基于特征双融合CenterNet的白细胞检测方法

doi:10.11772/j.issn.1001-9081.2022071009

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (8): 2602-2610.DOI: 10.11772/j.issn.1001-9081.2022071009

所属专题：多媒体计算与计算机仿真

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于特征双融合CenterNet的白细胞检测方法

刘欢, 吴亮红(), 张侣, 陈亮, 周博文, 张红强

湖南科技大学信息与电气工程学院，湖南湘潭 411201

收稿日期:2022-07-11 修回日期:2022-11-18 接受日期:2022-11-30 发布日期:2023-01-15 出版日期:2023-08-10
通讯作者: 吴亮红
作者简介:刘欢（1997—），女，河南南阳人，硕士研究生，CCF会员，主要研究方向：图像处理
张侣（1997—），男，贵州毕节人，硕士，主要研究方向：计算机视觉、图像处理
陈亮（1985—），男，湖南邵阳人，讲师，博士，主要研究方向：深度学习、图像识别、计算机视觉
周博文（1983—），男，湖南益阳人，高级工程师，博士，主要研究方向：计算机视觉、图像处理
张红强（1979—），男，河南新乡人，讲师，博士，主要研究方向：群机器人系统、群体智能、优化与智能控制。
基金资助:
国防基础科研计划项目(JCKY2019403D006);湖南省自然科学基金资助项目(2021JJ30280);湖南省科技创新计划项目(2017XK2302)

Leukocyte detection method based on twice-fusion-feature CenterNet

Huan LIU, Lianghong WU(), Lyu ZHANG, Liang CHEN, Bowen ZHOU, Hongqiang ZHANG

School of Information and Electrical Engineering，Hunan University of Science and Technology，Xiangtan Hunan 411201，China

Received:2022-07-11 Revised:2022-11-18 Accepted:2022-11-30 Online:2023-01-15 Published:2023-08-10
Contact: Lianghong WU
About author:LIU Huan， born in 1997， M. S. candidate. Her research interests include image processing.
ZHANG Lyu， born in 1997， M. S. His research interests include computer vision， image processing.
CHEN Liang， born in 1985， Ph. D.， lecturer. His research interests include deep learning， image recognition， computer vision.
ZHOU Bowen， born in 1983， Ph. D.， senior engineer. His research interests include computer vision， image processing.
ZHANG Hongqiang， born in 1979， Ph. D.， lecturer. His research interests include swarm robot system， swarm intelligence， optimization and intelligent control.
Supported by:
National Defense Basic Research Program of China(JCKY2019403D006);Natural Science Foundation of Hunan Province(2021JJ30280);Hunan Province Science and Technology Innovation Program(2017XK2302)

摘要/Abstract

摘要：

针对实际检测过程中复杂场景下由白细胞的形态、染色程度差异较大而导致白细胞检测困难的问题，提出一种基于特征双融合CenterNet的白细胞检测方法TFF-CenterNet（Twice-Fusion-Feature CenterNet）。首先，通过特征金字塔网络（FPN）将主干网络特征与反卷积层特征相融合，增强方法的特征提取能力，从而解决白细胞个体差异、染色程度不同等问题；然后，针对白细胞占据图像面积与图像背景面积严重不均衡的问题，改进热力图损失函数来提升对白细胞正样本的关注以提高检测平均精度均值（mAP）；最后，针对白细胞图像目标微小、位置随机、细胞粘连的特点，引入坐标注意力和坐标卷积，提高对白细胞位置信息的关注度和敏感性。对于复杂场景下的白细胞，TFF-CenterNet的mAP达到97.01%，比CenterNet高3.24个百分点；检测速度达到167 frame/s，比CenterNet快42 frame/s。实验结果表明，所提方法在复杂情况下能在提高白细胞检测mAP的同时达到实时性要求，并提升了鲁棒性，可为辅助医疗诊断中白细胞的快速自动检测提供技术支持。

关键词: 白细胞检测, CenterNet, 坐标注意力, 特征融合, 坐标卷积

Abstract:

