U-Net

摘要： Deep neural networks are now widely used in the medical image segmentation field for their performance superiority and no need of manual feature extraction.U-Net has been the baseline model since the very beginning due to a symmetricalU-structure for better feature extraction and fusing and suitable for small datasets.To enhance the segmentation performance of U-Net,cascaded U-Net proposes to put two U-Nets successively to segment targets from coarse to fine.However,the plain cascaded U-Net faces the problem of too less between connections so the contextual information learned by the former U-Net cannot be fully used by the latter one.In this article,we devise novel Inner Cascaded U-Net and Inner Cascaded U2-Net as improvements to plain cascaded U-Net for medical image segmentation.The proposed Inner Cascaded U-Net adds inner nested connections between two U-Nets to share more contextual information.To further boost segmentation performance,we propose Inner Cascaded U2-Net,which applies residual U-block to capture more global contextual information from different scales.The proposed models can be trained from scratch in an end-to-end fashion and have been evaluated on Multimodal Brain Tumor Segmentation Challenge(BraTS)2013 and ISBI Liver Tumor Segmentation Challenge(LiTS)dataset in comparison to related U-Net,cascaded U-Net,U-Net++,U2-Net and state-of-the-art methods.Our experiments demonstrate that our proposed Inner Cascaded U-Net and Inner Cascaded U2-Net achieve better segmentation performance in terms of dice similarity coefficient and hausdorff distance as well as get finer outline segmentation.

摘要： 针对全断面隧道掘进机的传送带上岩碴片重叠造成的图像分割不准确问题,提出一种基于深度学习的密集岩碴片图像分割方法。该方法将原图像做预处理,标注并制作岩碴片图像数据集;改进U-Net模型的结构,通过深度监督以及新的混合损失函数优化模型学习分割表示的能力;训练改进后的模型分割图像,利用OpenCV获取面积与长、短轴等参数;与最大类间方差法、分水岭分割及传统U-Net模型进行比较,结果表明:所提出岩碴片图像分割的方法在准确率、F_(1 score)、重叠度指标上分别为96.21%、94.66%和90.04%,预测单张图片耗时1.47 s,证明了所提出方法的准确性和有效性。

摘要： 电子产品随着更新迭代,对零部件胶体质量的要求不断提高。针对补强胶识别分割,传统算法鲁棒性较低,深度学习的语义分割网络Unet分割速度较慢。为此,提出改进的Unet实时语义分割网络fast-Unet。该网络有3个特征提取分支,输出特征图分别为原图大小、原图的1/4大小和原图的1/16大小,每个分支都共享一部分网络权重。并在第二个特征提取网络中加入了通道分割、注意力模块(CBAM)和金字塔池化模块(PPM)。实验结果表明,fast-Unet相较于Unet网络,在MIoU和MPA上都提升了0.07,FPS提高了43.08,单个样本在线检测耗时仅为25ms,显著提升了补强胶胶体在线检测分割效果。

摘要： 使用基于全卷积神经网络的U-net模型提取遥感影像中的建筑物,采用公开的Massachusetts建筑物数据集进行模型的训练,并通过迁移学习的思想对网络的权重进行微调,以便快速高效地训练模型,从而输出更高的精度。实验结果显示,U-net模型在准确度、召回率和F1值三项精度指标中分别达到0.95852、0.88109和0.82123,与传统方法进行对比,建筑物的轮廓更加完整,准确度提高25%以上,召回率和F1值均提高2倍以上,适用于提取场景中的建筑物区域。

摘要： 液滴图像的精确分割是高精度接触角测量的重要环节,针对在液滴分割过程中存在的目标不准确、轮廓不完整以及固-液-汽3项交点和边界细节效果不佳的问题,文中提出了一种适用于液滴分割的神经网络模型。该模型以U-Net网络为基础,在其输入处加入1×1卷积层汇总图像特征,避免从初始图像中丢失信息;并采用Resnet18结构作为U-Net的特征学习编码器,增强了网络的表达能力,促进了梯度的传播。在解码过程中引入密集连接的特征融合技术,在提升分割目标细节信息的同时降低了网络参数。最后在每个卷积层后都添加批量归一化操作,进一步优化了网络性能。实验结果表明,改进的U-Net模型能够有效提高液滴识别的准确率,提升分割效果,在接触角测量领域具有一定的参考价值。

