CN112967227A - 基于病灶感知建模的糖尿病视网膜病变自动评估系统 - Google Patents
基于病灶感知建模的糖尿病视网膜病变自动评估系统 Download PDFInfo
- Publication number
- CN112967227A CN112967227A CN202110134108.XA CN202110134108A CN112967227A CN 112967227 A CN112967227 A CN 112967227A CN 202110134108 A CN202110134108 A CN 202110134108A CN 112967227 A CN112967227 A CN 112967227A
- Authority
- CN
- China
- Prior art keywords
- lesion
- diabetic retinopathy
- focus
- evaluation system
- attention
- 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
Links
- 206010012689 Diabetic retinopathy Diseases 0.000 title claims abstract description 30
- 230000008447 perception Effects 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000003902 lesion Effects 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 210000001525 retina Anatomy 0.000 claims 2
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于病灶感知建模的糖尿病视网膜病变自动评估系统,包括:编码模块,用于对输入的图像进行特征提取,经过预处理,最终输出经过前馈网络得到的增强特征图;解编码模块,用于学习病灶滤波器,进而自动识别多样性的病灶区域;分级模块,用于实现糖尿病视网膜病变分级及病灶定位,所述分级模块包括分类模块,所述分类模块用于预测病变严重等级。本发明所提供的自动评估系统能通过端到端的方式训练网络,通过学得的病灶滤波器自动识别多样性的病灶区域,从而同时进行DR的严重性分级和病灶定位。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于病灶感知建模的糖尿病视网膜病变自动评估系统。
背景技术
糖尿病视网膜病变(DR)是由糖尿病引起的最严重的并发症之一,可导致视力损害甚至不可逆失明。近些年自动诊断的技术不断被提出,其不仅要预测DR的严重等级,还要给出相应的病灶位置信息。
在实现本发明构思的过程中,发明人发现相关技术中至少存在如下问题:
传统的基于人工智能技术的DR诊断需要具有丰富经验的眼科医生手动标注具体的病灶信息作为监督信号,然而这种监督信号的获取十分耗时耗力,限制了DR自动诊断的在实际部署中的灵活性和扩展性。除此之外,这些方法大多将DR分级和病灶定位看作两个独立的任务,而忽略了它们是相互促进的。为了克服上述限制,近年来一些基于弱监督学习的方法被提出同时完成上述两个任务,且只需要眼底图像的严重等级标签,达到了比较好的效果。然而,为了提高DR严重等级的预测精度,目前的方法往往只关注最重要的病灶区域,这对于病灶的定位来说是不利的。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于病灶感知建模的糖尿病视网膜病变自动评估系统,以期部分地解决上述技术问题中的至少之一。
为了实现上述目的,作为本发明的一方面,提供了一种基于病灶感知建模的糖尿病视网膜病变自动评估系统,包括:
编码模块,用于对输入的图像进行特征提取,经过预处理,最终输出经过前馈网络得到的增强特征图;
解编码模块,用于学习病灶滤波器,进而自动识别多样性的病灶区域;
分级模块,用于实现糖尿病视网膜病变分级及病灶定位,所述分级模块包括分类模块,所述分类模块用于预测病变严重等级。
其中,所述预处理包括:
使用ResNet50进行特征提取,并使用卷积降低特征图的维度;
得到对应的查询,键和值,分别表示为Qn,Kn,Vn,其中n=1,2,...,N表示第n个抽头;
计算自注意力操作中的第一注意力权重Sn,所述第一注意力权重用于建模像素之间的相关性;
第n个抽头的输出Hn可以被自适应混合Vn得到;
通过串联所有的单抽头输出并进行线性映射。
其中,所述第一注意力权重Sn的计算公式如下:
其中,所述第n个抽头的输出Hn为第一注意力权重Sn与相应的值Vn相乘得到的。
其中,所述学习病灶滤波器包括:
基于自注意力操作进一步融合病灶滤波器其他上下文信息;
计算第二注意力权重Sn和病灶感知的激活图M;
通过自适应混合Vn并输入所述前馈网络,得到病灶感知的特征。
其中,所述病灶感知的激活图M的计算公式如下:
其中,Sn为第二注意力权重。
其中,所述前馈网络包括至少两个全连接层及相应的残差连接,dropout及layernorm,具体表示为:
其中,所述分类模块包含全局一致性损失。
其中,所述分类模块中最终的预测结果通过加权求和表示。
其中,所述系统最终的损失函数如下:
Lfinal=Lcls+λtriLtri+λgclLgcl;
其中,Lcls表示分类模块的分类损失,Ltri表示减小正样本对的距离并增加负样本对的距离的三元组损失,Lgcl表示初始化全局特征并使其与局部特征对齐的损失。
基于上述技术方案可知,本发明的糖尿病视网膜病变自动评估系统相对于现有技术至少具有如下有益效果的一部分:
本发明所提供的自动评估系统能通过端到端的方式训练网络,通过学得的病灶滤波器自动识别多样性的病灶区域,从而同时进行DR的严重性分级和病灶定位。同时,在多个数据集上得到了平均1~2%的AUC及Kappa系数的提升。
附图说明
图1是本发明实施例提供的病灶感知的糖尿病视网膜病变评估系统模型图;
图2是本发明实施例提供的自注意力&跨注意力单元结构示意图;
图3是本发明实施例提供的病灶发现的过程示意图。
具体实施方式
