CN111080646A - 一种基于宽激活卷积神经网络的改进图像分割方法 - Google Patents

一种基于宽激活卷积神经网络的改进图像分割方法 Download PDF

Info

Publication number
CN111080646A
CN111080646A CN201911167403.4A CN201911167403A CN111080646A CN 111080646 A CN111080646 A CN 111080646A CN 201911167403 A CN201911167403 A CN 201911167403A CN 111080646 A CN111080646 A CN 111080646A
Authority
CN
China
Prior art keywords
layer
activation
wide
convolutional neural
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911167403.4A
Other languages
English (en)
Other versions
CN111080646B (zh
Inventor
李雪
马玉良
段晓鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201911167403.4A priority Critical patent/CN111080646B/zh
Publication of CN111080646A publication Critical patent/CN111080646A/zh
Application granted granted Critical
Publication of CN111080646B publication Critical patent/CN111080646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于宽激活卷积神经网络的改进图像分割方法。本发明先构建宽激活残差模块和多尺度特征融合模块；将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络；本发明方法结合宽激活残差模块和多尺度特征融合模块，与传统卷积神经网络相比，具有更少的训练时间和更高的分割精度，缓解图像分割不足和误分割问题。

Description

一种基于宽激活卷积神经网络的改进图像分割方法
技术领域
本发明涉及一种图像分割方法，尤其涉及一种基于宽激活卷积神经网络的改进图像分割方法，并且应用在了医学领域的彩色眼底视网膜血管分割中。
背景技术
图像分割方法可分为监督学习的方法和无监督学习的方法。无监督学习的方法往往分割准确率较低，算法性能在不同数据库上有很大的差异。监督学习方法通常先进行特征提取，再训练分类器，其分割准确率也普遍高于无监督学习方法，因此有必要基于监督学习继续研究提高图像分割准确率的方法。
作为监督学习的一种，卷积神经网络(CNNs)在图像分割中得到广泛关注，但传统的CNN还存在诸多问题，首先，基于CNN的分割算法往往对硬件要求较高，巨大的参数量导致计算开销增大，同时使得网络训练时间变长；其次，传统卷积操作的感受野较小，对上下文信息的理解不够充分，误分割的概率增大；最后，大多数分割网络通常使用批正则化(BN)，过于依赖mini-batch。
为解决传统CNN存在的所述技术问题，可以通过拓宽激活前的通道(2-4倍)，使更多的信息被传递到后面的网络层，同时细化恒等映射路径，减少网络参数；其次，相比于普通卷积，可以叠加使用空洞率成倍增长的空洞卷积增大感受野，保留多尺度信息，减少误分割；最后将神经网络中权值向量再参数化，消除网络对mini-batch中样本的依赖性，而且提高了训练和测试的准确率。
发明内容
本发明的目的一是降低图像分割中CNN对硬件系统的要求，减少网络参数，缩短训练时间；二是利用空洞卷积获取多尺度信息降低图像分割错误率。
按照本发明提供的技术方案，提出了一种基于宽激活卷积神经网络的改进图像分割方法，包括以下步骤：
步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；
步骤2、构建宽激活残差模块；
步骤3、构建多尺度特征融合模块；
步骤4、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；
步骤5、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络。
步骤6、将测试集输入步骤5得到的分割网络，得到分割后的图像。
所述的步骤2中，所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，
(1)所述第一卷积层的特征通道数C1是输入特征通道的2-4倍，即：
C1＝r×Cin (1)
其中，r为引入激活前的扩大因子，Cin是输入特征通道数。
(2)所述ReLU激活层的数学表达式为：
f(x)＝max(0,x) (2)
