2021, Vol. 47
, 2. 中国科学院宁波材料技术与工程研究所 慈溪生物医学工程研究所, 浙江 宁波 315201;
3. 沈阳建筑大学 信息与控制工程学院, 沈阳 110168;
4. 南方科技大学 计算机科学与工程系, 广东 深圳 518055
2. Cixi Institute of Biomedical Engineering, Ningbo Institute of Materials Technology & Engineering, Chinese Academy of Sciences, Ningbo, Zhejiang 315201, China;
3. Information and Control Engineering School, Shenyang Jianzhu University, Shenyang 110168, China;
4. Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, Guangdong 518055, China
角膜是人体神经分布最密集的部位，神经末梢终点密度约为7 000/mm2[1]。角膜神经负责触觉、疼痛与温度等感觉，并在眨眼反射、伤口愈合与泪液产生及分泌中起重要作用[2]。共聚焦显微镜是一种实用、安全、无侵入且重复性良好的新型角膜神经检测工具，它可以清晰观测到活体角膜的各层组织及角膜神经[3]。临床研究结果表明，角膜基底的神经纤维与部分眼表及系统性疾病之间具有重要联系，比如干眼症、圆锥角膜与糖尿病神经病变等。其中，糖尿病神经病变患者的角膜神经长度及密度与正常人相比均较低，而弯曲度增大，且随着病情的加重，上述参数的变化将更为显著[4]。通过分析神经长度、密度与弯曲度等形态学参数的变化，可早期筛查并诊断出一些眼科疾病，从而降低视力损伤及失明率。因此，定量分析角膜神经的形态学参数具有重要的临床意义，而精准提取角膜神经是进行形态学参数分析的基础。
利用角膜神经图像诊断眼科疾病时，通常由眼科医生手动标记角膜神经，该方法主观性强、诊断效率低且耗时长，无法满足大规模角膜神经的分割需求。然而，自动分割技术可有效降低医生主观因素的影响，提高处理速度与诊断效率。借助计算机完成角膜神经自动分割对于实现大规模疾病的筛查与诊断尤为重要，但是由于对焦不准确造成图像灰度不均衡以及病理引起神经结构不连续等因素会对其造成不利影响。
受深度卷积神经网络模型的启发，本文提出一种基于注意力机制的角膜神经分割算法，并将其应用于角膜神经的自动分割任务中。该算法以ResU-Net为基础框架，针对角膜神经图像的特性，使用多尺度残差模块代替原有残差模块，并提取输入图像的多尺度层级信息。同时，利用通道注意力机制和空间注意力机制对特征图进行重标定，通过加强解码器中通道和空间像素特征的重要程度来提升分割效果，以更好地辅助医疗诊断。
1 相关工作关于角膜神经自动分割算法的研究众多，如文献[5]将视网膜血管分割算法迁移到角膜神经分割任务中，该算法预处理均衡化亮度和对比度后，使用模糊c-均值聚类法实现角膜神经分割并利用graph-search技术连接断裂神经，且在后处理阶段消除错误分割。文献[6]提出一种基于随机森林和神经网络的多尺度自适应双模型神经检测算法。文献[7]利用相移分析技术以增强共聚焦显微图像，并在此基础上使用基于相位对称的滤波器来识别神经结构。文献[8]通过顶帽滤波和一组log-Gabor滤波器增强神经结构，再使用支持向量机识别神经。文献[9]通过结合手动提取特征和学习上下文滤波器实现了曲线结构的分割。上述研究在特定情况下均可取得良好的分割结果，但是其分割过程中通常需要手动特征和先验知识，且计算复杂度较高，因此不适用于实际应用过程。
深度学习技术已广泛应用于医学图像分类、检测[10]与分割[11]等多项任务中。其中，为提高传统卷积神经网络对像素级图像的分割效果，文献[12]提出了全卷积神经网络（Fully Convolutional Neural Networks，FCNN），该网络在经过多层卷积和池化操作后，利用反卷积操作对高维特征图进行上采样，得到与输入图像相同分辨率的预测结果。文献[13]提出完全对称的U-Net分割网络，且该网络在医学图像分割任务中性能良好，现已成为医学图像分割任务中常见的网络结构。U-Net分割网络采用编码器提取特征，利用解码器将特征图恢复至原始分辨率，并在FCNN的基础上增加了编码器和解码器的跳跃连接，以融合利用先前特征层提取的细节特征。受到U-Net的启发，ResU-Net[14]、R2U-Net[15]和Attention U-Net[16]相继被提出并应用于医学图像的分割，且取得了显著效果。其中，ResU-Net将U-Net中的每个子模块均替换为具有残差连接的卷积模块，从而提取图像的更深层特征，以提高分割精确度。R2U-Net将残差连接和循环卷积相结合并替换U-Net中的子模块，其中，残差连接可用来训练更深的网络，而循环卷积可更好地对分割任务的特征进行表示。Attention U-Net在U-Net跳跃连接部分引入注意力机制模块，并重新调整编码器的输出特征。该模块通过生成一个门控信号来控制不同空间位置处的重要特征，从而提高图像分割精度。
