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 医学信息工程学院， 宁夏银川750004
多模态医学图像融合在医学临床应用中起着至关重要的作用，为了解决现有方法大多数侧重于局部特征的提取，对全局依赖关系的探索不足，忽略了全局和局部信息交互，导致难以有效解决周围组织与病灶区域之间的模式复杂性和强度相似性问题。该文提出面向PET和CT医学图像融合的LL-GG-LG Net模型。首先，提出了局部-局部融合模块（Local-Local Fusion Module，LL Module），该模块采用双层注意力机制更好地关注局部细节信息特征；其次，设计了全局-全局融合模块（Global-Global Fusion Module，GG Module），该模块通过在Swin Transformer中加入残差连接机制将局部信息引入全局信息中，提高了Transformer对局部信息的关注程度；然后，提出一种基于可微分神经架构搜索自适应的密集融合网络的局部-全局融合模块（Local-Global Fusion Module，LG Module），充分捕获全局关系并保留局部线索，有效解决背景和病灶区域相似度高问题；使用临床多模态肺部医学图像数据集验证模型的有效性，实验结果表明，该文方法在平均梯度，边缘强度，QAB/F，空间频率，标准差，信息熵等感知图像融合质量评价指标上与其他七种方法中最优的方法相比，分别平均提高了21.5%，11%，4%，13%，9%，3%。模型能够突出病变区域信息，融合图像结构清晰且纹理细节丰富。
医学图像融合 深度学习 注意力机制 可微分架构搜索 密集网 medical image fusion deep learning attention mechanism differentiable architecture search dense network 光学 精密工程
2023, 31(20): 3050
1 宁夏大学 信息工程学院, 宁夏 银川 750021
2 四川师范大学 工学院, 四川 成都 610000
针对传统的弱光照图像增强算法鲁棒性差, 基于神经网络的图像增强算法直接从弱光照图像中估计增强结果, 并未注入视觉注意机制, 不能有效注意弱光照区域, 导致算法增强结果的精度不高等问题, 本文提出了注意残差稠密神经网络的弱光照图像增强算法来提高弱光照图像的增强精度和视觉效果。该算法主要包括注意循环网络和残差稠密网络, 注意循环网络在光照图的引导下, 利用循环网络结构逐步关注图像中的弱光照区域, 从而产生由粗到细, 逐步优化的光照注意图。而光照注意图则进一步联合弱光照图像作为后续的残差稠密网络的输入, 引导残差稠密网络为弱光照区域分配更多的计算资源, 更好地学习弱光照图像与增强图像的映射关系, 得到准确的图像增强结果。实验表明, 本文算法在合成图像及真实图像上均较常用算法有更好的增强效果。
弱光照图像增强 Retinex模型 卷积神经网络 残差稠密网络 注意机制 weakly illuminated image enhancement Retinex mode convolutional neural network residual dense network attention mechanism
武汉大学 物理科学与技术学院, 武汉 430072
针对临床上由质子热声信号脉宽和信噪比的不确定性引起的走时提取困难问题, 提出了一种基于密集网络的走时提取算法。该算法使用密集块代替传统卷积块, 融合了具有不同感受野的特征, 并引入了深度监督和网络剪枝机制, 利用标记好的质子束热声信号数据进行学习, 以提取所需的走时信息。实验结果表明, 相比其他算法, 该算法对质子热声信号走时的提取具有较高的准确率和鲁棒性, 同时展现了实时提取的可行性。
质子热声信号 布拉格峰 密集网络 深度监督 网络剪枝 走时 proton thermoacoustic signal Bragg peak dense network deep supervision model pruning travel time
1 湘潭大学自动化与电子信息学院, 湖南 湘潭 411105
2 湘潭大学智能计算与信息处理教育部重点实验室, 湖南 湘潭 411105
