1 内蒙古科技大学 信息工程学院，内蒙古包头市0400
2 内蒙古工业大学 信息工程学院，内蒙古呼和浩特010051
U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失，导致分割效果不佳。为解决这一问题，提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元，并在此基础上设计轻量级的双重注意力特征对齐网络（DAFANet）。首先，将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络，以验证其有效性和泛化性。其次，在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet，利用特征对齐单元强化上采样过程中的特征恢复，3D期望最大化注意力机制同时作用于特征对齐路径和级联路径，用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后，在BraTS2018和BraTS2019公开数据集进行验证，文中所提算法在ET，WT和TC区域的分割精度分别达到80.44%，90.07%，84.57%和78.11%，90.10%，82.21%。相较于当前流行的分割网络，具有对增强肿瘤区域更好的分割效果，更擅长处理细节和边缘信息。
脑肿瘤 图像分割 特征对齐 注意力机制 轻量化 brain tumors image segmentation feature alignment attention mechanism lightweight
传统接触式甲烷泄漏传感器检测范围小且效率低，而结合非接触式红外热成像的机器视觉算法可实现远距离、大范围红外甲烷实例分割，对于提高甲烷检测效率及保障人员安全具有显著优势。然而远距离甲烷气体图像轮廓模糊、泄漏的甲烷气体与背景对比度较低且形状易受大气流动因素影响等问题限制了红外甲烷实例分割性能。针对上述问题，本文提出一种空间信息自适应调控和特征对齐的网络模型（Adaptive spatial information regulation and Feature alignment Network， AFNet）实现甲烷泄漏红外实例分割。首先，为增强模型的特征提取能力，提出自适应空间信息调控模块赋予主干网络不同尺度残差块自适应权重丰富模型提取的特征空间；其次，构建加权双向金字塔弥补特征金字塔自顶而下的特征传播方式导致的低层特征空间位置和实例边缘信息弥散丢失问题，以适应甲烷气体复杂轮廓变化下前景目标定位检测和轮廓分割需求。最后，设计原型特征对齐模块捕获长距离气体特征之间的语义关系丰富原型语义信息量以改善生成目标掩码质量提高甲烷气体分割精度。实验结果表明，本文提出的AFNet模型AP50@95，AP50定量分割精度分别达到42.42%，92.18%，相比于原始Yolact模型分割精度，分别提高9.79%，6.18%，推理速度达到36.80 frame/s，满足甲烷泄漏分割需求。实验结果验证了本文算法对红外甲烷泄漏分割的有效性和工程实用性。
红外甲烷 自适应调控 特征对齐 特征金字塔 实例分割 infrared methane adaptive regulation feature alignment feature pyramids instance segmentation 光学 精密工程
2023, 31(20): 3034
1 天津大学微电子学院，天津 300072
2 天津大学智能与计算学部，天津 300072
3 天津市成像与感知微电子技术重点实验室，天津 300072
针对钢材表面缺陷尺度不一，现有检测算法多尺度特征处理能力较差、精度有待提高的问题，提出了一种面向钢材表面缺陷检测的改进型YOLOv5算法。首先，在骨干网络的特征输出层后添加感受野模块以增强特征的判别性与鲁棒性，可以更好地感知不同尺度的特征信息；然后，利用对齐的特征聚合模块替换传统的特征融合结构，解决了高低分辨率特征图在融合过程中存在的特征错位问题；最后，采用带有高效通道注意力机制的解耦头输出检测结果，注意力机制可以自适应地校准通道响应，解耦头使得分类与回归任务可以独立执行。在NEU-DET数据集上的实验结果显示，所提出方法的平均精度均值为80.51%，相比基准模型提升了4.48%，检测速度为31.96 frame/s。相比其他主流的目标检测算法，在保持一定检测速度的前提下，所提算法具有更高的精度，能够实现高效的钢材表面缺陷检测。
表面缺陷检测 感受野 特征对齐 解耦头 注意力机制 激光与光电子学进展
2023, 60(24): 2412003
1 江南大学物联网工程学院物联网技术应用教育部工程研究中心，江苏 无锡 214122
2 无锡太湖学院江苏省物联网应用技术重点建设实验室，江苏 无锡 214122
3 台州市产品质量安全监测研究院，浙江 台州 318000
卷积神经网络在对图像进行语义分割时，高层特征经过降采样和padding操作和低层特征之间容易产生错位。为了解决高低层特征之间的错位问题，更好地聚合多尺度特征信息，提出了一种带有多尺度特征对齐聚合（MFAA）模块的语义分割方法。MFAA模块采用一种可学习插值策略来学习像素的变换偏移，可以有效缓解不同尺度特征聚合的特征不对齐问题，同时模块内的注意力机制提高了解码器恢复重要细节特征的能力。该方法利用高层特征的语义信息和低层特征的空间信息，通过多个MFAA模块将高低层特征对齐之后聚合到一起，从而实现图像更加精细的语义分割效果。将所提网络结构在语义分割数据集PASCAL VOC 2012上进行了验证，使用ResNet-50作为骨干网络时在验证集上的平均交并比值达到了78.4%。实验结果表明，该方法与几种主流分割方法相比在评价指标方面存在优越性，可以有效提高图像分割的效果。
机器视觉 图像语义分割 特征对齐 多尺度特征 注意力机制 激光与光电子学进展
2023, 60(2): 0215004
Author Affiliations
Abstract
1 School of Aeronautics and Astronautics, Shanghai Jiao Tong University, Shanghai 200240, China
2 Jiangsu Automation Research Institute, Lianyungang 222061, China
Multiple object tracking (MOT) in unmanned aerial vehicle (UAV) videos has attracted attention. Because of the observation perspectives of UAV, the object scale changes dramatically and is relatively small. Besides, most MOT algorithms in UAV videos cannot achieve real-time due to the tracking-by-detection paradigm. We propose a feature-aligned attention network (FAANet). It mainly consists of a channel and spatial attention module and a feature-aligned aggregation module. We also improve the real-time performance using the joint-detection-embedding paradigm and structural re-parameterization technique. We validate the effectiveness with extensive experiments on UAV detection and tracking benchmark, achieving new state-of-the-art 44.0 MOTA, 64.6 IDF1 with 38.24 frames per second running speed on a single 1080Ti graphics processing unit.
multiple object tracking unmanned aerial vehicle feature alignment deep learning Chinese Optics Letters
2022, 20(8): 081101