其中，x是第一卷积层的输出。
(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin。
(4)所述恒等映射层特征通道数是Cin，根据具体情况可以加一个1×1的卷积层匹配通道数
所述的步骤3中，多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，
(1)所述空洞卷积层的空洞率为2i，i＝0,1,...,m-1
(2)所述权重正则化层，假设输出y具有以下形式:
y＝w·x+b (3)
其中，w是k维权值向量，b是偏差项,x是k维输入特征向量，代指输入的图像块。权重正则化WN以新的参数对权值向量重参数化，使用公式：
Figure BDA0002287819210000031
其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数。
(3)所述m个复合层按公式(5)进行融合：
Figure BDA0002287819210000032
其中，di＝2i表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中
Figure BDA0002287819210000033
Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出。
所述的步骤4中，构建基于宽激活的改进卷积神经网络步骤包括：
步骤4-1：网络起始搭建一个BN层作为输入；
步骤4-2：将宽激活残差模块的输出端连接一个最大池化层组成一个块；
步骤4-3：连续使用n个步骤4-2所述块，将最终的输出端和多尺度特征融合模块输入端连接；
步骤4-4：进行上采样和不带ReLU的卷积，输入相应宽激活残差块；重复执行4-4步骤n次；
步骤4-5：将步骤4-3和4-4中特征图大小相同的宽激活残差块合并；
步骤4-6：将步骤4-1的输出经过一个全局恒等映射送入1×1×2的卷积层和softmax层。
所述的步骤5中，对构建的所述基于宽激活的改进卷积神经网络进行训练步骤包括：
步骤5-1：将所选训练集送入基于宽激活的改进卷积神经网络进行训练，训练策略中使用联合损失函数，用于解决样本不平衡问题，其定义为：
Figure BDA0002287819210000041
其中，
Figure BDA0002287819210000042
表示交叉熵，其公式为：
Figure BDA0002287819210000043
而
Figure BDA0002287819210000044
代表基于dice系数的损失函数，定义为：
Figure BDA0002287819210000045
其中：i为分类个数，y为真实数据，
Figure BDA0002287819210000046
为预测数据，k是平滑值，设置为1，以对函数进行修正。损失函数越小，模型的鲁棒性越好。
本发明与现有技术相比，有益效果如下：
利用宽激活残差模块，细化恒等映射路径，减轻整体网络参数，减少计算开销和训练时间；使用多尺度特征融合模块学习融合多尺度特征，比普通卷积保留多尺度的血管信息，缓解图像分割不足和误分割问题。与传统卷积神经网络相比，本发明方法具有更少的训练时间和更高的分割精度。
附图说明
图1为本发明的流程图；
图2为宽激活残差的结构图(a)和细节图(b)；
图3为多尺度特征融合模块示意图；
图4(a)为原始神经网络结构示意图
图4(b)为基于宽激活的改进卷积神经网络结构图
图5为不同网络在视网膜血管图像的分割效果对比图。
具体实施方式：
下面结合具体实施例对本发明作进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。
如图1所示，本发明的实施例实现步骤如下：
步骤1、构建宽激活残差模块；
具体地，如图2所示，所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，
(1)所述第一卷积层的特征通道数C1是输入特征通道的4倍，即：
C1＝r×Cin (1)
其中，r为引入激活前的扩大因子，取r＝4，Cin是输入特征通道数。
(2)所述ReLU激活层的数学表达式为：
f(x)＝max(0,x) (2)
其中，x是第一卷积层的输出。
(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin。
(4)所述恒等映射层特征通道数是Cin，本实施例使用一个1×1的卷积层匹配通道数。
步骤2、构建多尺度特征融合模块；
具体地，如图3所示，多尺度特征融合模块包括4个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，
(1)所述空洞卷积层的空洞率为2i，i＝0,1,2,3
(2)所述权重正则化层，假设输出y具有以下形式:
y＝w·x+b (3)
其中，w是k维权值向量，b是偏差项,x是k维输入特征向量。WN以新的参数对权值向量重参数化，使用公式：
Figure BDA0002287819210000051