绝缘子为配网架空输电线路的重要组成部分,对无人机航拍的绝缘子图像进行精准识别是实现其缺陷检测和故障诊断的重要前提。针对图像中绝缘子目标小、背景复杂的问题,提出了一种基于多尺度密集网络的配网架空输电线路绝缘子识别算法。首先,利用K-means算法对数据集的目标框进行分析,获取合适的锚框;然后,将基础网络中的残差模块替换为密集连接模块,以增强网络特征信息的复用与融合,同时添加空间金字塔池化模块、优化多尺度特征融合,以对绝缘子进行预测;最后,用融合交叉熵函数和Focal损失函数的损失函数替换原始损失函数,构建航拍巡检图像数据集并进行实验。实验结果表明,相比原始算法,本算法的准确率提高了约12个百分点,且鲁棒性更强,基本满足电网巡检对绝缘子识别的要求。
图像处理 多尺度 密集网络 空间金字塔池化 损失函数 激光与光电子学进展
2021, 58(8): 0815003
1 沈阳工业大学电气工程学院, 辽宁 沈阳 110870
2 中国科学院沈阳自动化研究所光电信息处理重点实验室, 辽宁 沈阳 110016
3 沈阳工程学院信息学院, 辽宁 沈阳 110136
高光谱图像包含着丰富的光谱信息,单幅RGB重建高光谱图像在**目标识别和医学诊断领域具有重要价值。传统算法无法对未知相机光谱响应的RGB图像进行重建,针对此问题,本文提出了一种基于改进残差密集网络的重建算法。首先,将改进的残差密集块作为残差密集网络的基本模块,使用自适应权重模块对特征通道进行特征重标定,使高光谱重建精度得到了提高。其次,用特征变换层替代原来网络的空间变换层,将解决图像超分辨率问题转换成解决高光谱重建问题,实现网络从空间维度到光谱维度的转变。实验结果表明:本文所提算法无论是在主观效果上还是在客观评估指标上均优于主流的传统方法和深度学习方法,与稀疏字典方法相比,本文算法的平均相对绝对误差(MRAE)和均方根误差(RMSE)分别下降了46.7%和44.8%。
光谱学 高光谱成像 残差密集网络 通道自适应 特征重标定 RGB图像
1 中北大学信息与通信工程学院, 山西 太原 030051
2 中国船舶工业综合技术经济研究院, 北京 100081
针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层的残差来训练网络,缩小映射范围。采用3条带有不同扩张因子的扩张卷积对细节层进行多尺度特征提取,获得更多上下文信息,提取复杂多向的雨线特征;同时,将扩张残差密集块作为网络的参数层,加强特征传播,扩大接受域。在合成图片和真实图片上的实验结果表明,所提算法能有效去除不同密度的雨条纹,并较好地恢复图像细节信息。通过对比其他算法,证明了所提算法在主观效果和客观指标上都有提升。
图像处理 图像去雨 图像增强 多流扩张残差稠密网络 卷积神经网络 激光与光电子学进展
2021, 58(4): 0410024
卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。
图像处理 高光谱图像 残差学习 密集网络 残差密集网络 激光与光电子学进展
2019, 56(15): 151006
1 西安邮电大学 陕西省信息通信网络及安全重点实验室, 西安 710121
2 中兴通讯股份有限公司 西安研究所, 西安 710065
在超密集网络场景中, 针对以用户为中心的重叠虚拟小区系统的和速率的最大化, 提出了一种基于效用函数最优化模型的功率分配方案。通过分层交替迭代算法求解最佳功率分配, 首先将原问题分解为功率分割和虚拟功率分配两个子问题; 然后在高层功率分割中引入拉格朗日函数, 求解出一种基于均衡策略的最佳功率分割算法, 在底层利用虚拟功率完成进一步的功率分配。由于功率分割系数采用了最大化信干漏比(SLNR)的特征矢量形式, 从而实现了信号增强与干扰减少之间的均衡。仿真结果表明, 该算法在性能上优于传统的功率分配算法, 有效减少了干扰, 提高了系统的和速率。
超密集网络 功率分割 分层迭代 干扰协调 ultra-dense network power splitting hierarchical iteration interference coordination
超密集组网是5G网络中满足日益增长业务量需求的关键技术之一。近年来，在由长期演进（LTE）小基站密集组网构成的超密集网络中，用户和业务数量快速增长，为了在无线网络中更好地保证用户的服务质量（QoS），提升网络吞吐量，文章提出一种基于跨层有效容量的接入控制算法，该算法综合考虑用户QoS和信道状况，并且定义小基站的选择因子来决定用户设备接入的LTE小基站，在保证用户QoS的基础上，使得每个LTE小基站负载均衡，从而最大化超密集网络的容量。仿真结果表明，与传统算法相比，所提算法能够在保证用户QoS的同时显著提高系统容量。
超密集网络 接入控制 最优化选择因子 LTE小基站 ultra-dense network access control optimization selection factor LTE small base station