摘要： 针对医学图像的肺部肿瘤分割中病灶和周围组织的对比度低、边缘模糊、肿瘤和正常组织粘连、病灶和背景分布不均衡等问题,提出跨模态多编码混合注意力机制模型分割肺部病灶,用多种模态医学图像辅助分割病灶。首先设计了三编码器提取多模态医学图像的病灶特征,解决单模态医学影像的病灶特征提取能力不足的问题;然后针对网络通道维度冗余和对复杂病灶的空间感知能力不高的问题,在网络跳跃连接中加入混合注意力机制;最后对网络解码路径不同的尺度特征使用多尺度特征聚合块充分利用各个尺度特征。在临床多模态医学图像数据集上验证算法的有效性,对比实验结果表明所提模型对于肺部病灶分割的戴斯相似系数、召回率、体积重叠误差和相对体积差异分别为96.4%、97.27%、93.0%、93.06%。对于病灶形状复杂,病灶和正常组织粘连的情况,分割精度得到有效提升。

摘要： 为解决真实养殖环境下,水下成像模糊、失真等导致鱼群检测准确率低的问题,提出一种融合视觉注意力机制SKNet(selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理,得到清晰的鱼群图像,然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络,加强对模糊鱼体的识别能力,并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验,以验证SK-YOLOv5的有效性。结果表明:在鱼群检测任务上,SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比,SK-YOLOv5取得了较好的检测效果,与XFishHmMp模型相比,识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比,识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明,融合SKNet与YOLOv5的养殖鱼群检测方法,有效地解决了水下模糊图像鱼群检测准确率低的问题,提升了养殖鱼群检测和识别的整体效果。

摘要： 夜间、低光照等条件下的产生的图像数据,存在画面过暗、细节丢失的问题,对理解图像内容、提取图像特征造成阻碍.研究针对此类图像的增强方法,恢复图像的亮度、对比度和细节,在数字摄影、上游计算机视觉任务中有着重要的应用价值.本文提出一种基于U-Net的生成对抗网络,生成器采用带有混合注意力机制的U-Net模型,其中混合注意力模块将非对称的non-local的全局信息和通道注意力的通道权重信息相结合,提高网络的特征表示能力.判别器采用基于PatchGAN的全卷积网络模型,对图像不同区域进行局部处理.本文引入多损失加权融合的方法,从多个角度引导网络学习低光照图像到正常光照图像的映射.通过实验证明,该方法在峰值信噪比、结构相似性等客观指标上取得较好的成绩,同时合理的恢复了图像的亮度、对比度和细节,直观上改善了图像的感知质量.

摘要： 为了满足光学航拍图像中电力线检测的实时性和高精度,提出了一种轻量级Fast-Unet网络电力线检测方法。它以Unet语义分割网络为基础,添加金字塔池化结构增强特征上下文信息的融合。设计深度可分离残差卷积运算,增加了网络深度且进一步减少了网络参数量。使用多损失函数训练Fast-Unet网络,缓解图像中前景与背景类别分布极度不平衡的问题。实验结果表明,相较于Unet算法,模型参数量大幅减少,运算速度明显提升。Fast-Unet满足了实际应用需求,且模型参数体积得到了有效压缩,更容易部署于各种嵌入式系统,对于提高直升机与无人机的低空飞行安全有一定的现实意义。