2 基于注意力机制的改进ResU-Net如图 1所示，本文提出的分割网络框架共分为多尺度图像输入、编码器与解码器、注意力机制以及多层损失函数输出4个部分。其中，实线箭头代表下采样，虚线箭头代表上采样，点划线箭头代表顺序连接。编码器与解码器部分采用多尺度残差卷积模块对编码部分提取的多尺度图像特征进行上采样，并与上一层编码信息相融合，直至恢复输入图像的原尺寸大小。此外，本文算法在网络的跳跃连接和解码器部分引入了注意力机制，并采用2个注意力模块分别对通道和空间生成权重图，以强化目标特征。在解码器部分，该网络对各层输出均采用多损失函数监督机制，保证在解码器的最后一层获得最优分割结果。
|
Download:
|
| 图 1 分割网络整体框架 Fig. 1 Overall frame of segmentation network | |
本文提出的网络结构在编码器部分以3个不同尺寸的角膜神经图像作为输入。其中，原始图像尺寸为384×384，对其经过双线性插值操作分别生成192×192、96×96尺寸的图像。该网络将不同尺度的角膜神经图像分别经过一个3×3卷积层后与编码器下采样得到的特征图相连接，并将得到的新特征图输入下一个编码器层，接下来将多尺度特征集成到解码器层中，这样不仅避免参数的大幅增长，还增加解码器路径的网络宽度。此外，因为编码器中下采样操作会损失特征图的底层特征，所以本文网络利用提出的多尺度图像输入模块来补充角膜神经图像的细节信息，增强网络预测图的结构完整性。
2.2 编码器与解码器编码器与解码器是本文所提网络的主体结构。编码器可提取输入图像的深度特征，并通过跳跃连接将编码器提取的浅层和深层特征与解码器中上采样得到的特征相融合，最终得到与原图尺寸相同的分割图。U-Net中的编码器结构采用的是VGG[17]结构中的卷积层，且每一个卷积层包括2个3×3的卷积核、线性整流ReLU函数以及步长为2的最大池化层。虽然角膜神经图像中的神经呈树状，且结构较为完整、拥有更多的上下文信息，但是卷积神经网络对图像的感受野仍是固定的。目前，随着不同内核大小的卷积层InceptionNets[18-19]、残差模块ResNet[20]与多尺度残差模块Res2Net[21]等相继提出，卷积层的多尺度能力效率明显得到提升。因此，为增强分割网络对多尺度特征的表征能力，本文以ResNet-34为网络的基本框架，用多尺度残差模块替换原网络中的残差模块，从而构建出新的残差网络。
如图 2所示，多尺度残差模块在经过1×1卷积后，特征图被均匀划分为s个特征子图，用xi表示，i∈{1, 2, …, s}，s设置为4。与输入特征图相比，每个特征子图都有一个对应的3×3卷积，用Ki表示，yi表示Ki的输出。特征子图xi与Ki的输出相加后输入到Ki中，因此，yi可表示为：
| ${\mathit{\boldsymbol{y}}_i} = \left\{ {\begin{array}{*{20}{l}} {{x_i}, i = 1}\\ {{\mathit{\boldsymbol{K}}_i}\left( {{x_i}} \right), i = 2}\\ {{\mathit{\boldsymbol{K}}_i}\left( {{x_i} + {y_{i - 1}}} \right), 2 < i \le s} \end{array}} \right.$ | (1) |
|
Download:
|
| 图 2 多尺度残差模块 Fig. 2 Multi-scale residual module | |
其中，每个3×3卷积运算Ki都有可能从xi接收特征信息，每次将特征拆分的xi通过3×3卷积运算时，输出的感受野可能比xi大。
多尺度残差模块可输出包含不同数量的感受野大小组合，这样有利于提取角膜神经图像的局部神经和全局图像信息。为进一步融合不同感受野的信息，模块将每个特征子图的输出通过1×1卷积进行通道交互，这种先分离后连接的策略可以使卷积层有效处理通道和空间特征。