Leukocyte detection is difficult due to different shapes and degrees of staining of leukocytes during real detection process in complex scenarios. To solve the problem， a dual feature fusion CenterNet based leukocyte detection method TFF-CenterNet （Twice-Fusion-Feature CenterNet） was proposed. Firstly， the features of the backbone network were fused with the features of deconvolution layers through Feature Pyramid Network （FPN）. In this way， the feature extraction ability of the method was improved to solve the problems of individual differences and different degrees of staining of leukocytes. Then， aiming at the problem of severe imbalance between the image area of leukocytes and the background image area， the heatmap loss function was improved to enhance the focus on positive samples of leukocyte and improve detection mean Average Precision （mAP）. Finally， for the characteristics of the tiny target， random location， and cell adhesion of leukocyte images， coordinate attention and coordinate convolution were introduced to improve the attention and sensitivity of leukocyte location information. For leukocytes in complex scenarios， TFF-CenterNet achieves the mAP of 97.01% and the detection speed of 167 frame/s， which are 3.24 percentage points higher and 42 frame/s faster than those of CenterNet respectively. Experimental results show that the proposed method can improve the mAP of leukocyte detection in complex situations while achieving real-time requirements， and improves the robustness， so that this method can provide technical support for rapid automatic leukocyte detection in complementary medical diagnosis.

Key words: leukocyte detection, CenterNet, coordinate attention, feature fusion, coordinate convolution

中图分类号:

TP391.4

刘欢, 吴亮红, 张侣, 陈亮, 周博文, 张红强. 基于特征双融合CenterNet的白细胞检测方法[J]. 计算机应用, 2023, 43(8): 2602-2610.

Huan LIU, Lianghong WU, Lyu ZHANG, Liang CHEN, Bowen ZHOU, Hongqiang ZHANG. Leukocyte detection method based on twice-fusion-feature CenterNet[J]. Journal of Computer Applications, 2023, 43(8): 2602-2610.

图/表 14

图1 复杂血液细胞涂片图像样本

Fig. 1 Samples of complex blood cell smear image

图2 TFF-CenterNet网络框架

Fig. 2 Network framework of TFF-CenterNet

图3 注意力模块

Fig. 3 Attention modules

图4 空洞空间池化金字塔示意图

Fig. 4 Schematic diagram of atrous spatial pyramid pooling

图5 血液细胞涂片图像数据集

Fig. 5 Blood cell smear image datasets

表1 数据集样本数

Tab. 1 Numbers of samples in datasets

数据集	训练样本数	验证样本数	测试样本数	总计样本数
BCCD	204	51	109	364
BCSI100	617	154	331	1 002
BCSI40	1 851	463	991	3 305

表2 主干特征提取网络对比实验

Tab. 2 Comparison experiment of backbone feature extraction network

主干网络

mAP（IoU=0.5）/%

检测

速度/（frame·s^-1）

表3 λ取值对比实验

Tab. 3 Comparison experiment of λ value

$λ$	P/%	R/%	mAP（IoU=0.5）/%	F1
0.6	97.34	83.26	90.35	0.90
0.7	95.78	92.88	93.78	0.94
0.8	93.15	94.11	94.72	0.94
0.9	95.15	92.81	94.02	0.94
—	97.89	84.73	93.25	0.92

表3 λ取值对比实验

Tab. 3 Comparison experiment of λ value

$λ$	P/%	R/%	mAP（IoU=0.5）/%	F1
0.6	97.34	83.26	90.35	0.90
0.7	95.78	92.88	93.78	0.94
0.8	93.15	94.11	94.72	0.94
0.9	95.15	92.81	94.02	0.94
—	97.89	84.73	93.25	0.92

图6 损失函数改进前后的热力图对比

Fig. 6 Comparison of heatmaps before and after improving loss function

表4 消融实验

Tab. 4 Ablation experiments

改进点1	改进点2	改进点3	P/%	R/%	mAP（IoU=0.5）/%	F1
×	×	×	96.55	84.73	93.25	0.92
√	×	×	95.23	92.72	94.55	0.93
×	√	×	93.15	94.11	94.72	0.94
×	×	√	94.60	91.45	94.00	0.93
√	√	×	95.75	95.75	96.04	0.96
√	×	√	95.20	93.73	95.03	0.94
×	√	√	95.37	94.05	95.38	0.95
√	√	√	96.75	96.97	97.01	0.96

表5 不同数据集上的对比实验

Tab. 5 Comparison experiments on different datasets

数据集	P/%	R/%	mAP（IoU=0.5）/%	F1
BCCD	98.70	98.26	98.98	0.98
BCSI100	96.37	96.22	97.19	0.96
BCSI40	95.75	96.97	97.01	0.96

