基于ViT与上下文特征融合的蜂窝肺病灶分割方法及网络.pdf
康佳****文库
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于ViT与上下文特征融合的蜂窝肺病灶分割方法及网络.pdf
本发明提供了基于ViT与上下文特征融合的蜂窝肺病灶分割方法及网络,属于图像处理技术领域;本发明网络可实现更高精度分割蜂窝肺病灶部位;利用通道混合卷积块增加不同通道之间信息的交互,充分提取病灶部位特征信息;采用Transformer架构作为编码器与解码器的特征连接器,增强全局信息的特征表达,扩大网络的感受野;采用CFB模块融合多阶段的特征,减少高级特征与低级特征之间的语义差距,提高病灶部位与目标边缘的分割精度;本发明应用于蜂窝肺病灶分割。
基于改进SCB-Unet网络的蜂窝肺病灶分割方法.pdf
本发明公开了一种基于改进SCB‑Unet网络的蜂窝肺病灶分割方法,实现蜂窝征CT影像数据集的自动分割技术,属于图像处理技术领域;采用SCB和U‑Net搭建融合网络,深入挖掘信号中的特征信息提高主任务的泛化能力,更准确地提取病灶特征;同时为了提高分割精确度,利用空洞卷积解决图像在卷积和反卷积过程当中的空间分辨率的丢失问题,之后利用条件随机场通过增加计算复杂性来提高模型的整体性能,最终实现病灶区域的精准分割。
一种基于SAA-Unet网络的蜂窝肺病灶分割方法.pdf
本发明一种基于SAA‑Unet网络的蜂窝肺病灶分割方法,属于图像处理技术领域;所要解决的技术问题为:提供一种基于SAA‑Unet网络的蜂窝肺病灶分割方法的改进;解决上述技术问题采用的技术方案为:使用U‑Net为基础网络,深入挖掘蜂窝肺病灶部位中的特征信息提高主任务的泛化能力,更精准地提取蜂窝肺病灶特征;同时为提高模型分割精确度,通过使用划分注意模块解决图像在卷积和反卷积过程当中的特征丢失问题,最后使用注意力机制通过融合高底层特征信息,提高重要病灶区域的权重值,从而实现网络模型对蜂窝肺病灶区域的分割准确率;
基于多尺度融合的全局上下文关注网络的图像分割方法.pdf
本发明提出基于多尺度融合的全局上下文关注网络的图像分割方法,包括数据预处理及分类、构建全局上下文关注网络模型、全局上下文关注网络模型训练及图像分割四个步骤,通过对待分割的医学图像进行预处理,并将其划分为不同的数据集,再构建基于多尺度融合的全局上下文关注网络,并将数据集输入全局上下文关注网络进行训练,再利用训练好的网络模型进行图像分割,得到分割后的图像,本发明通过将同一层不同尺度特征进行融合,将更多的空间信息保留下来,提高分割精度,利用全局上下文建模,有效地捕获全局信息,同时将通道注意力机制置于跳跃连接处,
一种基于MobileNet轻量化网络的上下文特征融合方法.pdf
本发明涉及一种基于MobileNet轻量化网络的上下文特征融合方法,属于图像处理技术领域。本发明构建轻量级神经网络模型,在主干特征提取网络部分使用ECA注意力机制,加强主干网络特征提取能力;在算法预测结构上,利用FPN特征金字塔结构进行多卷积特征融合,并加入RFB感受野模块获得更加丰富的语义信息;使用车辆检测KITTI数据集,划分训练集和测试集;用构建的轻量级神经网络进行训练;利用训练好的模型对车辆目标进行识别。本发明与现有技术相比,主要解决了轻量化网络MobileNet对小目标的漏检现象,有效提高了车辆