在编码器模块中，新的残差网络能够提取不同感受野的特征并进行融合，使得最后编码层能够提取更多角膜神经图像的上下文特征，为解码层恢复角膜神经图像信息提供更多的上下文语义信息。当输入图像大小为384×384时，编码器中的每一层输出特征图大小分别为192×192、96×96、48×48。在解码器模块中，编码器的输出特征图通过跳跃连接与解码器上采样得到的特征图相拼接，并采用2个如图 3所示的双重多尺度残差模块对每一层生成的特征图进行处理。此外，本文网络提出将注意力机制模块作用于分割网络，在跳跃连接和编码器阶段将输出特征图通过注意力机制来强化目标特征，以弱化背景特征。其中，图 3中的
|
Download:
|
| 图 3 双重注意力机制模块 Fig. 3 Dual attention mechanism modules | |
注意力机制在近期研究中已被证明在图像分类及分割等方面表现卓越。文献[22]提出的SENet采用一种新的特征重标定策略，通过学习自动获取每个特征通道的重要程度，以提升对当前任务有用的特征并抑制无关特征。本文提出一种新的注意力机制使用方法，将SENet中的通道注意力拓展到空间上，通过采用双重注意机制不仅可以提升角膜神经图像的目标像素特征，而且使得目标与背景之间更易区分，同时还可检测到更多不易分割的细小神经。通道注意力模块由特征压缩（
SENet利用全局上下文对不同通道进行权值重标定来调整通道依赖，然而，采用在通道上的权值重标定的特征融合不能充分利用空间位置信息。因此，本文提出了空间注意力模块，并将通道注意力从通道拓展到空间结构。空间注意力模块采用全局平均通道进行池化，与通道注意力机制不同，池化之后的原特征图大小变为H×W，但与输入的每个通道特征图维度保持一致。在特征激励阶段，为适应不同阶段的特征图大小，本文提出的算法采用7×7卷积核对新特征图进行卷积操作，通过使用较大尺寸的卷积核来扩大感受野，从而在整幅图像上进行全局权重学习，接下来再经过一个Sigmoid函数得到空间概率图。空间注意力模块将输出的概率图通过逐像素相乘对先前的特征图进行加权，完成在空间维度上对原始特征的重标定。
将通道注意力和空间注意力串联起来可对全局上下文进行有效建模，2种注意力机制是通过自注意力分别对通道和空间进行重标定，以提取出更具判别性的特征。从图 1所示的网络整体结构来看，网络在跳跃连接和解码器每层输出的位置都添加了通道和空间注意力机制。跳跃连接位置的注意力机制主要是为了将更具判别性的角膜神经图像特征输入解码层中补充细节信息；解码器输出层的注意力机制主要是对上采样得到的特征图进行信息选择，利用通道和空间注意力的作用可得到加权后的特征，更有利于分割出角膜神经图像中肉眼不易察觉的神经。
2.4 多层损失函数输出在分割算法中，交叉熵损失是常见的损失函数。由于在角膜神经图像中，角膜神经面积通常只占据图像的一小部分，而交叉熵损失函数很容易忽略这些细节信息，因此本文使用Dice系数损失函数来代替交叉熵损失函数。Dice系数损失函数是一种计算重叠区域的度量函数，其能够有效评估分割性能，且可定义为：
| ${L_{{\rm{Dice}}}} = 1 - \mathop \sum \limits_k^K \frac{{2{w_k}\mathop \sum \limits_i^N {\mathit{\boldsymbol{p}}_{\left( {k, i} \right)}}{\mathit{\boldsymbol{g}}_{\left( {k, i} \right)}}}}{{\mathop \sum \limits_i^N \mathit{\boldsymbol{p}}_{_{\left( {k, i} \right)}}^2 + \mathop \sum \limits_i^N \mathit{\boldsymbol{g}}_{_{\left( {k, i} \right)}}^2}}$ | (2) |
其中，N表示像素的个数，P(x, i)∈[0, 1]、g(x, i)∈[0, 1]分别表示对应第k个类别时的预测概率与真实像素类别，K表示需要分割的种类个数，wk表示第k个类别的权重，且满足
此外，在解码器的每个输出层都增加Dice系数损失函数，以监督不同尺度的特征学习，且网络通过优化每一层的该损失函数，可指导每个编码层和解码层的输出。本文将所有层损失函数的均值作为最终网络反向传播值。
3 实验结果与分析 3.1 数据集实验数据集有1 578张角膜神经图像，包含正常志愿者、糖尿病患者和干眼症患者3个类别。采集的角膜神经图像为二维灰度图，分辨率为384×384，覆盖角膜大约400 μm×400 μm的区域。为评估本文算法的性能，所有角膜神经图像均采用人工标注，而人工标注是通过眼科专家使用Neuron J软件手动标注所有可见神经的单像素中心线来实现的，并将标注结果作为金标准。实验数据集分为2个部分：1）包含1 390张图像的训练集；2）包含188张图像的测试集。角膜神经图像及对应金标准示例如图 4所示。