图7 不同数据集上的检测效果

Fig. 7 Detection effects on different datasets

表6 不同方法的白细胞检测结果对比

Tab. 6 Comparison of leukocyte detection results of different methods

方法	P%			R%			mAP（IoU=0.5）/%			F1			检测速度 /（frame·s^-1）	权重所占内存/MB
方法	BCCD	BCSI100	BCSI40	BCCD	BCSI100	BCSI40	BCCD	BCSI100	BCSI40	BCCD	BCSI100	BCSI40	检测速度 /（frame·s^-1）	权重所占内存/MB
Faster RCNN^［24］	98.12	57.89	54.57	81.59	79.34	78.50	89.67	72.16	68.80	0.89	0.71	0.64	18	108
SSD（VGG16）^［28］	96.34	83.75	70.34	82.53	83.24	82.42	87.35	84.29	76.77	0.87	0.85	0.78	28	100
YOLOv4 （DarkNet53）^［26］	98.37	95.88	95.24	94.95	94.75	94.24	96.57	95.34	95.10	0.96	0.96	0.95	40	245
YOLOv5s^［27］	97.53	96.13	95.58	93.45	95.47	94.16	97.13	95.89	95.31	0.96	0.96	0.95	55	140
RetinaNet （ResNet50）^［29］	98.44	96.54	96.25	92.59	93.39	85.87	97.32	95.39	94.89	0.96	0.95	0.91	36	139
CenterNet （ResNet50）^［21］	97.56	96.47	95.84	89.23	92.34	89.47	95.44	94.79	93.77	0.95	0.94	0.92	125	125
CenterNet （Hourglass104）^［30］	98.34	98.16	95.99	90.32	96.45	98.69	98.01	97.56	97.36	0.97	0.96	0.96	20	730
TFF-CenterNet （ResNet34）	98.70	96.37	96.75	98.26	96.22	96.97	98.98	97.19	97.01	0.98	0.96	0.96	167	92

