1 武汉大学 物理科学与技术学院, 武汉 430072
2 桂林航天工业学院 电子信息与自动化学院, 广西 桂林 541004
针对图像噪声以及血管、支气管等因素引起的肺分割困难的问题, 提出了一种基于逻辑校准的多分类残差网络分割算法。该算法将图像区域划分为肺、背景及边界三类, 通过扩大不同类型间的差异来提升分割准确率。算法先将图像分割为固定尺寸区域, 然后利用残差网络提取纹理特征进行分类训练与测试, 实现粗分割。最后对边界区域阈值处理实现细分割。利用公开数据集对该算法进行了测试, 实验结果表明, 此分割算法在召回率、精确率以及交并比等方面均优于当下前沿的分割网络之一的U-Net, 分别达到99.79%, 98.13%和97.83%, 可为后续的肺部疾病临床诊断提供参考依据。
图像分割 肺分割 多分类残差神经网络 样本不均衡 逻辑校准 阈值分割 image segmentation lung segmentation multi-class residual network class imbalance logit adjustment threshold segmentation
为减少暴恐图像对社会发展和青少年成长造成的不利影响,本文提出一种基于集成分类的暴恐图像自动标注方法,辅助筛除网页中的暴恐信息。该方法将暴恐图像的标注视作多标签分类问题,利用迁移 学习训练多个子网络,然后通过集成学习对子网络的输出进行融合,同时在融合过程中针对各个标签在不同网络上的准确率进行权重分配,最后经过一系列矩阵运算得到图像的标注结果。实验结果表明,与传统机器 学习算法相比,本文方法在准确率和召回率上都有较大提升,并改善了样本不均衡所造成的不同标签类别上模型标注精确度差异较大的问题。
图像标注 多标签分类 集成学习 权重分配 样本不均衡 image annotation multi-label classification ensemble learning weight allocation label category imbalance 太赫兹科学与电子信息学报
2020, 18(2): 306