在眼科疾病的诊断中, 对视网膜血管进行分割是非常有效的一种方法。在方法使用中, 经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题, 通过在设计网络的过程中在基础 U-net网络中引入残差学习, 注意力机制等模块, 并将两者巧妙地结合在一起, 提出一种新型的基于 U-net的 RAU-net视网膜血管图像分割算法。首先, 在网络的编码器阶段加入残差模块, 解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次, 在网络的解码器阶段引入注意力门(attention gate, AU)模块, 用来抑制不必要的特征, 从而使模型产生更高的精度。通过在 DRIVE数据集上进行验证, 该算法的准确率、灵敏度、特异性和 F1-score分别达到了 0.7832, 0.9815, 0.9568和 0.8192。分割效果相对于普通监督学习算法较为良好。

为了提高网络对高空间分辨率遥感影像多尺度建筑物的提取效果,在编码-解码网络的基础上提出了一种高效的尺度自适应全卷积网络。首先,构建多输入多输出结构,实现多尺度特征融合和跨尺度特征聚合。然后,用残差金字塔池化模块学习深层自适应多尺度特征。最后,用基于残差密集连接的聚合特征精化模块进一步处理初始聚合特征,利用不同尺度特征图的像素依赖关系提升分类精度。在差异较大的WHU航空数据集和Massachusetts数据集上的实验结果表明,相比其他方法,本方法对建筑物的提取效果较好,且训练时间和内存占用情况适中,具有较高的实用价值。

在小天体探测、导弹制导和战场侦察等航空航天领域，由于目标信号较弱，占有像素数少，缺少目标形状和纹理信息，使用手工特征提取的传统算法容易出现大量虚警，而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。本文采用了滑动窗口取样训练，它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想，设计了一种使用递归卷积层的全卷积网络，在不增加额外训练参数的情况下，扩展了模型的网络深度，该网络的并行卷积结构的多个分支网络模拟了传统算法的多尺度操作，有利于在复杂环境中增强目标和背景之间的对比度，并且设计使用了多种损失函数的组合，以对抗正负样本严重不平衡的问题。实验结果表明：该方法实现了比传统方法更好的检测效果，为此领域的研究者们提供了一个新的思路和解决途径。

针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

针对现有方法在肺结节检测中准确率低及存在过拟合现象的问题,提出一种基于改进YOLACT模型的肺结节检测方法。在模型的主体结构上,采用DetNet替代原始的残差网络,解决了原始模型在小型结节检测上的局限性。在模型训练上,针对原模型在少量肺结节数据上学习困难而引起的过拟合问题,引入迁移学习机制,帮助新模型得到更好的检测结果。使用RReLU激活函数代替原有的ReLU激活函数,减少了原模型可能存在的过拟合现象。在LUNA16数据集上的实验结果表明,所提方法在受试者工作曲线下面积、假阳率、漏诊率及准确率上均取得了一定的提升。

为了实现定量化应用目标,高精度的云层检测已成为遥感数据预处理的关键步骤之一。然而,传统的云检测方法存在特征复杂、算法步骤多、鲁棒性差,且无法将高级特征和低级特征相结合的缺陷,检测效果一般。针对以上问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。首先,编码器通过残差模块的不断降采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。实验结果表明,对于Landsat 8云检测数据集,所提方法的像素精度达到93.33%,比原版U-Net提高了2.29%,比传统Otsu方法提高了7.78%。该方法可以为云层目标智能化检测研究提供有益参考。

复杂背景下的红外图像往往由于噪声较多、背景区域重叠、目标与背景对比度较差等因素, 在对目标区域分割时会造成过分割或欠分割。针对此现象, 提出了一种将全卷积神经网络和动态自适应区域生长法相结合的红外分割算法。首先利用全卷积神经网络对目标区域在像素级别进行特征提取, 通过神经网络强大的自学习能力获得目标区域的粗分割结果; 然后根据粗分割结果, 对其取外接最小面积矩形框, 并根据矩形框位置在原始图像上确定目标区域, 并以此矩形区域进行动态自适应区域生长, 形成第二次分割结果。最后融合全卷积网络(FCN)的粗分割结果和区域生长分割结果, 实现目标区域的最终分割和提取。仿真实验表明, 该方法能有效利用FCN对红外图像复杂背景的消除能力, 而区域生长法对分割细节的敏感也同时弥补了FCN分割精度的不足, 取得了较好的分割效果。

针对传统舰船检测算法难以适应复杂多变的海洋杂波环境,无法实现智能舰船检测的问题,提出了一种改进的基于区域全卷积网络(R-FCN)的检测方法。针对合成孔径雷达(SAR)图像的特点,对R-FCN中的特征提取网络ResNet进行混合尺度卷积核处理,使特征提取网络能够抑制相干斑噪声的影响,有效提取舰船特征。选取高分辨率GF-3与低分辨Sentinel-1卫星SAR图像进行测试,均取得了良好的检测效果,证明了本文算法的有效性。

提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练,将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。

基于U-Net模型,提出了一个全卷积网络(FCN)模型,用于高分辨率遥感图像语义分割,其中数据预处理采用了数据标准化和数据增强,模型训练过程采用Adam优化器,模型性能评估采用平均Jaccard指数。为提高小类预测的准确率,模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验,结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636,可实现对高分辨率遥感图像端到端的精确分类。