图8 不同检测方法效果对比

Fig. 8 Comparison of the detection effects of different methods

参考文献 42

1	CAO H C， LIU H， SONG E M. A novel algorithm for segmentation of leukocytes in peripheral blood［J］. Biomedical Signal Processing and Control， 2018， 45：10-21. 10.1016/j.bspc.2018.05.010
2	孙凯，姚旭峰，马风玲，等. 基于机器学习的血细胞分类研究进展［J］. 中国医学物理学杂志， 2020， 37（1）：127-132. 10.3969/j.issn.1005-202X.2020.01.023
	SUN K， YAO X F， MA F L， et al. Blood cell classification based on machine learning［J］. Chinese Journal of Medical Physics， 2020， 37（1）：127-132. 10.3969/j.issn.1005-202X.2020.01.023
3	SAJJAD M， KHAN S， SHOAIB M， et al. Computer aided system for leukocytes classification and segmentation in blood smear images［C］// Proceedings of 2016 International Conference on Frontiers of Information Technology. Piscataway： IEEE， 2016：99-104. 10.1109/fit.2016.026
4	DUAN Y F， WANG J S， HU M H， et al. Leukocyte classification based on spatial and spectral features of microscopic hyperspectral images［J］. Optics and Laser Technology， 2019， 112： 530-538. 10.1016/j.optlastec.2018.11.057
5	NAZLIBILEK S， KARACOR D， ERCAN T， et al. Automatic segmentation， counting， size determination and classification of white blood cells［J］. Measurement， 2014， 55：58-65. 10.1016/j.measurement.2014.04.008
6	SU M C， CHENG C Y， WANG P C. A neural-network-based approach to white blood cell classification［J］. The Scientific World Journal， 2014， 2014： No.796371. 10.1155/2014/796371
7	周飞燕，金林鹏，董军. 卷积神经网络研究综述［J］. 计算机学报， 2017， 40（6）： 1229-1251. 10.11897/SP.J.1016.2017.01229
	ZHOU F Y， JIN L P， DONG J. Review of convolutional neural network［J］. Chinese Journal of Computers， 2017， 40（6）： 1229-1251. 10.11897/SP.J.1016.2017.01229
8	KUTLU H， AVCI E， ÖZYURT F. White blood cells detection and classification based on regional convolutional neural networks［J］. Medical Hypotheses， 2020， 135： No.109472. 10.1016/j.mehy.2019.109472
9	ZHAO J W， ZHANG M S， ZHOU Z H， et al. Automatic detection and classification of leukocytes using convolutional neural networks［J］. Medical and Biological Engineering and Computing， 2017， 55（8）：1287-1301. 10.1007/s11517-016-1590-x
10	NATEGHI R， FATEHI M， SADEGHITABAR A， et al. Automatic detection and classification of white blood cells in blood smear images using convolutional neural network［J］. Iranian Journal of Radiology， 2019， 16（Special Issue）： No.e99159. 10.5812/iranjradiol.99159
11	FAN H Y， ZHANG F B， XI L， et al. LeukocyteMask： an automated localization and segmentation method for leukocyte in blood smear images using deep neural networks［J］. Journal of Biophotonics， 2019， 12（7）： No.e201800488. 10.1002/jbio.201800488
12	刘阳. 基于卷积神经网络和胶囊网络的白细胞图像分类技术研究［D］. 包头：内蒙古科技大学， 2020：19-34.
	LIU Y. Image classification of white blood cells based on convolutional neural network and capsule network［D］. Baotou： Inner Mongolia University of Science and Technology， 2020：19-34.
13	LU Y， QIN X J， FAN H Y， et al. WBC-Net： a white blood cell segmentation network based on UNet++ and ResNet［J］. Applied Soft Computing， 2021， 101： No.107006. 10.1016/j.asoc.2020.107006
14	WANG Q W， BI S S， SUN M L， et al. Deep learning approach to peripheral leukocyte recognition［J］. PLoS ONE， 2019， 4（6）： No.e0218808. 10.1371/journal.pone.0218808
15	耿磊，杨盟盟，肖志涛，等. 结合通道空间加权特征金字塔网络的白细胞检测与分割［J］. 计算机辅助设计与图形学学报， 2021， 33（9）：1418-1427. 10.3724/sp.j.1089.2021.18672
	GENG L， YANG M M， XIAO Z T， et al. White blood cell detection and segmentation combined with the channel space weighted feature pyramid networks［J］. Journal of Computer-Aided Design and Computer Graphics， 2021， 33（9）： 1418-1427. 10.3724/sp.j.1089.2021.18672
16	陈奕君. 基于半监督学习的外周血白细胞自动分类识别［D］. 南京：东南大学， 2021： 16-31.
	CHEN Y J. Automatic classification and recognition of peripheral blood leukocytes based on semi-supervised learning［D］. Nanjing： Southeast University， 2021：16-31.
17	王榆锋，李大海. 改进YOLO框架的血细胞检测算法［J］. 计算机工程与应用， 2022， 58（12）：191-198. 10.3778/j.issn.1002-8331.2110-0224
	WANG Y F， LI D H. Improved YOLO framework blood cell detection algorithm［J］. Computer Engineering and Applications， 2022， 58（12）：191-198. 10.3778/j.issn.1002-8331.2110-0224
18	MOHAMED M， FAR B， GUAILY A. An efficient technique for white blood cells nuclei automatic segmentation［C］// Proceedings of the 2012 IEEE International Conference on Systems， Man， and Cybernetics. Piscataway： IEEE， 2012：220-225. 10.1109/icsmc.2012.6377703
19	王静，孙紫雲，郭苹，等. 改进YOLOv5的白细胞检测算法［J］. 计算机工程与应用， 2022， 58（4）：134-142. 10.3778/j.issn.1002-8331.2107-0332
	WANG J， SUN Z Y， GUO P， et al. Improved leukocyte detection algorithm of YOLOv5［J］. Computer Engineering and Applications， 2022， 58（4）：134-142. 10.3778/j.issn.1002-8331.2107-0332
20	姚江帆. 基于深度学习目标检测的白细胞分类技术研究［D］. 杭州：杭州电子科技大学， 2022： 19-35.
	YAO J F. Research on leukocyte classification technology based on deep learning with object detection［D］. Hangzhou： Hangzhou Dianzi University， 2022： 19-35.
21	ZHOU X Y， WANG D Q， KRÄHENBÜHL P. Objects as points［EB/OL］. （2019-04-25）［2021-10-22］.. 10.5260/chara.21.2.8
22	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014：580-587. 10.1109/cvpr.2014.81
23	GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448. 10.1109/iccv.2015.169
24	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）：1137-1149. 10.1109/tpami.2016.2577031
25	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788. 10.1109/cvpr.2016.91
26	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. （2020-04-23）［2021-11-12］.
27	Ultralytics. YOLOv5［CP/OL］. ［2021-11-26］.. 10.1117/1.jei.31.3.033033
28	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016：21-37.
29	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（2）： 318-327. 10.1109/tpami.2018.2858826
30	NEWELL A， YANG K Y， DENG J. Stacked hourglass networks for human pose estimation［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9912. Cham： Springer， 2016：483-499.
31	YU F， WANG D Q， SHELHAMER E， et al. Deep layer aggregation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 2403-2412. 10.1109/cvpr.2018.00255
32	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
33	HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13708-13717. 10.1109/cvpr46437.2021.01350
34	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944. 10.1109/cvpr.2017.106
35	CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（4）： 834-848. 10.1109/tpami.2017.2699184
36	赵斐. 基于金字塔注意力机制的遥感图像语义分割［J］. 国外电子测量技术， 2019， 38（8）：150-154.
	ZHAO F. Semantic segmentation of remote sensing images based on pyramid attention mechanism［J］. Foreign Electronic Measurement Technology， 2019， 38（8）：150-154.
37	HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（8）： 2011-2023. 10.1109/tpami.2019.2913372
38	LIU R， LEHMAN J， MOLINO P， et al. An intriguing failing of convolutional neural networks and the CoordConv solution［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2018：9628-9639. 10.1109/icinpro43533.2018.9096860
39	张福玲，张少敏，支力佳，等. 融合注意力机制和特征金字塔网络的CT图像肺结节检测［J］. 中国图象图形学报， 2021， 26（9）：2156-2170. 10.11834/jig.210160
	ZHANG F L， ZHANG S M， ZHI L J， et al. Detection of pulmonary nodules in CT images by combining an attention mechanism and a feature pyramid network［J］. Journal of Image and Graphics， 2021， 26（9）：2156-2170. 10.11834/jig.210160
40	徐晓光，李海. 多尺度特征在YOLO算法中的应用研究［J］. 电子测量与仪器学报， 2021， 35（6）： 96-101.
	XU X G， LI H. Application research of multi-scale features in YOLO algorithm［J］. Journal of Electronic Measurement and Instrumentation， 2021， 35（6）：96-101.
41	化嫣然，张卓，龙赛，等. 基于改进YOLO算法的遥感图像目标检测［J］. 电子测量技术， 2020， 43（24）： 87-92.
	HUA Y R， ZHANG Z， LONG S， et al. Remote sensing image target detection based on improved YOLO algorithm［J］. Electronic Measurement Technology， 2020， 43（24）：87-92.
42	蓝金辉，王迪，申小盼. 卷积神经网络在视觉图像检测的研究进展［J］.仪器仪表学报， 2020， 41（4）： 167-182. 10.19650/j.cnki.cjsi.J2006003
	LAN J H， WANG D， SHEN X P. Research progress on visual image detection based on convolutional neural network［J］. Chinese Journal of Scientific Instrument， 2020， 41（4）：167-182. 10.19650/j.cnki.cjsi.J2006003

