Con el objetivo de resolver el problema de las características morfológicas insignificantes de los objetivos, la detección imprecisa y los límites poco claros de las regiones de objetivos pequeños, así como el solapamiento de los límites de los objetivos múltiples en la segmentación de imágenes complejas, se propone una red generativa adversarial fusionada con el mecanismo de atención no local, combinando el mecanismo de segmentación de imágenes de la red generativa adversarial con el método de mejora de las características. La red generativa del modelo se compone de una red residual y un módulo de atención no local, que utilizan el mecanismo de extracción de características y de fusión multiescala de la red residual, así como la capacidad de mejora de características y de fusión de información global de la atención dual de canal espacial no local para mejorar las características del objetivo en el área de detección y mejorar la continuidad y la claridad del límite de segmentación. La red adversarial se compone de redes totalmente convolucionales, que penalizan la pérdida de información en las regiones de objetivos pequeños juzgando la autenticidad de la predicción y la segmentación de etiquetas, y mejora la capacidad de detección del modelo adversarial generativo para objetivos pequeños y la precisión de la segmentación multiobjetivo. AM-GAN puede utilizar el mecanismo inherente de GAN que reconstruye y repara la imagen de alta resolución, así como la capacidad del campo receptivo global de atención no local para fortalecer las características de detalle, aprender automáticamente a centrarse en las estructuras de los objetivos de diferentes formas y tamaños, resaltar las características salientes útiles para tareas específicas, reducir la pérdida de características de detalle de la imagen, mejorar la precisión de la detección de objetivos pequeños y optimizar el límite de segmentación de los objetivos múltiples. Tomando la segmentación de imágenes abdominales por resonancia magnética como experimento de verificación, se seleccionan multiobjetivos como el hígado, el riñón izquierdo/derecho y el bazo para la segmentación y la detección de tejidos anormales. En el caso de conjuntos de datos pequeños y desequilibrados, la precisión de los píxeles de clase alcanza el 87,37%, la intersección sobre la unión es del 92,42% y el coeficiente medio de Dice es del 93%. En comparación con otros métodos del experimento, la precisión y la exactitud de la segmentación mejoran considerablemente. Esto demuestra que el método propuesto tiene una buena aplicabilidad para resolver problemas típicos de segmentación de imágenes multiobjetivo, como la detección de características de objetivos pequeños, la superposición de límites y la deformación de desplazamiento.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Aspergillus sclerotiorum: riesgo para la herencia cultural y la salud
Artículo:
Dispositivo microfluídico para la liberación controlada de sustancias químicas mediante una membrana accionada por campo que incorpora nanopartículas
Artículo:
Estudio de la intemperie natural y acelerada sobre las propiedades mecánicas de películas de polietileno de baja densidad modificadas con antioxidantes para invernaderos
Artículo:
Filtrado morfológico binario de residuos de áreas de dispersión dominantes para el reconocimiento de objetivos SAR
Artículo:
Aprendizaje por refuerzo eficiente a partir de la demostración mediante la extracción de conocimientos basada en redes bayesianas
Artículo:
Control y vigilancia de la calidad del agua de consumo humano
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
¿Por qué debemos conservar la fauna silvestre?
Manual:
Deshidratación y desecado de frutas, hortalizas y hongos. Procedimientos hogareños y comerciales de pequeña escala