摘要： 胸腔积液细胞团簇的细胞核形态为肺癌诊断、肿瘤转移及治疗效果评价提供了重要途径,而对其细胞核进行精准分割是肺癌病理诊断工作的基础。由于胸腔积液肿瘤细胞团簇复杂的生成背景,以及细胞核特征的不均匀性(特征信息分散)和团簇内部重叠细胞中的触核情况(特征不明显),使细胞团簇分割仍然是一个具有挑战性的问题。提出了基于注意力机制的改进U-Net模型,从空间注意力和通道注意力两方面来增强对细胞核非显著特征的学习;并改进U-Net的跳跃连接,融合U-Net中深层和浅层特征,解决语义间隙的问题。实验结果表明,与最新的其他方法相比,CRUNet能够在所建立的胸水细胞团簇数据集上取得更好的分割效果。为了进一步说明该网络的有效性,在公共数据集BBBC020上也与其他网络进行了对比。

摘要： 本发明涉及一种基于自旋式Unet++网络的小麦条锈病夏孢子监测方法，包括：获取夏孢子显微图像；构建样本数据集；将样本数据集分为训练集、测试集和验证集；对Unet++网络模型进行改进，得到改进后的Unet++网络模型；将样本数据集中的图像输入至改进后的Unet++网络模型中，进行自旋式训练，得到夏孢子计数网络模型，并输出带检测框的样本数据集中的图像；训练夏孢子计数网络模型；将待检测的夏孢子显微图像输入到训练后的夏孢子计数网络模型，输出带检测框和计数的图像。本发明中夏孢子计数网络模型的计数准确率高，达到了99.03％；分割率较高，达到了86.45％；检测速率较高，达到了14张/秒，占用内存较小，仅为46.8MB。

摘要： 本发明提出一种基于全局和局部特征融合的UNet脑肿瘤图像分割算法，针对脑肿瘤磁共振成像（MRI）多模态精准分割。算法采取了局部‑全局学习策略，使用门控轴向注意力模块改进的UNet网络构成脑肿瘤分割网络模型的局部分支，局部分支注重获取脑肿瘤的细节信息，空间信息丰富。使用融合Transformer和ResNet模块改进的UNet网络构成脑肿瘤分割网络模型的全局分支，全局分支感受野大，具有丰富的语义特征，并且融合Transformer模块，有强大的全局建模能力，最后将获取的局部和全局图像放入设计的自适应特征融合模块中进行图像融合，自适应融合模块通过下采样及全连接降维以便于之后计算各特征图的权重，然后通过softmax函数计算各特征图的权重，通过训练逼近分割目标，实现对脑肿瘤图像的精准分割。

摘要： 本发明涉及一种基于高分辨率的互补注意力UNet分类器的sMRI图像分类方法，其特征在于：获取一定数量的sMRI图像及其标签，对所有的sMRI图像进行预处理，形成样本集；将样本集分成训练集、验证集和测试集；构建网络模型并对其进行训练和验证，其中构建的网络模型是通过在现有Unet网络中插入特征融合网络和分类网络，设计的特征融合网络是为了给Unet网络的编码器补充语义信息并给解码器补充细节信息；分类网络的目的是能有效地融合多语义特征图，从而提高网络的表达能力并实现分类；最后通过将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。因此该分类方法简单且提高了分类准确率。

摘要： 本发明公开了一种基于UNet3+的乳腺癌病理切片图像分割预测系统，具体步骤包括：基于大津算法与密铺算法生成图像块和对应真实标签；基于SeResNext搭建UNet3+的编码器；基于深度可分离卷积通过全尺度的跳跃连接实现UNet3+的解码器搭建；基于动态随机负样本抽样方法训练UNet3+神经网络；基于混叠密铺算法生成与病理切片等大的切片预测结果。本发明有效抑制了病理切片分割任务中的假阳性现象，在维持分割效果的前提下极大地降低了网络的参数量和计算量，完成癌变腺体和不成腺体肿瘤区域的像素级勾画。

