临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient c...临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。展开更多
针对在卫星遥感图像中道路提取存在云雾植被遮挡、分辨率低等客观条件导致提取精度低,利用道路具有带状、连通性等特征,提出了一种基于八方向条状池化的遥感影像道路提取方法(DLinkNet-Road)。首先,结合道路的多方向带状特征和条状池化...针对在卫星遥感图像中道路提取存在云雾植被遮挡、分辨率低等客观条件导致提取精度低,利用道路具有带状、连通性等特征,提出了一种基于八方向条状池化的遥感影像道路提取方法(DLinkNet-Road)。首先,结合道路的多方向带状特征和条状池化提取细长目标的优势,构建了八方向条状池化道路提取模块,有效建立了道路像素长距离多方向依赖关系。其次,考虑到遮挡等导致道路断裂以及卷积池化操作导致道路轮廓细节信息丢失的问题,设计了道路特征加权补偿模块,并构建了加权特征融合结构,有效融合了多个尺度特征的道路信息。在DeepGlobe和Massachusetts两个道路数据集实验,本文方法的交并比(intersection over union,IoU)分别达到67.42%和66.38%,相较于基线模型提高了3.89%和3.17%。实验结果表明,所提模型能改善道路提取中的断线现象,保证道路提取结果的完整性。展开更多
文摘临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。
文摘针对在卫星遥感图像中道路提取存在云雾植被遮挡、分辨率低等客观条件导致提取精度低,利用道路具有带状、连通性等特征,提出了一种基于八方向条状池化的遥感影像道路提取方法(DLinkNet-Road)。首先,结合道路的多方向带状特征和条状池化提取细长目标的优势,构建了八方向条状池化道路提取模块,有效建立了道路像素长距离多方向依赖关系。其次,考虑到遮挡等导致道路断裂以及卷积池化操作导致道路轮廓细节信息丢失的问题,设计了道路特征加权补偿模块,并构建了加权特征融合结构,有效融合了多个尺度特征的道路信息。在DeepGlobe和Massachusetts两个道路数据集实验,本文方法的交并比(intersection over union,IoU)分别达到67.42%和66.38%,相较于基线模型提高了3.89%和3.17%。实验结果表明,所提模型能改善道路提取中的断线现象,保证道路提取结果的完整性。
