SAG-Net:用于联合视盘和视杯分割的新型跳过注意力指导网络

来源 :计算机工程与科学 | 被引量 : 0次 | 上传用户:lifeisaboat
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
学习特征图语义信息和位置信息对于在视网膜图像分割中产生理想的结果至关重要。最近,卷积神经网络在提取特征图有效信息方面已经表现出了强大的能力,然而,卷积和池化操作会过滤掉一些有用的信息。提出了一种新型跳过注意力指导网络SAG-Net来保存特征图语义和位置信息并指导扩展工作。在SAG-Net中,首先引入了跳过注意力门SAtt模块,将其用作敏感的扩展路径来传递先前特征图的语义信息和位置信息,不仅有助于消除噪声,还进一步减小了背景的负面影响。其次,通过合并图像金字塔保留上下文特征来进一步优化SAG-Net。
其他文献
吊脚楼作为中国传统建筑的活化石具有极高的社会文化价值,其木雕图案是湘西土家族民族历史文化艺术的重要载体。从文化交流的视角解析,木雕装饰图案表现了土家族乐天安命的观念文化;从图案学的视角解析,用数据分析法整理出湘西吊脚楼木雕图案的分类和寓意,采用绘制还原的方法分析土家族吊脚楼木雕图案艺术特征和审美原则;从符号学的视角解析,用因果分析法论述湘西土家族吊脚楼建筑木雕所承载的民俗文化符号----图像符号、指示符号、象征符号,揭示了木雕图案所传递的万物有灵、刚柔并济和吉祥幸福的土家民俗文化思想。研究湘西土家族吊脚楼
针对城市环境热点区域业务密集化部署带来的流量激增问题,将微微基站和毫微微基站密集部署在宏基站之上以达到分流的效果,构建了一个三层簇异构网络模型.为有效抑制层内和层
随着社会经济的进一步发展,人们日常的生活水平也得到提升,人们对于生活质量的基本要求也越来越严格。无公害的蔬菜变为人们实际生活中不可或缺的重要食材。因为高山地区自身的
针对夜间图像光线暗、特征不易提取的问题,提出一种基于全局和局部特征的无参考夜间图像质量评价方法。首先,利用等高线原理将图像分为亮区域和暗区域2部分,将亮区域占整幅图的比例作为特征1;其次,提取夜间图像的全局亮度信息并将其作为特征2;再次,结合微分算子法求得图像的边缘图作为特征3;然后,将夜间图像从RGB转换到HSI,提取色度、饱和度和亮度分量并将其分别作为特征4、特征5和特征6;最后,结合上述特征
微点阵生物芯片MEDA biochip将微电子和微流体结合,是最近出现的一种新型数字微流控芯片,它基于微点阵思想,每个微点阵单元都包含驱动电路和检测电路,从而实现对生化实验的实时监测。为减少外部引脚,MEDA芯片的所有微单元由菊花链串联,以实现对芯片的准确控制。作为MEDA芯片的关键数据通路,菊花链上即使只有一个单元发生故障,也会导致整条链失效,因此必须对菊花链进行有效的容错设计。为MEDA芯片设计了具有自测试和容错功能的菊花链结构,该结构由测试响应触发菊花链故障单元的自动容错。当菊花链的某个单元出现故障
融合了各向同性和各向异性高斯滤波器的边缘检测算法IAGK存在边缘拉伸效应,引起复杂边缘处产生伪边缘,各向同性高斯导数滤波器的引入,也导致算法对噪声的鲁棒性下降。同时,IAGK算法的各向异性因子非最优取值,理论上不具有最优信噪比和最优定位性能。基于自动各向异性高斯核选择最优各向异性因子,并加入边缘强度修正因子修正IAGK算法的边缘强度公式,抑制伪边缘的产生和噪声的影响。利用经典边缘检测数据集对提出的
以面向对象程序设计课程为例,分析专业课程中蕴含的思政教育元素,提出将社会主义核心价值观、科学观、方法论与课程内容相结合,将思政融入课堂,从而达到引导学生在完成专业学习的同时塑造价值观、人生观,培养科学思维的目的。
针对多媒体系统导论课程的特点、课程设置与教学目标,分析在线教学的优势和缺点,重点介绍在线教学过程中教师所面对的独特挑战与应对之策,提出疫情期间教学实践的具体措施与保障方法,通过统计分析说明教学实践的效果并给出多媒体系统导论课程融入线上元素进行常态化教学的建议。
在课程思政的背景下,思想政治教育融入各学科是大势所趋。文章针对程序设计基础课程,提出基于OBE理念的课程思政改革方案,以程序设计基础(Python语言)为例,将课程思政与专业培养方案相结合,明确课程教学目标、教学内容、实施方式和考核方式。通过教学目标达成度分析说明课程思政教学改革成效。
为提升眼底图像的高度近视萎缩病变分割精度,针对不同个体的眼底图像质量良莠不齐及因萎缩病变与相邻组织之间边界较为模糊等引起分割困难的问题,提出具有多尺度深度监督思想的高度近视萎缩病变分割方法。首先开发优化算法使得眼底图像组织结构清晰、风格统一,降低复杂特征的区分难度。由于利用V-Net只能够得到较低的分割精度,因此,通过融合高层与低层的特征形成多尺度特征学习的MS-V-Net,能够提取不同尺度图像中