- 博客(11)
- 收藏
- 关注
RSS订阅原创 多融合U-Net网络的像素级路面封闭裂缝自动检测
提出了基于U-Net的多融合U-Net网络，实现了密封裂纹的像素级检测。多融合模块，双重注意机制，和Atrous空间金字塔池（ASPP）的设计，以有效地捕捉密封裂缝的细节。3163图像集分为训练、验证和测试数据集。训练数据由2463个图像集组成。在训练过程中，多融合U-Net的性能优于U-Net和DANet。测试实验结果表明，在200幅测试图像上，多融合U-Net的F-测度和IOU分别为84.36%和72.95%。
2023-06-06 16:37:48
863
3
原创 BASNet | 边界感知分割网络
在本文中，我们提出了一个简单而强大的边界感知分割网络（BASNet），它包括一个预测细化架构和混合损失，高度准确的图像分割。预测-细化架构由密集监督的编码器-解码器网络和残差细化模块组成，它们分别用于预测和细化分割概率图。混合损失是二进制交叉熵、结构相似性和交集损失的组合，其引导网络学习三级（即，像素级、块级和图级）层次表示。我们评估我们的BASNet上的两个反向任务，包括显着的对象分割，伪装对象分割，显示它实现了非常有竞争力的性能与尖锐的分割边界。
2023-05-25 15:56:10
2093
2
原创 AFFU-Net|混合损失的注意特征融合的U-Net用于冬枣裂纹检测
本人小白，写博客是为了记录学习笔记，也为了和各位大佬交流，如果文中出现错误，希望各位指正，本人不胜感激！论文题目：AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube。
2023-05-23 17:11:30
916
1
原创 基于U_net全卷积网络的混凝土裂纹检测
首次使用U-net网络进行裂缝检测；选用Focal损失函数；选用Adam算法进行优化U-net网络比DCNN方法更简洁、有效、准确和更强的鲁棒性；
2023-05-22 19:43:21
547
2
原创 2020ECCV|RGB-D显著目标检测的分叉主干策略
多层次功能重组到老师和学生特点使用分叉支柱策略(BBS)；引入一个depth-enhanced模块(民主党)挖掘的深度线索的渠道和空间的观点；
2023-05-18 16:39:22
298
1
原创 基于UNet的可视化裂缝检测模型
本人小白，写博客是为了记录学习笔记，也为了和各位大佬交流，如果文中出现错误，希望各位指正，本人不胜感激！论文题目：UNet-based model for crack detection integrating visual explanations。
2023-05-16 21:26:08
1021
1
原创 图像分割 | Dice损失函数以及评估指标
上面是举了个例子来解释Dice损失函数的计算公式的应用，当预测前景中的概率越小，则Dice的值越小，而DiceLoss的值越大，则Dice损失函数越大，两个集合的相似性越小。表示为每一类预测区域和实际区域交集除以预测区域和实际区域的并集的均值。:真阴性数， 在label中为阴性，在预测值中也为阴性的个数;: 假阳性数， 在label中为阴性，在预测值中为阳性的个数;: 假阴性数， 在label中为阳性，在预测值中为阴性的个数;:真阳性数，在label中为阳性，在预测值中也为阳性的个数;
2023-05-10 10:00:12
4045
2
原创 改进U-Net网络用于混凝土裂缝检测网络学习
由于裂缝检测在混凝土建筑物的病害评估中起着重要的作用。然而，复杂的背景、不规则的边缘、实时性和准确性要求等因素也使得裂缝检测成为一项具有挑战性的任务。论文中改进了U-Net网络，提高了裂缝检测的准确度和快速度。裂缝检测的方法主要分为传统方法和深度学习方法，虽然U-Net由于其检测速度快、架构简单、效果良好而得到广泛应用，但将其用于图像中的裂缝检测时仍存在许多不可避免的缺点需要解决。一是输出图像的分辨率小于输入图像的分辨率，二是U-Net的检测结果仍然存在很多误差。
2023-05-04 16:01:02
1488
3
原创 U-Net网络学习
（重叠瓦片的原因是在内部的边缘处可以使用重叠法来为边缘图像提供像素信息，因为至少是原本的信息没有被改动的，所以该方法比镜像方法效果要好的多）将低层的特征图进行复制和裁剪后进行拼接的操作可以结合不同网络层中具有不同深度的语义抽象信息和不同细腻程度的位置信息，实现了包含密集位置信息的特征图与包含丰富语义信息的特征图之间的融合，实现像素分类的同时，提高了像素定位的准确性。采用加权损失的原因是相同类别的触摸对象的分离，使用加权损失，其中触摸单元格之间的分离背景标签在损失函数中获得大的权重。
2023-05-03 17:41:12
482
2
原创 FCN网络学习
起初的深度卷积神经网络主要是进行图像分类的，而图像分割乍一看是不能用深度卷积来完成，因为传统的卷积网络中存在全连接层，而全连接层的作用就是将得到的特征图映射到样本空间中，整合在一起从而能够输出一个值，而这一个值是无法表示分割结果的。所以大佬们直接扔弃了全连接层，只保留了卷积层和池化层，进行实验尝试。该效果图产生的原因是对像素级进行分类，所以能达到这种效果，文中也给出作者证明了一个完全卷积网络（FCN），经过训练的端到端，像素到像素的语义分割超过了最先进的技术，而无需进一步的机器。
2023-05-03 16:50:00
158
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人