本发明提出一种端到端的编码-解码器结构(包括基于像素关系的编码器和基于病灶滤波器的解码器)来识别多样性的病灶区域,从而同时进行DR的严重性分级和病灶定位,训练仅使用图像严重等级标签的情况下,应用时计算机可根据输入的眼底图像自动进行糖尿病视网膜病变等级预测及病灶定位。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
如图1所示,为病灶感知的糖尿病视网膜病变自动评估系统模型图,具体包括:(1)基于像素关系的编码模块;(2)基于病灶滤波器的解码模块;(3)糖尿病视网膜病变分级模块。总体技术如图1所示,训练过程如下:
(1)基于像素关系的编码模块。对于一张输入的图像,使用了ResNet50进行特征提取,并使用卷积层降低特征图的维度,然后可以得到对应的查询,键和值,分别表示为Qn,Kn,Vn,
其中n=1,2,...,N表示第n个抽头,Wn表示相应的映射矩阵。基于此,注意力权重Sn可以建模像素之间的相关性,
Hn=SnVn,
最后,通过串联所有的单抽头输出并进行线性映射,最终的输出经过前馈网络得到最终的增强特征图,
H=Concat(H1,...,Hn)WO,
通过自注意力操作,有着相似外观的病灶像素可以被聚集,除此之外,由曝光不足等问题引起的背景像素杂乱也可以被很好抑制。
(2)基于病灶滤波器的解码模块。为了识别到不同的病灶区域,需要学习病灶滤波器。首先,基于自注意力操作被引入用于进一步融合其它滤波器的上下文信息,增强差异性。接着,基于跨注意力机制被提出,将可以学习的滤波器表示为查询,而增强的特征图表示为键和值,
基于此,注意力权重Sn可以表示为,
然后,病灶感知的激活图M可以被计算为
每个病灶感知的激活图表示一个特定病灶的空间分布,也就是对于特定的病灶的像素具有较高的响应值。最后,通过自适应混合Vn并输入前馈网络,可以得到病灶感知的特征X。
为了约束病灶滤波器学的更好,本发明设计了病灶区域重要性学习和病灶区域多样性两个机制来达成目的。对于病灶区域重要性学习机制,由于不是所有的病灶都有助于严重等级预测,因此需要评估每个病灶区域的贡献tk,
tk=g(xk|φ),
对于病灶区域多样性机制,基于难样本挖掘的三元组损失被采用来同时达到病灶感知特征的多样性和紧凑性,
其中,m=1,2,...,T表示批次数,最后应用三元组损失减小正样本对的距离并增加负样本对的距离,
其中α是阈值参数。
(3)糖尿病视网膜病变分级模块。为了预测严重等级,本文设计了包含全局一致性损失的分类模块。具体而言,分类模块表示如下,
最终的预测可以通过加权求和表示,
分类损失可以表示为,
因此,每个批次的局部特征可以表示为
同时,初始化全局特征bc并使其与局部特征oc对齐,
在仅仅给定图片标签的情况下,最终的损失函数如下给出:
Lfinal=Lcls+λtriLtri+λgclLgcl·
其中λtri,λgcl为平衡系数。最后,对于每张眼底图像,其融合后的病灶感知激活图A可以表示为
通过对A进行双线性插值,可以得到和原图大小一致的激活图。
如图2所示,为自注意力&跨注意力单元结构示意图,具体包括:
基于多头注意力的自注意力单元或跨注意力单元,当查询Q,键K和值V都来自同一个输入时表示自注意力单元;当键K和值V与查询Q的输入不同时表示跨注意力单元。
如图3所示,为病灶发现的过程示意图,具体包括:
不同的滤波器得到的相对应的病灶区域激活图Mk,及每个病灶区域的贡献tk,则最后的病灶发现结果为所有的病灶区域激活图及其对应贡献的加权求和:
本发明可以应用于眼底图像的糖尿病视网膜病变的自动评估,并辅助眼科医生快速确定病灶区域。在实施上,可以以软件的方式安装于前端设备,提供实时检测;也可以安装于大型服务器对大批眼底图像数据进行批量处理。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于病灶感知建模的糖尿病视网膜病变自动评估系统,其特征在于,包括:
编码模块,用于对输入的图像进行特征提取,经过预处理,最终输出经过前馈网络得到的增强特征图;
解编码模块,用于学习病灶滤波器,进而自动识别多样性的病灶区域;
分级模块,用于实现糖尿病视网膜病变分级及病灶定位,所述分级模块包括分类模块,所述分类模块用于预测病变严重等级。
2.根据权利要求1所述的糖尿病视网膜病变自动评估系统,其特征在于,所述预处理包括:
使用ResNet50进行特征提取,并使用卷积降低特征图的维度;
得到对应的查询,键和值,分别表示为Qn,Kn,Vn,其中n=1,2,...,N表示第n个抽头;
计算自注意力操作中的第一注意力权重Sn,所述第一注意力权重用于建模像素之间的相关性;
第n个抽头的输出Hn可以被自适应混合Vn得到;
通过串联所有的单抽头输出并进行线性映射。
4.根据权利要求2所述的糖尿病视网膜病变自动评估系统,其特征在于,所述第n个抽头的输出Hn为第一注意力权重Sn与相应的值Vn相乘得到的。
8.根据权利要求1所述的糖尿病视网膜自动评估系统,其特征在于,所述分类模块包含全局一致性损失。
9.根据权利要求1所述的糖尿病视网膜自动评估系统,其特征在于,所述分类模块中最终的预测结果通过加权求和表示。
10.根据权利要求1所述的糖尿病视网膜自动评估系统,其特征在于,所述系统最终的损失函数如下:
Lfinal=Lcls+λtriLtri+λgclLgcl;
其中,Lcls表示分类模块的分类损失,Ltri表示减小正样本对的距离并增加负样本对的距离的三元组损失,Lgcl表示初始化全局特征并使其与局部特征对齐的损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134108.XA CN112967227B (zh) | 2021-01-29 | 2021-01-29 | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134108.XA CN112967227B (zh) | 2021-01-29 | 2021-01-29 | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967227A true CN112967227A (zh) | 2021-06-15 |
CN112967227B CN112967227B (zh) | 2022-09-09 |
Family
