基于多分支空洞卷积网络的光谱定量分析

卷积神经网络（CNN）近年来已经广泛应用在各种化学计量学任务中。然而，通过CNN从光谱中学习长程相关性仍然是一个挑战，为了避免过拟合，很多之前的工作中使用的CNN架构都很浅。本文提出了一种并行空洞卷积网络（ACPnet）的方法来学习定量光谱的长程相关性，该方法将具有不同空洞率的并行卷积分支组合在一起，以寻找近程和长程相关性的最佳平衡。并在片剂（拉曼光谱）、土壤（近红外光谱）和葡萄酒（核磁共振光谱）3个数据集上验证了该方法的通用性。结果表明，与偏最小二乘回归（PLS）、最小二乘支持向量机（LS-SVM）、常规CNN和级联模式空洞卷积网络（ACCnet）相比，ACPnet在3个数据集的回归精度都达到了最佳。此外，将ACPnet提取的特征输入到不同的回归器中进行分析，来评估该结构作为有监督特征提取器的性能。特征提取-回归模型的预测结果表明，ACPnet在3个数据集上提取的特征信息都要优于常规CNN。     

一种基于TransUnet的臂丛神经超声图像分割网络

在医疗图像分割领域中，以臂丛神经(Brachial Plexus, BP)超声图像为例的部分超声图像中存在对比度低、边缘模糊和噪声多等问题，使得对目标区域的准确分割十分困难。为此，基于TransUnet网络框架将Transformer模块引入U-Net网络编码端，利用其自注意力机制更好地捕捉图像中的全局特征，提高模型的特征提取能力；同时将空洞卷积应用到网络的跳跃连接来增大感受野，降低特征图中的噪声影响，为解码端提供更显著的特征。实验表明，与传统的U-Net、SegNet以及基于Transformer的MedT(Medical Transformer)相比，设计的网络模型具有更高的Dice系数和IoU值，Dice系数较前三者最高提升了13.2%。     

改进多图谱配准的三维医学图像分割算法

为提高海马体分割精度与时间效率，在多图谱分割(Multi-Atlas Segmentation, MAS)脑部图像的配准阶段提出可变形配准网络EDUNet。针对浮动图像与固定图像，进行数据预处理，使其受到外界的影响最小，在配准阶段，用ANTs代替传统“粗”配准，利用卷积神经网络(Convolutional Newral Nerwork, CNN)改进“精”配准，对配准场进行估计，并引入注意力机制及空洞卷积模块。注意力机制用于自动学习和优化注意力特征，加强特征表达能力；空洞卷积扩大感受野，获取多尺度信息；配准中使用端到端网络，减少配准时间、提高配准效率。算法在OASIS数据集与LBPA40数据集进行了验证，配准精度可达0.786 3,使用基于局部二元模式的特征提取方法进行标签融合后，最终分割精度较其他方法提升3%～10%,验证了算法的有效性和准确性。     

基于改进Faster-RCNN的海上升压站涂层缺陷检测与评估

海上升压站所处环境恶劣，防腐涂层容易受到海浪侵蚀而出现腐蚀、剥落等问题，导致海上升压站受损而发生安全事故。为此，通过部署在海上升压站的摄像系统，采集并制备了一个涂层缺陷数据集；设计了一种基于Faster-RCNN的海上升压站涂层缺陷智能检测算法，针对Faster-RCNN检测效果不佳的问题，在骨干网络中引入形变卷积，增强网络对形状多变的缺陷的特征的提取能力，并提出了一种多尺度空洞卷积的特征融合策略，提高网络对大面积点蚀缺陷的检测能力；构建了一种缺陷评估指标用于涂层缺陷程度的评估。实验验证了相对于原始的Faster-RCNN网络，剥落和腐蚀的平均精度分别提高了6%和12%,平均精度均值提高了9%,实现了海上升压站缺陷自动化高精度的检测。此外，所设计的缺陷程度评估算法，能较好地衡量缺陷的严重程度。