传统 U-Net语义分割模型在医学影像领域具有广泛的应用, 但该模型的准确率受限于单一尺度的预测模式以及上下采样引起的信息丢失。针对上述问题, 本文基于 U-Net编码—解码架构以及空洞可分离卷积提出了一种高低层级信息丰富的多尺度医学影像语义分割算法, 该算法由特征提取网络以及多尺度语义分割预测网络两部分构成。特征提取网络使用空洞可分离卷积和类残差块分别替换原 U-Net中上、下采样以及卷积块, 在增加感受野的同时使信息得到最大化的保留；提出一个通道注意力机制, 强化目标核心特征的表达以及无关背景区域的抑制；在多尺度上挖掘带有图像级全局上下文的卷积特征, 进一步提高分割性能。本文在采集的胚胎以及 DRIVE数据集上进行仿真实验, 其结果表明, 与 U-Net及其衍生模型相比该方法具有更高的准确率和鲁棒性。

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题, 对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先, 在特征提取网络中增加2步长的卷积层, 代替原网络中的最大池化层进行下采样; 接着, 使用深度可分离卷积构造反残差块替换传统卷积, 降低模型尺寸和参数量, 增加高维特征提取; 然后, 在原网络两尺度预测的基础上增加一尺度, 形成三尺度预测; 最后, 对损失函数中的边界框位置误差项进行优化。实验结果表明, 改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%, 满足实时性要求, 具有一定鲁棒性。本文方法能够更好地提取目标特征, 多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。

针对以Faster R-CNN为代表的基于候选框方式的遥感影像目标检测方法检测速度慢,而现有SSD算法在小目标检测中性能低的问题,提出一种改进的SSD算法,综合利用现有基于候选框方式和一体化检测方式的优势,提升检测性能。该算法利用密集连接网络替换原有的VGGNet作为骨干网络,并且在密集连接模块之间构建特征金字塔,代替原有多尺度特征图。为验证所提算法的精度及性能,设计样本数据在线采集系统,并采集飞机及运动场目标样本集作为实验样本,通过对改进SSD算法的训练,验证了其网络结构的稳定性,在无迁移学习支持下依然能够达到良好效果,且训练过程不易发散。通过对比以101层的残差网络(ResNet101)作为基础网络的Faster R-CNN算法和R-FCN算法可知,改进SSD算法较Faster R-CNN算法和R-FCN算法的MAP在测试集上分别提升了9.13%和8.48%,小目标检测的MAP分别提升了14.46%和13.92%,检测单张影像耗时71.8 ms,较Faster R-CNN和R-FCN算法分别减少45.7 ms和7.5 ms。