ID=76272574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110134108.XA Active CN112967227B (zh) | 2021-01-29 | 2021-01-29 | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724236A (zh) * | 2021-09-03 | 2021-11-30 | 深圳技术大学 | 基于注意力机制的oct图像检测方法及相关设备 |
CN114387270A (zh) * | 2022-03-22 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
CN110084252A (zh) * | 2019-04-29 | 2019-08-02 | 南京星程智能科技有限公司 | 基于深度学习的糖尿病视网膜病变图像标注方法 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及系统 |
-
2021
- 2021-01-29 CN CN202110134108.XA patent/CN112967227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
CN110084252A (zh) * | 2019-04-29 | 2019-08-02 | 南京星程智能科技有限公司 | 基于深度学习的糖尿病视网膜病变图像标注方法 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
VIJAY BADRINARAYANAN: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
范家伟: "深度学习方法在糖尿病视网膜病变诊断中的应用", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724236A (zh) * | 2021-09-03 | 2021-11-30 | 深圳技术大学 | 基于注意力机制的oct图像检测方法及相关设备 |
CN113724236B (zh) * | 2021-09-03 | 2023-06-09 | 深圳技术大学 | 基于注意力机制的oct图像检测方法及相关设备 |
CN114387270A (zh) * | 2022-03-22 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112967227B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688723B (zh) | 一种基于改进YOLOv5的红外图像行人目标检测方法 | |
CN111950649B (zh) | 基于注意力机制与胶囊网络的低照度图像分类方法 | |
CN112347859B (zh) | 一种光学遥感图像显著性目标检测方法 | |
Wang et al. | Haze concentration adaptive network for image dehazing | |
CN115018824B (zh) | 一种基于CNN和Transformer融合的结肠镜息肉图像分割方法 | |
CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
CN111259827B (zh) | 一种面向城市河道监管的水面漂浮物自动检测方法及装置 | |
CN112991350B (zh) | 一种基于模态差异缩减的rgb-t图像语义分割方法 | |
CN112967227B (zh) | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 | |
CN111723780A (zh) | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 | |
CN111626134B (zh) | 一种基于隐密度分布的密集人群计数方法、系统及终端 | |
CN109903339B (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN115512103A (zh) | 多尺度融合遥感图像语义分割方法及系统 | |
CN113706544A (zh) | 一种基于完备注意力卷积神经网络的医学图像分割方法 | |
CN116205962A (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
CN112668543B (zh) | 一种手模型感知的孤立词手语识别方法 | |
CN114529793A (zh) | 一种基于门控循环特征融合的深度图像修复系统及方法 | |
Lan et al. | An optimized GAN method based on the Que-Attn and contrastive learning for underwater image enhancement | |
CN116258931B (zh) | 基于ViT和滑窗注意力融合的视觉指代表达理解方法和系统 | |
CN113962332A (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN114118199A (zh) | 一种用于智能泵腔体内窥镜故障诊断的图像分类方法及系统 | |
CN113096070A (zh) | 一种基于MA-Unet的图像分割方法 | |
Zhang et al. | MMSTP: Multi-modal Spatiotemporal Feature Fusion Network for Precipitation Prediction | |
CN116563615B (zh) | 基于改进多尺度注意力机制的不良图片分类方法 | |
CN117392392B (zh) | 一种割胶线识别与生成方法 |
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 |