为解决太赫兹成像分辨力低, 危险品边缘模糊, 无法有效对危险品进行分割的问题, 提出一种基于对抗式生成网络与多头注意力机制的新型网络架构, 并用于太赫兹安检图像智能分割。通过学习深层鉴别器的特征图优化生成器, 获得更加真实的生成图像; 引入多头注意力机制提升模型对危险品特征的识别能力。分割太赫兹安检图像的大量实验结果表明, 相较于传统卷积神经网络, 提出的对抗生成网络在相同深度下具有更好的泛化能力; 多头注意力机制的引入强化了模型对危险品特征的学习, 在未知危险品类别的情况下同样拥有较好的效果, 其交并比(IOU)指标相较 ResNet-50提高 9.6%, 相较 ResNet-18提高 21.3%, 相较 U-Net提高 12.3%。本文研究有利于图像分割算法更准确、高效地处理太赫兹安检图像, 有助于拓宽太赫兹智能安检系统的进一步应用。

锥形束计算机断层扫描(CT)成像技术在口腔疾病诊断中发挥了重要作用。如何从复杂的原始扫描图像中获取牙齿的准确信息，成为口腔医学的一个重要研究问题。引入空间注意力机制，提出一种基于改进U-net网络的分割算法，结合等值面提取算法，实现对牙齿锥形束计算机断层扫描图像的准确分割和三维重建。首先对图像进行分割，得到只保留牙齿信息的图像，再对结果进行三维重建，创建出牙齿的三维模型。实验结果表明，该方法能够有效地提取牙齿信息，有助于对口腔疾病特别是牙齿疾病的诊断和治疗。