简介:摘要:Transformer是一种基于自注意力机制(self-attention mechanism)的深度神经网络,这一机制原先用于自然语言处理领域。受Transformer强大的表示能力的启发,研究人员提出将Transformer扩展到细粒度图像分类任务中。与卷积网络和循环网络等其他网络类型相比,基于Transformer的模型在各种视觉领域上能获得更好的性能,因此非常具有竞争力。本文首先将简要介绍Transformer的原理与其各个组成部分;其次,文章从细粒度图像分类的角度介绍相应Transformer的应用;最后本文将介绍Transformer在应用到CV领域时依然存在的不足以及未来可能的研究方向。
简介:摘 要:皮肤癌是一种世界范围内比较常见的,也是最危险的癌症之一。传统的人工检测方法的费时费力,如今由于技术的进步,专家们可以依靠广泛的的计算机辅助应用诊断应用,但是还是有很多的困难需要克服。为了提高现有的精度,我们提出了一种基于DO-Conv卷积和高阶交互的框架来进行分类。我们将DO-Conv插入了ResNet中的Resblock中,将其中的3×3的卷积替换成了DO-Conv,提高了网络的性能。为了充分提取的特征引入了特征金字塔FPN,之后我们将FPN提取到特征使用高阶交互的方法进行进行融合,我们在数据集HAN10000上进行了一系列的实验,实验准确率达到了90.19%,特异度达到了97.20%。
简介:摘要目的构建并验证多模态MRI图像3D卷积神经网络(convolutional neural network, CNN)模型对肝纤维化(liver fibrosis, LF)分类的价值。材料与方法回顾性分析经病理证实为LF,并行肝脏3.0 T MRI检查的224例LF患者的T1WI、T2WI、表观扩散系数(apparent diffusion coefficient, ADC)图像,按8∶2的比例随机分为训练集和测试集。对图像进行预处理后,应用训练集图像对模型进行网络结构迭代训练,建立3D-CNN深度学习模型对无显著LF(S0~S1)、显著LF(≥S2)进行分类。经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成。训练完成后,用测试集数据对CNN模型进行测试,使用准确度(accuracy, ACC)曲线、损失函数(loss)曲线及受试者工作特征(receiver operating characteristic, ROC)曲线评价模型的性能。结果基于多模态MRI的3D-CNN深度学习模型在训练集中对LF分类的ROC曲线下面积(area under the curve, AUC)值为0.94,在测试集中的AUC为0.98。结论多模态3D-CNN深度学习模型可对无显著LF和显著LF进行分类,为LF的无创性评估提供更多选择。
简介:摘要:图像匹配是信息领域中的一项重要技术,同时也是其它一些图像处理技术的基础。因此,对现有匹配算法展开研究以提高图像处理质量具有十分重要的意义。本文分析了图像匹配常用方法的优点和不足之处,讨论了图像匹配中需要进一步研究和解决的问题。
简介:【摘要】当前,垃圾问题已经成为一个污染环境困扰人类的大问题。这些垃圾如果不合理的区分和再利用将会污染土壤、水、空气等,如果进行合理的区分利用,将成为一种再生能源,是人了一笔可观的财富。幼儿园教育是学校教育的初始阶段,是幼儿习惯养成的关键期,如何开展垃圾分类教育,幼儿教育是启蒙教育环境保护,应从娃娃抓起,培养幼儿具有初步的环保意识和良好的环保道德行为,要求教师在教育教学中要注意环保内容的有机渗透,教育由浅入深的渗透环保知识,以及开展丰富多样的垃圾分类专题活动,让幼儿从小养成垃圾分类的好习惯,以及幼儿的自我服务意识,将是每个幼儿园必不可少的课题。
简介:摘要:烟叶图像质量评价是推进烟叶质量分级工作和提升行业数字化水平的关键步骤。以烟叶图像特点为起点,对比图像质量评价类型,确定评价指标,分析烟叶图像质量,进而实现图像质量评价,促进烟叶管理朝着科学化、规范化的方向稳步前进。