|
Download:
|
| 图 4 角膜神经图像及其对应金标准示例 Fig. 4 Corneal nerve image and corresponding gold standard example | |
为评估算法的分割效果，本文用特异性（Specificity，Spe）、准确率（Accuracy，Acc）与敏感度（Sensitivity，Sen）来评估算法性能，且其计算方法分别为：
| ${\rm{Spe}} = \frac{{{\rm{TN}}}}{{{\rm{TN}} + {\rm{FP}}}}$ | (3) |
| ${\rm{Acc}} = \frac{{{\rm{TP}} + {\rm{TN}}}}{{{\rm{TP}} + {\rm{FP}} + {\rm{TN}} + {\rm{FN}}}}$ | (4) |
| ${\rm{Sen}} = \frac{{{\rm{TP}}}}{{{\rm{TP}} + {\rm{FN}}}}$ | (5) |
其中，TP表示正确识别为神经的像素，TN表示正确识别为背景的像素，FP表示错误识别为神经的像素，FN表示错误识别为背景的像素。此外，本文还计算了ROC曲线下面积（Area Under Curve，AUC）。
3.3 实验设置本文提出的网络结构基于Pytorch开源深度学习框架实现，并使用NVIDIA TITAN XP显卡进行加速。在网络训练时，本文使用带动量的随机梯度下降（SGD）方法优化算法训练模型，初始学习率为0.001，批处理大小（Batch Size）设置为4，使用poly学习率衰减策略，并采用L2正则化（衰减因子为0.000 5）以避免过拟合情况的发生。在评估实验结果时，采用五折交叉验证方法对1 390张图像进行训练，并将训练集随机分为5个训练子集，每次不重复地选取其中4个子集作为训练集，1个作为验证集。训练结束后可以在每个验证集上得到最好的5个模型，最后在188张测试集上测试并求平均值得到最终结果。
3.4 对比实验分析本文共进行两组实验来评价网络的分割效果，结果如表 1与图 5所示。其中，表 1中的最优结果加粗表示。
|
下载CSV 表 1 不同分割算法的评估结果对比 Table 1 Comparison of evaluation results of different segmentation algorithms |
|
Download:
|
| 图 5 不同分割算法的实验效果对比 Fig. 5 Comparison of experimental effects of different segmentation algorithms | |
从表 1与图 5可以看出：U-Net作为经典的医学图像分割网络之一，同时也是本文网络的基本骨架，在角膜神经上图像上得到的AUC、Sen分别为0.930、0.819，但其分割结果存在欠分割现象；ResU-Net在U-Net基础上增加了残差机制，使得AUC增大至0.942，且表现优于U-Net；R2U-Net在残差机制基础上引入循环机制模块，进一步使得AUC增大至0.955，高于ResU-Net，原因可能是与其他网络相比，循环网络机制的优化较为困难，导致分割表现不如注意力机制网络；Attention U-Net和Attention ResU-Net将注意力机制引入分割网络中，重新调整编码器的输出特征，从而提高解码器中输出预测图精度，分割结果显示该方法优于其他深度学习分割算法，但是存在过分割现象；本文提出的改进ResU-Net网络的分割性能明显优于其他深度学习分割算法，AUC、Sen分别达到0.990、0.880，且其能够较完整地分割出角膜神经结构，有效区分神经与非神经区域，避免欠分割和过分割现象的发生。
消融实验研究了本文算法中6种模块的评估结果与实验效果对比，结果如表 2与图 6所示。从表 2与图 6可以看出：当使用多尺度残差模块代替ResU-Net残差模块时，AUC由0.942提升至0.965，Spe达到0.992，Sen由0.828提升至0.842，分割效果得到提升，且预测图像也表明多尺度残差模块能够将相对完整的角膜神经分割出来，这主要是因为多尺度残差模块在增加卷积核感受野的同时，又将全局和局部信息相融合，有效增强网络对上下文信息的提取；而当通道注意力和空间注意力机制共同作用于该网络时，该网络分割性能得到明显提升，AUC由0.965提升到0.980，Sen也达到0.861，且与多尺度残差模块相比，空间注意力模块的图像不仅将原图中细小的神经分割出来，还去掉了多尺度残差模块中多余的非神经像素，因此注意力机制的引入对图像的前景和背景进行了有效区分；多尺度输入和多层损失函数监督模块的引入也进一步使得原网络的分割结果更加准确，在保持较高AUC和Spe的同时，增强了对角膜神经分割的敏感度和对目标像素的特征学习。在2个多尺度输入输出模块作用下，该模型能够完整分割出神经区域，并对背景相似特征信息进行有效区分。
