为了提高U-Net网络性能的同时尽可能减少额外计算量,本文提出了一种新的多尺度偶数卷积注意力UNet(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络在编码端采用2×2偶数卷积代替3×3卷积进行特征提取,并...
详细信息
为了提高U-Net网络性能的同时尽可能减少额外计算量,本文提出了一种新的多尺度偶数卷积注意力UNet(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络在编码端采用2×2偶数卷积代替3×3卷积进行特征提取,并借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销,同时还采用对称填充解决偶数卷积提取信息过程中产生的偏移问题。此外,在2×2偶数卷积模块后加入卷积注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。最后,在两个医学图像数据集上进行仿真实验,实验结果表明提出的MECAU-Net网络相对于U-Net在稍微增加计算成本的情况下,分割性能得到了较大的提升,并比其他对比网络取得更好的分割性能的同时还降低了参数量。
针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则...
详细信息
针对压缩感知(Compressed Sensing,CS)中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法(Alternating Direction Exterior Point Continuation Method,ADEPCM).该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂(Variable Splitting,VS)技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明:与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度.
暂无评论