[1]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[2]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[3]	刘瑞华, 郝子赫, 邹洋杨. 基于多层级精细特征融合的步态识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2250-2257.
[4]	黄梦源, 常侃, 凌铭阳, 韦新杰, 覃团发. 基于层间引导的低光照图像渐进增强算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1911-1919.
[5]	程小辉, 黄云天, 张瑞芳. 基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1927-1934.
[6]	刘越, 刘芳, 武奥运, 柴秋月, 王天笑. 基于自注意力机制与图卷积的3D目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1972-1977.
[7]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政. 融合多尺度和注意力机制的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.
[8]	李鑫, 孟乔, 皇甫俊逸, 孟令辰. 基于分离式标签协同学习的YOLOv5多属性分类[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1619-1628.
[9]	韩贵金, 张馨渊, 张文涛, 黄娅. 基于多特征融合的自监督图像配准算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1597-1604.
[10]	李新叶, 侯晔凝, 孔英会, 燕志旗. 结合特征融合与增强注意力的少样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 745-751.
[11]	吴宁, 罗杨洋, 许华杰. 基于多尺度特征融合的遥感图像语义分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 737-744.
[12]	郑宇亮, 陈云华, 白伟杰, 陈平华. 融合事件数据和图像帧的车辆目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 931-937.
[13]	蒋占军, 吴佰靖, 马龙, 廉敬. 多尺度特征和极化自注意力的Faster-RCNN水漂垃圾识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 938-944.
[14]	贾宗泽, 高鹏飞, 马应龙, 刘晓峰, 夏海鑫. 基于注意力机制的多特征融合对话行为层次化分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 715-721.
[15]	黄子麒, 胡建鹏. 实体类别增强的汽车领域嵌套命名实体识别[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 377-384.

基于特征双融合CenterNet的白细胞检测方法

Leukocyte detection method based on twice-fusion-feature CenterNet

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 42

相关文章 15

编辑推荐

Metrics