|
下载CSV 表 2 本文算法中不同模块评估结果对比 Table 2 Comparison of evaluation results of different modules in the proposed algorithm |
|
Download:
|
| 图 6 本文算法中不同模块的实验效果对比 Fig. 6 Comparison of experimental effects of different modules in the proposed algorithm | |
如图 6中第3行预测图像所示（虚线箭头所指），原图中存在线状区域与神经特征类似，在医生的金标准中并未被标注为神经，但是在网络中被错误识别为神经区域。这种过分割现象在角膜神经图像分割方法中普遍存在，而本文所提网络仅能在一定程度上优化，并不能完全解决该问题。
4 结束语本文在深度学习分割网络模型的启发下，通过对ResU-Net结构进行改进，提出一种角膜神经自动分割算法。该算法使用多尺度残差模块替换原有ResU-Net残差模块以增加多尺度表征信息，利用引入的注意力机制模块在通道与空间双重注意力作用下，增强角膜神经图像上的目标区域特征，并使得角膜神经的背景及前景更具判别性。通过加入多尺度图像输入与多层损失函数输出模块，以监督网络中每一分割层的特征学习。实验结果表明，与U-Net、ResU-Net等分割算法相比，该算法的分割效果得到显著提高。下一步考虑将临床先验知识引入角膜神经自动分割系统中，在系统后处理阶段依据临床先验知识对网络分割出的神经结构进行筛选，以更有效地识别神经与非神经区域。
| [1] |
CRUZAT A, QAZI Y, HAMRAH P. In vivo confocal microscopy of corneal nerves in health and disease[J]. The Ocular Surface, 2017, 15(1): 15-47. DOI:10.1016/j.jtos.2016.09.004 |
| [2] |
NISHIDA T, CHIKAMA T, SAWA M, et al. Differential contributions of impaired corneal sensitivity and reduced tear secretion to corneal epithelial disorders[J]. Japanese Journal of Ophthalmology, 2012, 56(1): 20-25. DOI:10.1007/s10384-011-0105-4 |
| [3] |
HERTZ P, BRIL V, ORSZAG A, et al. Reproducibility of in vivo corneal confocal microscopy as a novel screening test for early diabetic sensorimotor polyneuropathy[J]. Diabetic Medicine, 2011, 28(10): 1253-1260. DOI:10.1111/j.1464-5491.2011.03299.x |
| [4] |
KALLINIKOS P, BERHANU M, O'DONNELL C, et al. Corneal nerve tortuosity in diabetic patients with neuropathy[J]. Investigative Ophthalmology & Visual Science, 2004, 45(2): 418-422. |
| [5] |
RUGGERI A, SCARPA F, GRISAN E.Analysis of corneal images for the recognition of nerve structures[C]//Proceedings of 2006 International Conference of the IEEE Engineering in Medicine and Biology Society.Washington D.C., USA: IEEE Press, 2006: 4739-4742.
