MMApr, 2019

ResUNet-a：用于遥感数据语义分割的深度学习框架

PDF
TL;DR本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。
semantic segmentationaerial imagesdeep learningresunet-aloss function
发现论文，激发创造
  • 深度关注 Unet：具有全局特征感知能力的网络模型

    本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

    Apr, 2023

  • 邻域注意力加强 ResUNet 编码器以提高道路提取精度

    提出了一种名为 ResUNetFormer 的深度语义分割神经网络，利用残差学习、HetConvs、UNet 和视觉变压器的能力，用于精准道路提取。在公开的马萨诸塞州道路数据集上，统计和视觉结果表明了 ResUNetFormer 比卷积神经网络和视觉变压器更优。

    Jun, 2023

  • Hi-ResNet：高分辨率遥感图像语义分割网络

    本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

    May, 2023

  • ResUNet++：一种用于医学图像分割的先进架构

    该研究提出了一种改进的 ResUNet 架构，用于实现结肠镜图像分割，实验结果表明，ResUNet ++ 在公共数据集上表现出色，具有显著的性能优势。

    Nov, 2019

  • DeepUNet: 一个用于像素级海陆分割的深度全卷积神经网络

    本文提出了一种名为 DeepUNet 的新型卷积神经网络，通过使用 DownBlock 和 UpBlock，引入了新的 U-Connection 和 Plus Connection，以实现对复杂海 - 陆环境下高分辨率遥感图像的精确语义分割。实验结果表明，DeepUNet 在性能上表现良好，并在高分辨率遥感图像方面优于 SegNet 和 U-Net。

    Sep, 2017

  • UNet 及其变体在医学图像分割中的性能分析

    通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

    Sep, 2023

  • MultiResUNet：重新思考 U-Net 架构的多模态生物医学图像分割

    本论文提出了一种改进 U-Net 模型的多分辨率结构 MultiResUNet，相较于理想情况下的图像，在处理挑战性医学图像方面实现了显著的性能提高，此提升在五种不同的医学图像数据集中分别达到了 10.15％，5.07％，2.63％，1.41％和 0.62％的相对改进。

    Feb, 2019

  • Res-U2Net：用于相位恢复和图像重建的未训练深度学习

    使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

    Apr, 2024

  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

    Jan, 2021

  • 深度残差 U-Net 实现的道路提取

    本文提出了一种基于深度残差网络和 U-Net 的语义分割神经网络模型，可用于从航空图像中提取道路区域，并通过实验验证了该模型的优越性。

    Nov, 2017