检索结果

Select

1. 基于Transformer的U型医学图像分割网络综述

傅励瑶, 尹梦晓, 杨锋

《计算机应用》唯一官方网站 2023, 43 (5): 1584-1595. DOI: 10.11772/j.issn.1001-9081.2022040530

摘要（1479）

HTML （64）

PDF （1887KB）（1086）

目前，医学图像分割模型广泛采用基于全卷积网络（FCN）的U型网络（U-Net）作为骨干网，但卷积神经网络（CNN）在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题，研究者们将Transformer应用到医学图像分割模型中以弥补CNN的不足，结合Transformer和U型结构的分割网络成为研究热点之一。在详细介绍U-Net和Transformer之后，按医学图像分割模型中Transformer模块所处的位置，包括仅在编码器或解码器、同时在编码器和解码器、作为过渡连接和其他位置进行分类，讨论各模型的基本内容、设计理念以及可改进的地方，并分析了Transformer处于不同位置的优缺点。根据分析结果可知，决定Transformer所在位置的最大因素是目标分割任务的特点，而且Transformer结合U-Net的分割模型能更好地利用CNN和Transformer各自的优势，提高模型的分割性能，具有较大的发展前景和研究价值。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 图像和视频的低多边形渲染

韩艳茹, 尹梦晓, 覃子轩, 苏鹏, 杨锋

计算机应用 2021, 41 (2): 504-510. DOI: 10.11772/j.issn.1001-9081.2020050626

摘要（360）

PDF （9250KB）（305）

低多边形是近来艺术设计界的热门风格。为了提高图像和视频低多边形风格化的质量，提出一种基于边缘特征和超像素分割的图像和视频低多边形渲染方法。首先提取相邻超像素的交点以及对特征边和超像素边界的差集的均匀采样点作为三角网格顶点，并执行Delaunay三角剖分来生成初始三角网格；然后采用带约束的二次误差度量方法对生成的网格进行简化，以生成最终三角网格；最后对三角网格填充颜色，得到了具有低多边形风格的图像。对于视频低多边形渲染，使用时间一致性超像素跨帧跟踪同一对象的相同部分，以建立视频帧之间的关联，降低视频渲染后的抖动。此外，采用视频分割方法分割视频中的移动对象，获得移动对象与背景之间不同密度的采样点，对移动对象进行渲染获从而得到视频的局部风格化效果。实验结果表明，所提方法能够生成具有较好视觉效果的低多边形渲染结果。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于深度学习的行人重识别综述

杨锋, 许玉, 尹梦晓, 符嘉成, 黄冰, 梁芳烜

计算机应用 2020, 40 (5): 1243-1252. DOI: 10.11772/j.issn.1001-9081.2019091703

摘要（1196）

PDF （1156KB）（1221）

行人重识别(Re-ID)是计算机视觉领域的热点问题，主要研究的是“如何关联位于不同物理位置的不同摄像机捕获到的特定人员的问题”。传统的行人Re-ID方法主要基于底层特征如局部描述符、颜色直方图和人体姿势的提取。近几年，针对行人遮挡和姿势不对齐等传统方法所遗留问题，业内提出了基于区域、注意力机制、姿势和生成对抗性网络(GAN)等深度学习的行人Re-ID方法，实验结果得到较明显的提高。故对深度学习在行人Re-ID中的研究进行了总结和分类，区别于以前的综述，将行人重识别方法分成四大类来讨论。首先,通过区域、注意力、姿势和GAN四类方法来综述基于深度学习的行人Re-ID方法;然后,分析这些方法在主流数据集上的mAP和Rank-1指标性能表现，结果显示基于深度学习的方法可以增强局部特征之间的联系并缩小域间隙，从而减少模型过拟合;最后,展望了行人Re-ID方法研究的发展方向。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于多核多线程的AES保密模式

卢丹华钟诚杨锋

计算机应用 2011, 31 (04): 1003-1005. DOI: 10.3724/SP.J.1087.2011.01003

摘要（1486）

PDF （440KB）（415）

为适应高速网络对大容量文件加解密速度的要求，提出了一种适用于多核环境下的AES保密模式——MACBC。MACBC模式利用多核计算机的多级缓存和共享内存等方面的特点，在保证安全性和对内存空间需求基本不变的情况下，把容量较大的待加密文件拆分为若干数据块，然后由多核心分别对这些数据块进行多线程加解密。实验表明，该模式加速效果明显，并且文件容量越大,加速比越高。