摘要： 本发明公开了一种基于空洞卷积的Unet+++的绝缘子闪络故障识别方法，包括：获取待识别的绝缘子图像，根据所述绝缘子图像得到亮光图像标签图以及绝缘子图像标签图；基于空洞卷积的Unet+++对所述亮光图像标签图进行分割，生成亮光分割图；根据所述绝缘子标签图提取绝缘子位置；根据所述绝缘子位置对应到所述亮光分割图上的亮光位置，计算亮光位置上的白色像素面积比例；根据所述白色像素面积比例定位绝缘子闪络故障。本发明解决了现有技术在进行绝缘子闪络故障识别时存在速度和精度欠佳的问题。

摘要： 本发明公开了一种基于改进Unet++网络模型的丘陵地块深度分割与提取方法，包括以下步骤：步骤1：获取研究区内GF‑1的遥感影像数据并进行预处理；步骤2：结合实地调查和目视解译，利用图像分割中多尺度分割方法制作不同分割尺度的数据集；步骤3：比较最优的分割尺度，再次修正，使之能够满足训练集的精度要求；步骤4：将修正后的训练集图像采用规则格网裁切；步骤5：通过数据增强操作对数据进行填充，并按4：1的比例将影像划分为训练集和验证集；步骤6：使用基于余弦退火学习率的Unet++网络进行建模；本发明建立基于余弦退火学习率的Unet++网络模型的原理简单，操作方便，具有较大的灵活性和实用性同时具有较强的普适性。

摘要： 本发明公开一种基于ShuffleNetV2‑Unet的水稻纹枯病识别方法和系统，方法包括以下步骤：S1：采集水稻病害数据集，所述水稻病害数据集包括具有水稻纹枯病病纹的图像；S2：建立ShuffleNetV2‑Unet模型，所述ShuffleNetV2‑Unet模型用于识别水稻纹枯病病纹；S3：利用步骤S1中的水稻病害数据集训练所述ShuffleNetV2‑Unet模型，得到训练后的ShuffleNetV2‑Unet模型；S4：利用训练好的ShuffleNetV2‑Unet模型对输入图片进行水稻纹枯病的识别。本发明通过ShuffleNetV2‑Unet模型对水稻纹枯病进行识别，能够在复杂环境中有效识别水稻纹枯病病纹，在保持高检测精度的同时能够保持检测速度，同时本发明的方法对检测水稻纹枯病的检测环境要求低，检测水稻纹枯病的操作方便。

摘要： 本发明公开了一种基于改进Unet++的露天矿区采场变化区域检测方法，其方法如下：A、获取至少两个年份的采场样本数据集，采场样本数据集中的数据为露天矿区采场的高分辨率遥感影像；B、基于Pytorch设计构建改进的Unet++网络模型，Unet++网络模型以Unet++作为基础网络结构，引入可变形卷积模块和CBAM注意力机制模块，CBAM注意力机制模块包括通道注意力模块和空间注意力模块；C、Unet++网络模型训练：利用训练数据集对Unet++网络模型进行训练并得到训练后的Unet++网络模型。本发明将多尺度可变形卷积引入Unet++网络模型并用于露天矿区场景特征提取，提高了鲁棒性与识别精度；通过在可变形卷积Unet++网络中加入深度学习注意力机制，增强模型对实质性变化类特征的学习与敏感程度。

摘要： 本发明提供一种基于UNet++的低级别胶质瘤图像分割方法，属于医学图像处理领域。本发明分割方法的步骤包括：首先使用低级别胶质瘤MRI图像和标记好的分割掩膜构建网络的训练集，然后根据构建的训练集对UNet++卷积神经网络进行训练，最后用训练好的UNet++卷积神经网络对实际肿瘤数据进行分割。该方法通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间。与基于U‑Net的分割模型进行对比，在低级别胶质瘤MRI图像分割问题上的相似度效果有了很大的提升。能够辅助医师快速，精确地识别肿瘤病灶组织并给出诊断建议。

摘要： 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；本发明应用于蜂窝肺病灶分割。