-
题名基于级联动态注意力U-Net的脑肿瘤分割方法
被引量：2
- 1
-
-
作者
陈柏年
韩雨童
何涛
刘斌
张建新
-
机构
大连民族大学计算机科学与工程学院
大连民族大学机器智能与生物计算研究所
大连理工大学中日国际信息与软件学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第S02期1019-1025,共7页
-
基金
国家自然科学基金(61972062)
国家民委中青年英才培养计划项目
辽宁省应用基础研究计划项目。
-
文摘
脑肿瘤是一种严重威胁人类健康的疾病,脑肿瘤精确分割在临床诊疗中非常重要。由于脑肿瘤形状大小各异、位置不固定和边界模糊等,实现高精度脑肿瘤自动分割仍是一项具有挑战性的任务。近年来,U-Net凭借其简洁的架构和优秀的性能成为解决医学图像分割任务的主流模型,但其也存在局部感受野有限、空间信息丢失和未充分利用上下文信息等问题。为此,提出一种基于动态卷积和非局部注意力机制的级联U-Net新模型(CDAU-Net)用于脑肿瘤分割任务。首先,将两阶段级联三维U-Net作为主体架构,来重建更精细的高分辨率脑肿瘤空间信息;进而,在级联网络横向连接上添加期望最大化注意力,通过提高网络捕获长距离依赖能力来更好利用肿瘤上下文信息;最后,在级联网络中将普通卷积替换为具有局部自适应能力的动态卷积,可进一步增强网络局部特征捕获能力。在公开的BraTS2019-2020数据集上进行了大量实验并与其他代表性方法进行对比,实验结果表明了所提方法在脑肿瘤分割任务上的有效性。其中,在BraTS2019/2020验证集上获得的全部肿瘤、肿瘤核心和增强肿瘤分割Dice值分别为0.897/0.903,0.826/0.828和0.781/0.786,表现出了良好的脑肿瘤分割性能。
-
关键词
脑肿瘤分割
U-Net
级联网络
动态卷积
期望最大化注意力
-
Keywords
Brain tumor segmentation
U-Net
Cascade network
Dynamic convolution
Expectation-maximizing attention
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于TLF-YOLOv8的堆叠垃圾实例分割算法
- 2
-
-
作者
李利
梁晶
陈旭东
潘红光
寇发荣
-
机构
西安科技大学电气与控制工程学院
西安市电气设备状态监测与供电安全重点实验室
西安科技大学机械工程学院
-
出处
《科学技术与工程》
北大核心
2025年第5期2009-2018,共10页
-
基金
国家自然科学基金(61603295)
陕西省自然科学基础研究计划(2024JC-YBQN-0726)
+1 种基金
陕西省教育厅科研计划(23JK0550)
西安市科技计划(23DCYJSGG0025-2022)。
-
文摘
相较于一般场景下的图像实例分割,复杂堆叠场景下的实例分割受到严重遮挡、同类别待测物体堆叠等复杂情况的影响,使得其实例分割具有更大的难度。针对具有复杂堆叠场景下的垃圾实例分割问题,提出了一种融合YOLOv8与双层特征网络策略的实例分割算法。首先,在数据预处理部分进行特征数据分层,并通过双层图卷积网络(graph convolutions network,GCN)实现双分支特征融合,减弱堆叠情况对被遮挡物体特征的影响,从而解决复杂堆叠遮挡下的实例分割问题。同时,为了解决同类待测物体易混淆的问题,融入了软阈值化非极大值抑制算法和新的交并比算法。最后,根据应用场景和数据集的复杂性,优化了主干网络部分的特征提取模块,并在主干网络部分引入了多尺度注意力机制,有效提高了模型的检测性能。实验使用遮挡垃圾分类实例分割数据集,实验结果表明该方法的平均准确率、交并比阈值为0.5时的平均准确率(AP_(50))、交并比为0.5~0.95时的平均准确率(AP_(50~95))等指标较之前的其他方法更优。相较于原YOLOv8算法,检测AP_(50)提高了7.9%,分割AP_(50)提高了5.4%,具有更好的检测和分割效果。
-
关键词
垃圾堆叠
双层特征解耦融合
YOLOv8算法
软阈值化非极大值抑制
动态非单调聚焦机制
期望最大化注意力
-
Keywords
garbage stacking
double layer feature decoupling fusion
YOLOv8 algorithm
soft non-maximum suppression
wise-intersection over union
expectation-maximization attention
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度和多层级特征融合的人体姿态估计
- 3
-
-
作者
王燕妮
胡敏
韩世鹏
陈艺瑄
吕昊
-
机构
西安建筑科技大学信息与控制工程学院
空军军医大学军事生物医学工程学系
-
出处
《计算机工程与应用》
北大核心
2025年第6期199-209,共11页
-
基金
国家自然科学基金(61803294)
陕西省自然科学基础研究项目(2020JM499,2020JQ684)。
-
文摘
人体姿态估计的精度提升通常依赖于特征融合,但是现有特征融合策略往往忽略了尺度特征和层级特征之间的交互作用。为了充分利用不同特征之间的互补性,提出了一种新特征融合策略用以提升人体姿态估计精度,即多尺度和多层级特征融合网络(multi-scale and multi-level network,MSLNet)。采用高分辨率网络(high-resolution network,HRNet)作为主干,通过跨尺度信息交互,实现不同分辨率特征图之间的信息交换,获取同时包含细粒度和粗粒度的姿态特征;引入期望最大化注意力-加权双向特征金字塔网络(expectation maximization attention-bidirectional feature pyramid network,EMA-BiFPN),实现多尺度特征融合后的多层级特征聚合,从局部到全局捕捉人体姿态的细节和关联信息;设计由残差结构组成的关键点检测头,完成输出特征的最终融合并提升人体关键点检测准确率。实验结果表明,MSLNet在COCO和MPII数据集上分别取得了75.8%和91.1%的准确率,实现了最优精度,充分验证了MSLNet能够融合尺度和层级之间的互补特征,进而提升人体姿态估计精度。
-
关键词
高分辨率网络(HRNet)
人体姿态估计
期望最大化注意力
双向特征金字塔网络
特征融合
-
Keywords
high-resolution network(HRNet)
human pose estimation
expectation maximization attention
bidirectional feature pyramid network
feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