|
| [6] |
DABBAH M A, GRAHAM J, PETROPOULOS I N, et al. Automatic analysis of diabetic peripheral neuropathy using multi-scale quantitative morphology of nerve fibres in corneal confocal microscopy imaging[J]. Medical Image Analysis, 2011, 15(5): 738-747. DOI:10.1016/j.media.2011.05.016 |
| [7] |
FERREIRA A, MORGADO A M, SILVA J S. A method for corneal nerves automatic segmentation and morphometric analysis[J]. Computer Methods and Programs in Biomedicine, 2012, 107(1): 53-60. DOI:10.1016/j.cmpb.2011.09.014 |
| [8] |
GUIMARÃES P, WIGDAHL J, RUGGERI A. A fast and efficient technique for the automatic tracing of corneal nerves in confocal microscopy[J]. Translational Vision Science & Technology, 2016, 5(5): 436-444. |
| [9] |
ANNUNZIATA R, KHEIRKHAH A, HAMRAH P, et al.Boosting hand-crafted features for curvilinear structure segmentation by learning context filters[EB/OL].[2019-11-02].http://staff.computing.dundee.ac.uk/rannunziata/files/MICCAI%202015%20Bosting%20HCFs%20for%20curvilinear%20structures%20segmentation%20by%20learning%20context%20filters.pdf.
|
| [10] |
ZHU Hui, QIN Pinle. U-Net pulmonary nodule detection algorithm based on multi-scale feature structure[J]. Computer Engineering, 2019, 45(4): 260-267. (in Chinese) 朱辉, 秦品乐. 基于多尺度特征结构的U-Net肺结节检测算法[J]. 计算机工程, 2019, 45(4): 260-267. |
| [11] |
LIU Zhe, ZHANG Xiaolin, SONG Yuqing, et al. Liver segmentation with improved U-Net and Morphsnakes algorithm[J]. Journal of Image and Graphics, 2018, 23(8): 1254-1262. (in Chinese) 刘哲, 张晓林, 宋余庆, 等. 结合改进的U-Net和Morphsnakes的肝脏分割[J]. 中国图象图形学报, 2018, 23(8): 1254-1262. |
| [12] |
LONG J, SHELHAMER E, DARRELL T.Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C., USA: IEEE Press, 2015: 3431-3440.
|
| [13] |
RONNEBERGER O, FISCHER P, BROX T.U-Net: convolutional networks for biomedical image segmentation[EB/OL].[2019-11-02].https://arxiv.org/pdf/1505.04597.pdf.
|
| [14] |
SHANKARANARAYANA S M, RAM K, MITRA K, et al.Joint optic disc and cup segmentation using fully convolutional and adversarial networks[C]//Proceedings of International Conference on Medical Image Computing and Computer Assisted Intervention; International Workshop on Fetal and Infant Image Analysis.Berlin, Germany: Springer, 2017: 168-176.
|
| [15] |
ALOM M Z, YAKOPCIC C, TAHA T M, et al.Nuclei segmentation with recurrent residual convolutional neural networks based U-Net (R2U-Net)[C]//Proceedings of NAECON 2018-IEEE National Aerospace and Electronics Conference.Washington D.C., USA: IEEE Press, 2018: 228-233.
|
| [16] |
OKTAY O, SCHLEMPER J, FOLGOC L L, et al.Attention U-Net: learning where to look for the pancreas[EB/OL].[2019-11-02].https://arxiv.org/abs/1804.03999.
|
| [17] |
SIMONYAN K, ZISSERMAN A.Very deep convolutional networks for large-scale image recognition[EB/OL].[2019-11-02].https://arxiv.org/abs/1409.1556.
|
| [18] |
SZEGEDY C, LIU W, JIA Y Q, et al.Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C., USA: IEEE Press, 2015: 1-9.
|
| [19] |
SZEGEDY C, VANHOUCKE V, IOFFE S, et al.Rethinking the inception architecture for computer vision[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C., USA: IEEE Press, 2016: 2818-2826.
|
| [20] |
HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al.Deep residual learning for image recognition[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C., USA: IEEE Press, 2016: 770-778.
|
| [21] |
GAO Shanghua, CHENG Mingming, ZHAO Kai, et al.Res2Net: a new multi-scale backbone architecture[EB/OL].[2019-11-02].https://arxiv.org/pdf/1904.01169.pdf.
|
| [22] |
HU J, SHEN L, SAMUEL A, et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(8): 2011-2013. DOI:10.1109/TPAMI.2019.2913372 |