其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数。
(3)所述4个复合层按公式(5)进行融合：
Figure BDA0002287819210000052
其中，di＝2i表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中
Figure BDA0002287819210000053
Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出。
步骤3、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；
具体地，如图4(b)所示，构建基于宽激活的改进卷积神经网络步骤包括：
步骤3-1：网络起始搭建一个BN层作为输入；
步骤3-2：将宽激活残差模块的输出端连接一个最大池化层组成一个块；
步骤3-3：连续使用3个步骤3-2所述块，将最终的输出端和多尺度特征融合模块输入端连接；
步骤3-4：进行上采样和不带ReLU的卷积，输入相应宽激活残差块；重复执行3-4步骤3次；
步骤3-5：将步骤3-3和3-4中特征图大小相同的宽激活残差块合并；
步骤3-6：将步骤3-1的输出经过1×1卷积和一个Leaky ReLU为0.3的激活层，再与步骤3-4的输出相加，相加后的输出送入Leaky ReLU为0.3的激活层作为全局投影映射，随后输入到1×1×2的卷积层和softmax层。
需要说明的是，整个网络只使用了一次BN，如无特别说明网络卷积核大小默认使用3×3，最大池化和上采样层使用默认值。
步骤4、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到用于视网膜血管分割的网络。
具体的训练步骤包括：
步骤4-1：对彩色图像进行预处理。首先，将输入的彩色眼底图像转化为灰度图像并进行标准化处理。再通过对比度受限的自适应直方图均衡化和Gamma矫正(设置为1.2)，提高图像亮度和对比度。
步骤4-2：一半图像作为训练集，另一半作为测试集，采用尺寸为48×48，步长为5的滑动窗口划分为局部重叠的图像块，将这些图像块作为输入；
步骤4-3：将所述训练集送入基于宽激活的改进卷积神经网络进行训练，训练策略中使用联合损失函数，用于解决样本不平衡问题，其定义为：
Figure BDA0002287819210000071
其中，
Figure BDA0002287819210000072
表示交叉熵，其公式为：
Figure BDA0002287819210000073
而
Figure BDA0002287819210000074
代表基于dice系数的损失函数，定义为：
Figure BDA0002287819210000075
其中：i为分类个数，y为真实数据，
Figure BDA0002287819210000076
为预测数据，k是平滑值，设置为1，以对函数进行修正。损失函数越小，模型的鲁棒性越好。
步骤4-4：将训练好的网络用到所述测试集上进行测试，检验基于宽激活的改进卷积神经网络的可靠性。预测的图像即为分割的结果图。
需要说明的是权重正则化不仅限用于步骤2，事实上所有卷积操作后均进行权重正则化；关于网络超参数的设置：网络参数的宽激活残差结构的权重初始化采用He正态分布方法，网络采用Adam算法对损失函数进行优化，初始学习率为0.001，β1＝0.9，β2＝0.999，ε＝10-8。训练的batch size取32，epoch设置为50。
分别对图像进行不同网络分割效果对比，在DRIVE和STARE数据集上，其分割结果对比图如图5所示，这些图中(a)为原始图像，(b)为真实标签，(c)为原始神经网络，(d)基于宽激活的改进卷积神经网络。需要说明的是，图5中第1、3行为无病变图像，第2、4行为病变图像，红色圈表示误分割，蓝色圈表示分割不足。
通过图5对比不同的网络结构可知，基于宽激活的改进卷积神经网络在数据集上分割错误更少，对一些细小血管分割得到加强；分割不足的问题得到一定缓解。另一方面，对于图4中健康组(1、3行)，基于宽激活的改进卷积神经网络血管噪点更少，并且更具有连续性；对于病变组的图像(2、4行)，使用原始神经网络结构更容易出现误分割。
为充分说明本发明使用宽激活残差模块结合多尺度特征融合模块的有效性，将基于宽激活的改进卷积神经网络做一些调整，并给出在DRIVE数据集上的性能指标。将宽激活残差模块替换为使用普通卷积的典型残差模块记为Network_1；在Network_1的基础上，按传统CNN设置较宽的通道，将特征通道数起始改为32，记为Network_2。对比结果见表1。
表1在DRIVE数据集上结构对性能的影响对比
Figure BDA0002287819210000081
从表1中可以看出：(a)比较Network_1和本发明所述网络，相同filter设置下，使用宽激活模块的网络比使用普通卷积的残差模块网络效果好；(b)比较Network_2和本发明所述网络，Network_2的复杂度增加，产生的学习参数为3.57M，而本发明所述网络参数量为1.51M，参数更少效果却更好。

