-
题名基于改进残差网络的花卉图像分类算法
被引量：8
- 1
-
-
作者
裴晓芳
张杨
-
机构
南京信息工程大学滨江学院
南京信息工程大学江苏省大气环境与装备技术协同创新中心
南京信息工程大学电子与信息工程学院
-
出处
《电子器件》
CAS
北大核心
2020年第3期698-704,共7页
-
基金
南京信息工程大学滨江学院课题项目(2019bjyng006)。
-
文摘
传统的花卉图像分类都是基于人工手动选择单一特征或者多特征融合再分类,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷。针对目前深度学习在细粒度图像分类中的应用,提出一种基于残差网络、实现端到端的花卉图像分类方法。首先以ResNet18为基础模型;其次将全卷积结构的思想应用于网络模型中,将ResNet18的全连接层替换成卷积层以优化网络模型;最后在优化后的ResNet18中融入混合域注意力机制,由Softmax层进行分类。本文选取了Oxford17flowers和Oxford102flowers两个花卉图像数据集做对比试验,与前人的花卉图像分类方法对比,本文的方法取得了理想的效果,在Oxford17和Oxford102上分别取得了99.26%以及99.02%的正确率。提出了一种基于注意力的残差结构改进方法,相较于前人的花卉图像分类方法,该方法能够更有效地提取关键信息的特征,抑制干扰区域的信息,对花卉图像分类具有显著性效果,适用于细粒度图像分类。
-
关键词
图像分类
花卉识别
残差网络
全卷积结构
注意力机制
-
Keywords
image classification
flower recognition
residual network
full convolution structure
attention mechanism
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名全尺度密集卷积U型网络的视网膜血管分割算法
- 2
-
-
作者
夏平
何志豪
雷帮军
彭程
王雨蝶
-
机构
三峡大学水电工程智能视觉监测湖北省重点实验室
三峡大学计算机与信息学院
-
出处
《计算机工程与设计》
北大核心
2024年第3期866-873,共8页
-
基金
国家自然科学基金项目(U1401252)
湖北省重点实验室开放基金项目(2018SDSJ07)。
-
文摘
针对视网膜图像中血管尺度跨度大、细小血管与背景高度相似导致误分割和未分割等问题,提出一种全尺度密集卷积U型网络的视网膜血管分割方法。为提取更复杂的特征信息,构建级联卷积融合密集块(cascade convolutional fusion dense blocks, CCF-DB)作为U型网络的编解码器用以提取视网膜血管的特征信息;在网络最底端嵌入混合注意力级联卷积密集块(mixed attention cascaded convolutional dense block, MACC-DB),进一步提升感受野,获取更高维的语义特征信息;在模型的解码部分采用全尺度的跳跃连接,捕获不同尺度下的血管特征信息,提升模型的分割精度。实验结果表明,在DRIVE数据集上,相比于U-Net、U-Net3+、SA-Unet、FR-Unet等算法,此算法的AUC值达到了98.26%,准确率为95.82%;在CHASE-DB1数据集上,此算法的AUC值达98.84%,准确率达96.66%。采用此算法进行视网膜血管分割,分割的精度和鲁棒性均有不同程度的提升,对细小血管分割达到了优良的效果。
-
关键词
医学图像分割
深度学习
视网膜血管分割
全尺度密集卷积
编解码结构
混合注意力
级联卷积
-
Keywords
medical image segmentation
deep learning
retinal vascular segmentation
full scale dense convolution
encoding and decoding structure
mixed attention
cascade convolution
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
