一种基于多监督全卷积神经网络的图像分割方法.pdf
猫巷****觅蓉
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于多监督全卷积神经网络的图像分割方法.pdf
本发明涉及一种多监督全卷积神经网络的图像分割方法,该方法在全卷积神经网络(FCN)的基础上做了进一步的优化,提出了一种新的网络结构,该网络结构拥有三个有监督的边输出层,有监督的边输出层可以指导网络学习多尺度特征,让网络同时获得图像的局部特征和全局特征。与此同时,为了更多的保留图像中的上下文信息,在网络的上采样部分,采用多个特征通道对输出的特征图进行上采样。最后,用一个带有权重的融合层将多个边输出层的分类结果融合,得到最终的图像分割结果。本发明实现的方法具有分割准确率高,分割速率快的特点;在骨肉瘤CT数据分
基于轻量级全卷积神经网络的医学图像分割方法.pdf
本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理;然后,对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强;接着,搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构,针对图像数量较少的数据集设计留一法(leave‑one‑out)训练方法;最后,通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪,得到轻量级全卷积神经网络,
基于对比学习的半监督卷积神经网络的医学图像分割方法.pdf
本发明提供一种基于对比学习的半监督卷积神经网络的医学图像分割方法,主要针对医学图像中特定组织结构图像的定位分割,具体包括以下步骤,(1)输入医学图像数据,对医学图像数据进行预处理,提取正负样本,划分数据集,得到训练集数据、验证集数据和测试集数据;(2)构建对比学习卷积神经网络分割模型,(3)构建基于对比学习的半监督医学图像分割网络模型,(4)将所获得的训练模型对测试集数据进行预测,得到最后的分割预测图像。本发明有效地实现了医学图像处理半监督分割,一定程度上解决了医学图像数据集较少时的特定区域分割问题,更好
全卷积神经网络模型、图像分割方法及装置.pdf
本发明提供了一种全卷积神经网络模型、图像分割方法、装置、电子设备和可读存储介质,获取待分割的目标图像后,采用预先训练好的全卷积神经网络模型对目标图像进行分割,以得到分割后的图像,由于本发明采用的全卷积神经网络模型包括深度多尺度融合模块,所述深度多尺度融合模块可以提取输入图像的不同尺度深度的特征并融合,因此输出的特征结果更加多样,特征模式也更加丰富,有效提高了整体分割算法的精度。采用本发明的全卷积神经网络模型进行图像分割,能够提高图像分割精度,同时也可以减少人机交互的繁琐操作,且本发明的图像分割算法通用性强
一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法.pdf
本发明提出了一种基于全卷积神经网络(FCN)的鳞翅目昆虫前背景自动分割方法。通过微调预训练好的卷积神经网络(CNN)模型,构建了一个用于像素级分类预测的全卷积网络。训练网络前,首先对昆虫图像数据集进行了数据增强,以此来满足深度神经网络训练对样本数量的要求。通过对不同卷积层的输出进行融合,探索得到一个可用于鳞翅目昆虫图像前背景分割的网络模型。由CNN初始的分割结果进一步用条件随机场(CRF)来细化边缘细节,并通过提取并填充前景的最大轮廓,以移除网络模型输出结果中存在的噪点干扰和前景中的空洞。该方法使昆虫图像