Claims (3)

1.一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于包括如下步骤：
步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；
步骤2、构建宽激活残差模块；
步骤3、构建多尺度特征融合模块；
所述的多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，
(1)所述空洞卷积层的空洞率为2i，i＝0,1,...,m-1
(2)所述权重正则化层，假设输出y具有以下形式:
y＝w·x+b (1)
其中，w是k维权值向量，b是偏差项,x是k维输入特征向量，代指输入的图像块；权重正则化WN以新的参数对权值向量重参数化，使用公式：
Figure FDA0002287819200000011
其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数；
(3)所述m个复合层按公式(3)进行融合：
Figure FDA0002287819200000012
其中，di＝2i表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中
Figure FDA0002287819200000013
Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出；
步骤4、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；
步骤5、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络；
步骤6、将测试集输入步骤5得到的分割网络，得到分割后的图像。
2.根据权利要求1所述的一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于：
所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，
(1)所述第一卷积层的特征通道数C1是输入特征通道的2-4倍，即：
C1＝r×Cin (1)
其中，r为引入激活前的扩大因子，Cin是输入特征通道数；
(2)所述ReLU激活层的数学表达式为：
f(x)＝max(0,x) (2)
其中，x是第一卷积层的输出；
(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin；
(4)所述恒等映射层特征通道数是Cin或加一个1×1的卷积层匹配通道数。
3.根据权利要求1所述的宽激活卷积神经网络的改进图像分割方法，其特征在于，所述步骤4包括：
步骤4-1：网络起始搭建一个BN层作为输入；
步骤4-2：将宽激活残差模块的输出端连接一个最大池化层组成一个块；
步骤4-3：连续使用n个步骤4-2所述块，将最终的输出端和多尺度特征融合模块输入端连接；
步骤4-4：进行上采样和不带ReLU的卷积，输入相应宽激活残差块；重复执行4-4步骤n次；
步骤4-5：将步骤4-3和4-4中特征图大小相同的宽激活残差块合并；
步骤4-6：将步骤4-1的输出经过一个全局恒等映射送入1×1×2的卷积层和softmax层。
CN201911167403.4A 2019-11-25 2019-11-25 一种基于宽激活卷积神经网络的改进图像分割方法 Active CN111080646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167403.4A CN111080646B (zh) 2019-11-25 2019-11-25 一种基于宽激活卷积神经网络的改进图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167403.4A CN111080646B (zh) 2019-11-25 2019-11-25 一种基于宽激活卷积神经网络的改进图像分割方法

Publications (2)

Publication Number Publication Date
CN111080646A true CN111080646A (zh) 2020-04-28
CN111080646B CN111080646B (zh) 2023-09-05

Family

ID=70311600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167403.4A Active CN111080646B (zh) 2019-11-25 2019-11-25 一种基于宽激活卷积神经网络的改进图像分割方法

Country Status (1)

