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3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：
基于UCTransNet的建筑损害评估模型
1
作者 谢国波 张文亮 +1 位作者 何林 林志毅 《计算机工程与设计》 北大核心 2025年第1期44-51,共8页
为提高建筑损害的评估精度,提出一种基于UCTransNet的双阶段灾后建筑损害评估模型(MGDLNet)。阶段一使用UCTransNet完成建筑分割。阶段二使用改进后的DM-UCTransNet进行建筑损害评估,通过差异特征提取模块充分融合多尺度的建筑损害特征... 为提高建筑损害的评估精度,提出一种基于UCTransNet的双阶段灾后建筑损害评估模型(MGDLNet)。阶段一使用UCTransNet完成建筑分割。阶段二使用改进后的DM-UCTransNet进行建筑损害评估,通过差异特征提取模块充分融合多尺度的建筑损害特征,嵌入空间金字塔更好捕捉小目标建筑及边缘特征,引入深度监督机制和改进损失函数加强浅层特征学习并平衡样本。实验结果表明,MGDLNet在目标数据集有较大优势,其加权F1得分相较于SegNet、UNet、DeeplabV3+、TransUNet和UCTransNet分别提高了8.6%、1.9%、5.0%、2.7%和1.4%。 展开更多
关键词 建筑损害评估 uctransnet 双阶段 差异特征 空间金字塔 深度监督 损失函数
在线阅读 下载PDF
基于改进UCTransNet的海洋微藻图像分割模型
2
作者 窦宇 陈宏远 +3 位作者 谭华超 袁贵鸿 江彦博 刘丹 《软件工程》 2024年第2期31-35,共5页
海洋微藻是海洋生态系统的基石,对其进行分割识别可以监测海洋水质并防治藻华。UCTransNet是使用Transformer模块替代UNet中跳跃连接模块的分割模型,但UCTransNet过于重视图像的通道信息而忽略了图像的空间信息。针对此情况,提出一种将... 海洋微藻是海洋生态系统的基石,对其进行分割识别可以监测海洋水质并防治藻华。UCTransNet是使用Transformer模块替代UNet中跳跃连接模块的分割模型,但UCTransNet过于重视图像的通道信息而忽略了图像的空间信息。针对此情况,提出一种将空间与通道融合的注意力机制,并将其加入UCTransNet中,得到CSAM-UCTransNet。该模型加强了编码器与译码器之间的联系。实验表明,CSAM-UCTransNet对海洋微藻样本的分割精度相较于UCTransNet提升了4.88%。与UNet、Attention-UNet、UNet++等分割算法相比,该模型分割精度更高,对细节的处理效果更好。 展开更多
关键词 海洋微藻 图像分割 UNet网络 uctransnet网络 注意力机制
在线阅读 下载PDF
U-Net通道变换网络在腺体图像分割中的应用 被引量：3
3
作者 曹伟杰 段先华 +1 位作者 许振伟 盛帅 《中国图象图形学报》 CSCD 北大核心 2024年第3期713-724,共12页
目的 腺体医学图像分割是将医学图像中的腺体区域与周围组织分离出来的过程,对分割精度有极高要求。传统模型在对腺体医学图像分割时,因腺体形态多样性和小目标众多的特点,容易出现分割不精细或误分割等问题,对此根据腺体医学图像的特点... 目的 腺体医学图像分割是将医学图像中的腺体区域与周围组织分离出来的过程,对分割精度有极高要求。传统模型在对腺体医学图像分割时,因腺体形态多样性和小目标众多的特点,容易出现分割不精细或误分割等问题,对此根据腺体医学图像的特点对U-Net型通道变换网络分割模型进行改进,实现对腺体图像更高精度分割。方法 首先在U-Net型通道变换网络的编码器前端加入ASPP_SE(spatial pyramid pooling_squeeze-and-excitation networks)模块与ConvBatchNorm模块的组合,在增强编码器提取小目标特征信息能力的同时,防止模型训练出现过拟合现象。其次在编码器与跳跃连接中嵌入简化后的密集连接,增强编码器相邻模块特征信息融合。最后在通道融合变换器(channel cross fusion with Transformer,CCT)中加入细化器,将自注意力图投射到更高维度,提高自注意机制能力,增强编码器全局模块特征信息融合。简化后的密集连接与CCT结合使用,模型可以达到更好效果。结果 改进算法在公开腺体数据集MoNuSeg(multi-organ nuclei segmentation challenge)和Glas(gland segmentation)上进行实验。以Dice系数和IoU(intersectionoverunion)系数为主要指标,在MoNuSeg的结果为80.55%和67.32%,在Glas数据集的结果为92.23%和86.39%,比原U-Net型通道变换网络分别提升了0.88%、1.06%和1.53%、2.43%。结论 本文提出的改进算法在腺体医学分割上优于其他现有分割算法,能满足临床医学腺体图像分割要求。 展开更多
关键词 医学图像分割 U-Net型通道变换网络(uctransnet) 密集连接 注意力机制 细化器
原文传递
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