光子学报
2023, 52(12): 1210004
1 北方民族大学 计算机科学与工程学院,宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室,宁夏银川75001
3 宁夏医科大学 医学信息与工程学院,宁夏银川750004
针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状,不同体位所拍摄的CT影像存在较大差异,骨折部位大小不一,以及受到出血部位以及周围组织的干扰,骨折部位的特征提取不充分、骨折部位检测精度不高的问题,设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块,利用密集连接特性提高网络的特征提取能力;采用局部全局注意力模块来提取CT影像的全局信息;构造一个轻量化的多尺度密集块,以较少的参数量提取骨折部位的多尺度特征;在特征增强网络中设计跨维度双向特征融合模块,使得特征图的高度、宽度以及通道之间有所交互,同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性,在自建数据集上进行消融实验和对比实验。实验结果表明,在置信度阈值取0.5时,3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%,99.06%,98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位,辅助医生制定治疗方案。
目标检测 下颌骨骨折 YOLOv5 跨维度注意力 密集连接神经网络 target detection mandibular fracture YOLOv5 cross dimension attention densely connected neural network 光学 精密工程
2023, 31(21): 3178
长春理工大学 电子信息工程学院, 吉林 长春 130022
针对单幅偏振图像在一定场景下无法提供充足信息的问题,结合强度图像和线偏振度图像的优势特征,提出一种基于密集梯度生成对抗网络的偏振图像融合算法。利用密集连接卷积网络和梯度算子构建密集梯度卷积模块,并将该模块应用在生成器中,用以增强融合图像的纹理细节; 构造多尺度结构相似度和L1范数相结合的损失函数,用以提高网络的整体性能。在ZJU-RGB-P数据集进行定性比较和定量分析,实验结果表明,所提算法具有更好的主观视觉感受,同时各项评价指标均得到明显提升。
图像融合 偏振图像 生成对抗网络 密集连接卷积网络 image fusion polarization image generative adversarial networks densely connected convolutional networks
1 中国矿业大学 计算机科学与技术学院,江苏徐州226
2 中国矿业大学 信息与控制工程学院,江苏徐州1116
针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题,提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先,四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块,并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图,且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时,在不增加参数情况下使得所提取特征的多样性更加丰富。最后,对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明,所提算法在BSD100数据集上4倍超分辨率时,相比LatticeNet模型的PSNR指标提升了0.14 dB,SSIM提升了0.001,在主观视觉方面,重建出的图像局部纹理细节也更加清晰。
残差网络 超分辨率 宽激活 注意力机制 密集连接 residual network super-resolution wide activation attention mechanism dense connectivity 光学 精密工程
2023, 31(15): 2273
为了减少高光谱图像的训练样本, 同时得到更好的分类结果, 本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先, 两支路分别使用 3D和 2D卷积对子图像的空间信息和光谱信息进行初步提取, 然后经过由批归一化、Mish函数和 3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在 Indian Pines、University of Pavia、Salinas Valley和 Kennedy Space Center数据集上进行了测试, 并与 6种现有方法进行了对比。结果表明, 在 Indian Pines数据集的训练集比例为 3%, 其他数据集的训练集比例为 0.5%的条件下, 算法的总体分类精度分别为 95.75%、96.75%、95.63%和 98.01%, 总体性能优于比较的方法。
高光谱图像分类 光谱变换器 空间变换器 密集连接网络 双支路深度网络模型 hyperspectral image classification spectral transformer module, spatial transformer m DenseNet two branch deep network model
光学 精密工程
2022, 30(18): 2253
兰州交通大学电子与信息工程学院, 兰州 730000
针对目前图像超分辨率重建算法在提取图像信息时过于单一地累加卷积层导致的深层网络梯度消失和图像信息丢失的问题, 提出了一种基于多尺度与残差网络的图像超分辨率重建算法。该算法使用多尺度密集连接的卷积核代替单一累加的卷积核, 充分提取输入低分辨率图像信息并实现通道特征维度的复用; 利用残差网络, 多层次地对丢失图像信息进行补充并对深层网络模型的梯度问题实现了抑制, 在反向传播的过程中帮助全网络模型自适应地完成对权重更新; 最后以非线性映射的方式输出最终重建图像。实验表明, 所提算法在测试集上的峰值信噪比和结构相似性与对比算法相比均有所提升; 在与目前主流算法对比中获得了细节信息更加丰富、边缘纹理更加清晰的重建图像。
图像处理 神经网络 多尺度特征 密集连接 残差网络 image processing neural network multi-scale feature dense connection residual network
太原科技大学 应用科学学院,山西 太原 030024
由于成像机理不同,红外图像以像素分布表征典型目标,而可见光图像以边缘和梯度描述 纹理细节,现有的融合方法不能依据源图像特征自适应变化,造成融合结果不能同时保留红外目 标特征与可见光纹理细节。为此,本文提出红外与可见光图像多特征自适应融合方法。首先,构 建了多尺度密集连接网络,可以有效聚合所有不同尺度不同层级的中间特征,利于增强特征提取 和特征重构能力。其次,设计了多特征自适应损失函数,采用VGG-16网络提取源图像的多尺度 特征,以像素强度和梯度为测量准则,以特征保留度计算特征权重系数。多特征自适应损失函数 监督网络训练,可以均衡提取源图像各自的特征信息,从而获得更优的融合效果。公开数据集的 实验结果表明,该方法在主、客观评价方面均优于其他典型方法。
图像融合 密集连接 自适应损失函数 可见光图像 红外图像 image fusion, dense skip connection, adaptive loss
江西理工大学电气工程与自动化学院,江西 赣州 341000
近年来,基于深度学习的高光谱图像(HSI)分类研究引起了各领域的广泛关注。HSI光谱波段数多、信息冗余度高、计算复杂,出现训练样本不足的问题,容易导致模型训练过拟合,影响分类精度。为了提高分类精度并减少训练时间,提出一种基于三维卷积神经网络(3D-CNN)并结合双分支双注意力机制的快速密集连接网络,用于HSI的分类。首先利用主成分分析(PCA)对原始数据进行降维,减少冗余信息,然后采用双分支密集连接结构,并结合快速傅里叶变换(FFT)的双分支高效通道注意力(ECA)机制,同时增加了一个FFT层,既保证了模型的分类精度,也加快了模型的训练速度。在多个公共高光谱数据集上对方法进行实验验证,性能评估指标采用总体分类精度(OA),平均分类精度(AA)和Kappa系数。实验结果表明,所提方法在提高分类精度的同时,显著减少了训练时间和测试时间。
图像处理 高光谱图像分类 主成分分析 密集连接 双注意力机制 快速傅里叶变换 激光与光电子学进展
2022, 59(8): 0810002