期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
面向医学和遥感图像的基于GhostNet的轻量级U-Net改进研究和对比
1
作者 郑艺 《电光系统》 2024年第4期13-17,共5页
U-Net广泛用于医学影像学和遥感图像的语义分割。针对语义分割模型庞大,极其占用CPU运行资源,运行速度慢等问题,通过U-Net轻量化改进,可达到快速识别的效果。通过轻量级特征提取网络GhostNet系列的廉价操作对U-Net轻量化改进,为U-Net的... U-Net广泛用于医学影像学和遥感图像的语义分割。针对语义分割模型庞大,极其占用CPU运行资源,运行速度慢等问题,通过U-Net轻量化改进,可达到快速识别的效果。通过轻量级特征提取网络GhostNet系列的廉价操作对U-Net轻量化改进,为U-Net的轻量化研究提供参考。目前,ChostNet系列拥有GhostNet,G-GhostNet和GhostNetV2三个版本,它们各有优势。首先,依次将GhostNet,G-GhostNet和GhostNetV2的主干部分作为U-Net的编码器嵌入模型。为实现编码器与解码器匹配,用网络的单元模块代替U-Net的卷积运算。利用医学公开数据集和遥感图像数据集对三种模型进行训练、验证和测试,获得模型的各项性能评分。最后对比三种模型的各项性能评分。实验结果表明:遥感图像分割任务中,基于G-GhostNet的轻量化模型效率最高,在损失少量精度的情况下获得非常快的速度,实现实时分割。而医学影像学分割任务中,基于GhostNet的轻量化模型速度较快,且分割精度远高于基于G-ChostNet的模型,模型的效率更高。GhostNetV2在两种分割任务中均不占优势。 展开更多
关键词 轻量级网络 U-Net chostnet 分割
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部