Country Link
CN (1) CN111080646B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738324A (zh) * 2020-06-12 2020-10-02 汕头大学 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法
CN111833352A (zh) * 2020-06-28 2020-10-27 杭州电子科技大学 一种基于八度卷积改进U-net网络的图像分割方法
CN113408381A (zh) * 2021-06-08 2021-09-17 上海对外经贸大学 基于自注意残差卷积神经网络的微表情分类方法
CN114299173A (zh) * 2022-01-12 2022-04-08 西安电子科技大学 基于宽激活循环神经网络的近无损压缩图像软解码方法
CN114612484A (zh) * 2022-03-07 2022-06-10 中国科学院苏州生物医学工程技术研究所 基于无监督学习的视网膜oct图像分割方法
CN115063396A (zh) * 2022-07-11 2022-09-16 浙江金汇华特种耐火材料有限公司 长寿命耐火砖的制备系统及其制备方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015155602A2 (en) * 2014-04-11 2015-10-15 Aspen Performance Technologies Improving neuroperformance
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN110490205A (zh) * 2019-07-23 2019-11-22 浙江科技学院 基于全残差空洞卷积神经网络的道路场景语义分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015155602A2 (en) * 2014-04-11 2015-10-15 Aspen Performance Technologies Improving neuroperformance
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN110490205A (zh) * 2019-07-23 2019-11-22 浙江科技学院 基于全残差空洞卷积神经网络的道路场景语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIACHENG WANG,ET.AL: "An Active Learning with Two-step Query for Medical Image Segmentation" *
ZHAO Y, ET.AL: "Automated vessel segmentation using infinite perimeter active contour model with hybrid region information with application to retinal images" *
付利华;孙晓威;赵宇;李宗刚;黄笳;王路远;: "基于运动特征融合的快速视频超分辨率重构方法" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738324A (zh) * 2020-06-12 2020-10-02 汕头大学 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法
CN111738324B (zh) * 2020-06-12 2023-08-22 汕头大学 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法
CN111833352A (zh) * 2020-06-28 2020-10-27 杭州电子科技大学 一种基于八度卷积改进U-net网络的图像分割方法
CN111833352B (zh) * 2020-06-28 2023-09-05 杭州电子科技大学 一种基于八度卷积改进U-net网络的图像分割方法
CN113408381A (zh) * 2021-06-08 2021-09-17 上海对外经贸大学 基于自注意残差卷积神经网络的微表情分类方法
CN113408381B (zh) * 2021-06-08 2023-09-19 上海对外经贸大学 基于自注意残差卷积神经网络的微表情分类方法
CN114299173A (zh) * 2022-01-12 2022-04-08 西安电子科技大学 基于宽激活循环神经网络的近无损压缩图像软解码方法
CN114612484A (zh) * 2022-03-07 2022-06-10 中国科学院苏州生物医学工程技术研究所 基于无监督学习的视网膜oct图像分割方法
CN115063396A (zh) * 2022-07-11 2022-09-16 浙江金汇华特种耐火材料有限公司 长寿命耐火砖的制备系统及其制备方法

Also Published As

Publication number Publication date
CN111080646B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111080646B (zh) 一种基于宽激活卷积神经网络的改进图像分割方法
CN109345538B (zh) 一种基于卷积神经网络的视网膜血管分割方法
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN110097554B (zh) 基于密集卷积和深度可分离卷积的视网膜血管分割方法
CN108776969B (zh) 基于全卷积网络的乳腺超声图像肿瘤分割方法
CN113793348B (zh) 一种视网膜血管分割方法和装置
CN109447976B (zh) 一种基于人工智能的医学图像分割方法及系统
CN112085745B (zh) 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法
CN111833352A (zh) 一种基于八度卷积改进U-net网络的图像分割方法
WO2022127500A1 (zh) 基于多个神经网络的mri图像分割方法、装置及设备
CN111915545A (zh) 一种多波段图像的自监督学习融合方法
CN117409030B (zh) 基于动态管状卷积的octa图像血管分割方法及其系统
US20240303832A1 (en) Motion estimation with anatomical integrity
CN111242949B (zh) 基于全卷积神经网络多尺度特征的眼底图像血管分割方法
CN114445420A (zh) 编解码结构结合注意力机制的图像分割模型及其训练方法
CN111598894A (zh) 基于全局信息卷积神经网络的视网膜血管图像分割系统
CN110458842B (zh) 基于双通道三维密集连接网络的脑肿瘤分割方法
CN117315258A (zh) 基于图卷积网络和部分卷积的轻量级视网膜血管分割方法
CN112101364A (zh) 基于参数重要性增量学习的语义分割方法
CN111523483A (zh) 中餐菜品图像识别方法及装置
CN115035127A (zh) 一种基于生成式对抗网络的视网膜血管分割方法
CN116797790A (zh) 一种主动脉夹层边界确定方法、系统、电子设备及介质
KR102281968B1 (ko) 안저영상 자동판독을 위한 딥러닝 아키텍처 시스템 및 딥러닝 아키텍쳐 시스템을 이용한 안저영상 자동판독 방법
CN113780483B (zh) 结节超声分类数据处理方法及数据处理系统
CN111798463B (zh) 一种头颈部ct图像中多器官自动分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant