检索结果

Select

1. 基于残差注意力机制的点云配准算法

秦庭威, 赵鹏程, 秦品乐, 曾建朝, 柴锐, 黄永琦

《计算机应用》唯一官方网站 2022, 42 (7): 2184-2191. DOI: 10.11772/j.issn.1001-9081.2021071319

摘要（454）

HTML （12）

PDF （2278KB）（249）

针对传统点云配准算法精度低、鲁棒性差以及放疗前后癌症患者无法实现精确放疗的问题，提出一种基于残差注意力机制的点云配准算法（ADGCNNLK）。首先，在动态图深度卷积网络（DGCNN）中添加残差注意力机制来有效地利用点云的空间信息，并减少信息损失；然后，利用添加残差注意力机制的DGCNN提取点云特征，这样做不仅可以在保持点云置换不变性的同时捕捉点云的局部几何特征，也可以在语义上将信息聚合起来，从而提高配准效率；最后，将提取到的特征点映射到高维空间中并使用经典的图像迭代配准算法LK进行配准。实验结果表明，所提算法与迭代最近点算法（ICP）、全局优化的ICP算法（Go-ICP）和PointNetLK相比，在无噪、有噪的情况下配准效果均最好。其中，在无噪情况下，与PointNetLK相比，所提算法的旋转均方误差降低了74.61%，平移均方误差降低了47.50%；在有噪声的情况下，与PointNetLK相比，所提算法的旋转均方误差降低了73.13%，平移均方误差降低了44.18%，说明所提算法与PointNetLK相比鲁棒性更强。将所提算法应用于放疗前后癌症患者人体点云模型的配准，从而辅助医生治疗，并实现了精确放疗。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络

胡屹杉, 秦品乐, 曾建潮, 柴锐, 王丽芳

计算机应用 2021, 41 (3): 891-897. DOI: 10.11772/j.issn.1001-9081.2020060783

摘要（420）

PDF （1326KB）（1474）

针对甲状腺超声影像中甲状腺组织大小和形态的多样性以及周边组织的复杂性，提出了一种基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络。首先，利用不同膨胀率的空洞卷积和动态滤波器来融合不同感受野下的全局语义特征与不同范围的上下文详情的语义特征，从而提升网络对多尺度目标的适应性与准确度；然后，在特征降维时采用混合上采样方式，以增强高维语义特征的空间信息和低维空间特征的上下文信息；最后，采用空间注意力机制来优化图像的低维特征，并采用高低维特征融合的方式使高低维特征信息在保留重要特征的同时摒弃冗余信息以及使网络对于图像前背景的区分能力得到增强。实验结果表明，所提方法在甲状腺超声影像公开数据集上达到了0.963±0.026的准确率、0.84±0.03的召回率和0.79±0.03的dice系数。可见所提方法能较好地解决组织形态差异性大以及周边组织复杂的问题。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于面部特征图对称的人脸正面化生成对抗网络算法

李虹霞, 秦品乐, 闫寒梅, 曾建潮, 鲍骞月, 柴锐

计算机应用 2021, 41 (3): 714-720. DOI: 10.11772/j.issn.1001-9081.2020060779

摘要（603）

PDF （1432KB）（696）

目前人脸正面化研究主要解决人脸偏转问题，而对监控视频等现实场景中同时受偏转和俯仰变化影响的侧脸的正面化生成关注较少，针对这个问题和多角度侧脸生成的正面人脸图存在身份信息保留不全的问题，提出了一种基于特征图对称模块和眼周特征保留损失的生成对抗网络（GAN）。首先，根据人脸对称性先验，提出特征图对称模块，先使用人脸关键点检测器检测出侧脸鼻尖点位置，再将编码器提取到的特征图依照鼻尖位置进行镜像对称，从而在特征层面上缓解面部信息缺失的问题。其次，借鉴眼周识别思想，在现有的生成图身份保留方法中加入了眼周特征保留损失以训练生成器生成逼真的且保留身份信息的人脸正面图像。实验结果表明，所提算法得到的生成图面部细节保留较好，且在CAS-PEAL-R1数据集的所有俯角下人脸的平均Rank-1识别率为99.03%，可见该算法能够有效解决多角度侧脸的正面化问题。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于不同超声成像的甲状腺结节良恶性判别

武宽, 秦品乐, 柴锐, 曾建朝

计算机应用 2020, 40 (1): 77-82. DOI: 10.11772/j.issn.1001-9081.2019061113

摘要（452）

PDF （981KB）（424）

为实现更为准确的甲状腺结节良恶性超声图像诊断，避免不必要的穿刺或活检手术，提出了一种基于卷积神经网络（CNN）的常规超声成像和超声弹性成像的特征结合方法，提高了甲状腺结节良恶性分类准确率。首先，卷积网络模型在大规模自然图像数据集上完成预训练，并通过迁移学习的方式将特征参数迁移到超声图像域用以生成深度特征并处理小样本。然后，结合常规超声成像和超声弹性成像的深度特征图形成混合特征空间。最后，在混合特征空间上完成分类任务，实现了一个端到端的卷积网络模型。在1156幅图像上进行实验，所提方法的准确率为0.924，高于其他单一数据源的方法。实验结果表明，浅层卷积共享图像的边缘纹理特征，高层卷积的抽象特征与具体的分类任务相关，使用迁移学习的方法可以解决数据样本不足的问题；同时，弹性超声影像可以对甲状腺结节的病灶硬度进行客观的量化，结合常规超声的纹理轮廓特征，二者融合的混合特征可以更全面地描述不同病灶之间的差异。所提方法可以高效准确地对甲状腺结节进行良恶性分类，减轻患者痛苦，给医生提供更为准确的辅助诊断信息。

参考文献 | 相关文章 | 多维度评价