海洋学报 2024年第5期46卷 93-102页

作者：柯丽娜由金浩范剑超辽宁师范大学地理科学学院辽宁大连116029 大连理工大学控制科学与工程学院辽宁大连116024

网箱养殖是海水养殖中最重要的类型之一,各类网箱在遥感影像中形状不一,且背景复杂,以往的网箱提取方法,未能完全模拟人类的视觉行为,以及高效利用光谱信息。针对上述问题,提出深度多循环注意力光谱的u-net网络模型(Spectral Loopy Atte... 详细信息

网箱养殖是海水养殖中最重要的类型之一,各类网箱在遥感影像中形状不一,且背景复杂,以往的网箱提取方法,未能完全模拟人类的视觉行为,以及高效利用光谱信息。针对上述问题,提出深度多循环注意力光谱的u-net网络模型(Spectral Loopy Attention u-net,SLA-unet)进行网箱养殖信息提取,使用基于最优尺度寻优(Estimation of Scale Parameter,ESP)的随机森林(Random Forest,RF)算法,去除波段运算后的冗余光谱信息,并添加类似人眼的注意力行为机制,深化影响网箱信息提取的重要特征通道,同时进行边缘补齐补充损失信息,实现了网箱养殖信息的高精度提取。选取广东省湛江市和海南省临高县作为研究区域,与Canny算子、Otsu算法、PCA_Kmeans算法、基于ESP的RF算法、u-net模型提取结果进行对比,所提SLA-unet模型近岸网箱的提取精度为98.3%,深海网箱提取精度平均值为98.9%,验证了SLA-unet模型在网箱养殖识别中的有效性。

关键词：网箱养殖 u-net模型多循环注意力机制深度特征高效光谱特征

来源：评论

学校读者我要写书评

暂无评论

基于端到端深度学习的声源特征清晰化方法

引用

振动与冲击 2023年第21期42卷 133-141页

作者：冯罗一昝鸣徐中明张志飞李贞贞重庆大学机械与运载工程学院重庆400044

基于深度学习的无网格声源识别方法突破了网格划分的限制,具有精度高、预测速度快的优点。在利用传统波束形成地图(conventional beamforming map,CB Map)提取声源位置特征时,随着传声器数目的减少,CB Map的成像性能会下降,进而影响深... 详细信息

基于深度学习的无网格声源识别方法突破了网格划分的限制,具有精度高、预测速度快的优点。在利用传统波束形成地图(conventional beamforming map,CB Map)提取声源位置特征时,随着传声器数目的减少,CB Map的成像性能会下降,进而影响深度学习模型预测声源位置的精度。为了提高深度学习无网格方法(deep learning grid-free method,DL-GFM)的通用性,使其在较少传声器阵列的情况下有良好的性能,提出一种基于端到端深度学习模型u-net的阵列转换方法(array converted method,ACM),对CB Map进行清晰化。首先使用18通道阵列CB Map作为输入、64通道阵列CB Map作为目标训练u-net模型,然后使用训练好的残差神经网络(residual network,Resnet)作为DL-GFM方法的预测模型进行无网格声源坐标识别。仿真结果表明ACM方法具有良好的旁瓣消除和主瓣宽度减小能力,并且在1~8个声源范围内对非训练声源数目的情况同样有效。对于3声源的情况,ACM方法在全频段上提升了DL-GFM方法的精度。最后通过1个、2个、3个声源的试验验证了提出方法的有效性和可行性。

关键词：声源识别波束形成 u-net模型端到端深度学习相控麦克风阵列

来源：评论

学校读者我要写书评

暂无评论

结合上下文信息与多层特征融合的遥感道路提取

引用

激光与光电子学进展 2024年第4期61卷 406-416页

作者：陈果胡立坤广西大学电气工程学院广西南宁530004 广西大学先进测控与智能电力研究中心广西南宁530004

现有的u-net虽然为遥感图像道路提取提供了较为理想的解决方案,但由于其缺乏对全局信息的关注,模型对于上下文信息的提取能力不足。为了进一步提高道路提取的准确度与完整度,提出一种结合上下文信息与多层特征融合的context&multila... 详细信息

现有的u-net虽然为遥感图像道路提取提供了较为理想的解决方案,但由于其缺乏对全局信息的关注,模型对于上下文信息的提取能力不足。为了进一步提高道路提取的准确度与完整度,提出一种结合上下文信息与多层特征融合的context&multilayer features-unet(CMF-unet),该模型利用金字塔特征聚合模块融合多层特征,并引入多尺度上下文信息提取模块用于加强上下文信息捕获能力。在Massachusetts Roads和CHN6-CuG两个数据集上进行实验验证,结果表明,所提方法能够有效提升道路分割精度,相较于原u-net,CMF-unet在Massachusetts Roads数据集上的召回率、F1分数和交并比分别提升了5.77个百分点、2.02个百分点和2.62个百分点,在CHN6-CuG数据集上的召回率、F1分数和交并比分别提升6.47个百分点、1.53个百分点和2.04个百分点。

关键词：图像处理 u-net模型多尺度上下文注意力机制条带池化

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：