简介:摘要:及时准确地发现路面、桥梁、房屋的裂缝对做到及时维护和消除安全隐患至关重要,大规模的表面裂缝检测工程量巨大,且易受人们主观因素影响。本文构建一种基于编码器-解码器的U型网络结构,以改进的Transformer作为网络基础模块,以捕获裂缝狭长语义信息。利用卷积模块对局部强特征提取的优势,在瓶颈层处引进了空洞空间金字塔池化模块。为了弥补编码器-解码器之间的语义鸿沟,在U型网络的不同跳跃连接处插入注意力模块以更好聚合不同层次的特征信息。
简介:摘要:肺炎是一种常见且严重危害人体健康的呼吸系统感染疾病,CT影像不仅能直观地显示病变部位,还可提供诸如病灶形态、密度等信息,在早期发现和治疗过程中发挥着重要作用,也是医生了解病变程度和患病细节的常见手段。在卷积神经网络的基础上,开展肺部病变的判断以及病灶区域的分割定位研究,可以大幅提高诊疗速度,协助医生准确诊断和定位肺炎病变区域。目前的肺炎辅助诊断方法多将分类与分割算法的实施截然分开,区别于目前多将分类与分割算法实施截然分开的肺炎辅助诊断方法,研究了在通用卷积神经网络的基础上完成快速分类任务的实现方法,在专业人士的参与下标注并建立了用于肺炎病灶区域分割的数据集,并利用U-Net及相关改进网络模型,在训练集规模较小的情况下可完整勾勒出肺炎病灶的边缘,并获得到相对较高的分割精度。实验结果表明,通过在所处理的近300张数据集上进行实验,可以得到近85%的准确度。
简介: 摘要:针对当前街景图像语义分割方法存在模型参数量大和分割精度不理想等问题。本文提出一种以DeeplabV3+为基础的改进方案,结合结构重参化技术和注意力机制的语义分割网络模型SR-DAM Deeplabv3+。该模型采用RepVGG作为主干网络进行特征提取,通过结构重参数化技术实现训练阶段和推理阶段解耦,保持了高效性能,提高了推理速度。另外,提出了一种结合空间注意力和通道注意力机制的双重注意力模块DAM,分别在下采样倍数为4、8、16的特征图上应用该模块,以实现低级特征和高级特征的有效融合,防止丢失低级特征的细节信息。实验结果证明验证了所提模块及网络的有效性。