油页岩是一种含有固态干酪根的细粒沉积岩[1-2]。在隔绝氧气的环境下加热油页岩可以使油页岩中的固态干酪根发生热解反应生成页岩油和气[3]。油页岩在受热时会发生热破裂,油页岩内部的有机质会发生热解并形成孔隙。油页岩内部的孔隙和裂隙是油气运移的通道,因此,对油页岩有机质和孔裂隙分布和演化特征的研究具有十分重要的意义[4]。
大部分研究者基于CT数字岩芯利用传统的二值化分割方法研究油页岩孔裂隙的演化特征[5]。赵静等[6]利用CT扫描研究分析了不同温度下油页岩样内部孔裂隙的演化特征,RABBANI et al[7]通过CT扫描研究了油页岩的孔隙变化特征。但很少有人针对油页岩有机质的分布和随温度的演化特征进行研究。HUANG et al[8]结合热重分析研究了不同蒸汽温度热解后油页岩内部的有机质残留量和分布情况以及热解产物孔隙裂隙分布情况。该研究在一定程度上分割了有机质与孔裂隙,但通过灰度差异进行图像分割,总体上存在如下缺点:1) 分割过程繁琐复杂,耗时较长,效率较低,在整张CT图片上盲目遍历和密集推理会浪费计算资源和时间;2) 有机质和孔裂隙灰度值的高度相似性,容易导致有机质与孔裂隙灰度值重合部分被误分割为有机质区域,存在边界值分割模糊问题。在高精度的显微CT扫描图像中,油页岩内部能够观察到较大的有机质空间分布。但较小的孔隙裂隙的灰度值会随不同温度的热解条件而变化,由于有机质和孔裂隙灰度值相近,在一定温度下会和有机质的灰度值接近或重合。如果只通过CT灰度图的灰度值大小获得有机质的分布情况和体积百分数会出现较大的误差,因此,在不同热解温度下,精准识别分割有机质和孔裂隙边界值是一个亟待解决的问题。
王云艳等[9]提出一种改进型DeepLabV3图像语义分割算法,解决了下采样特征细节信息丢失导致图像边缘分割有偏差的问题。刘帅等[10]基于CT实验提出了一种改进的UNet++模型算法用于图像分割。这些方法提高了图像分割的准确性,并在一定程度上解决了边界值模糊不清的问题,这为油页岩CT图像有机质的分割提供了新的思路。
本文基于深度学习的油页岩CT图像有机质识别分割方法,建立了基于Unet的用于识别油页岩CT数字岩芯中有机质的OM-Unet方法,对油页岩样品在8个温度高温热解下的油页岩CT图像有机质进行语义分割图像处理,再运用蒙版阈值分割方法进一步去除有机质中已经热解为孔裂隙的区域,从而实现有机质和孔隙的语义分割,便于后续观察同一样品在不同温度下油页岩有机质的迁移情况。
1 油页岩CT图像有机质语义分割流程
油页岩CT图像有机质分割流程如图1所示。其油页岩CT图像有机质分割包括以下步骤:①数据采集,在不同温度下热解油页岩岩芯样品并进行CT扫描,之后选取部分扫描图像作为数据集;②数据集预处理,包括对样品CT图像进行图像增强、格式转换、等大小裁剪等操作,之后通过labelme工具标记有机质生成Json文件并转换为掩膜图像;③将数据集划分为训练集、验证集和测试集;④搭建OM-Unet模型并将训练集输入模型训练模型;⑤将验证集输入模型进行验证,若达到较高精度,则选择模型中分割效果最优权重,保存最终模型并预测分割结果,反之则继续训练模型;⑥将测试集输入验证过的模型中,获得分割结果并评估分割效果的精准度;⑦通过蒙版阈值分割方法进一步去除有机质中已经热解为孔裂隙的区域。
图1 油页岩CT图像有机质分割流程
Fig.1 Organic matter segmentation process of oil shale CT image
2 构建油页岩CT图像数据集
2.1 数据集构建
取采自新疆巴里坤的圆柱形油页岩样品3个,2个用于热解实验,1个用于对比参照进行验证,如图2所示。利用油页岩高温蒸汽热解实验系统将试件加热到设定温度并保持一定时间,即选取8个温度点(25 ℃、200 ℃、300 ℃、350 ℃、400 ℃、450 ℃、500 ℃、550 ℃)对同一试件依次加热,之后采用NanoVoxel-3000高分辨X射线三维CT检测系统对不同蒸汽温度热解后的油页岩样品进行CT扫描,获得油页岩CT图像。由于本文的油页岩有机质CT图像像素分辨率高,能够真实清晰反映油页岩内部有机质聚集团的分布情况,从而保证了最终的预测模型具有准确性以及良好的鲁棒性。每个温度点均获得1 500张CT图像,共获得45 000张CT图像。从2个用于热解实验的油页岩样品的CT图像的不同加热蒸汽温度下各选取100张,共2 000张CT图像全部作为油页岩CT图像的初始数据集用于训练模型,以避免模型的过拟合现象,减少噪声的影响。
图2 圆柱形油页岩样品
Fig.2 Cylindrical oil shale sample
2.2 数据集预处理及数据集标注
由于油页岩CT图像灰度图过暗,无法直接使用labelme工具对其进行手工标注,因此,首先使用对数调整函数和强度调整函数对数据集进行图像增强操作并将其tif格式批量转换成jpg格式,之后进行等大小裁剪操作。为了便于手工标记,将1 500×1 500大小的CT图像等大小裁剪成4块,即每块CT图像大小为750×750,最后再使用labelme工具进行标记,生成Json文件并转换为掩膜图像,其过程如图3所示。其中,油页岩有机质聚集团区域的像素的标签颜色标记为红色,背景区域以及孔裂隙区域皆标记为黑色。
图3 对加热300 ℃下的油页岩有机质CT图像进行预处理及标注
Fig.3 CT image preprocessing and labeling of oil shale organic matter heated at 300 ℃
2.3 划分数据集
将经过预处理的数据集进行labelme标注并按照不同温度分组,最后将其按照8∶1∶1划分为训练集、验证集和测试集,将训练集输入OM-Unet模型,增强边界信息的特征提取。测试集用于评价训练模型的泛化能力,验证集用于评估训练模型的效果,便于后续对模型调参,选择出效果最好的模型。
3 构建OM-Unet模型
3.1 Unet神经网络
Unet神经网络是一个有影响力的最初用于微观的生物医学领域的图像分割网络[11]。由于Unet网络可以从较少数据集、小物体和多目标中学习相关特征,而油页岩CT图像细观分析中仅需考虑有机质、孔裂隙以及固体基质的分布特征,因此本文基于Unet[12]网络并对其改进,分割油页岩有机质和孔裂隙。UNet模型采用端到端对称结构,使网络能够检索浅层信息,左侧为收缩路径(编码器模块),右侧为扩展路径(解码器模块),编码器通常是一个预训练的分类网络,解码器的任务是将编码器学习到的较低分辨率从语义上投影到较高分辨率像素空间,以获得密集分类。UNet简单地将编码器的特征图拼接至每个阶段解码器的上采样特征图,从而形成一个梯形结构。如图4所示在收缩路径中,卷积块由3×3卷积组成卷积层,ReLU函数,以及批次标准化(BN)执行4次,信道数分别为64、128、256和512.此外,对特征图进行了2×2最大池化运算,使图像的大小变为原始图像的1/256.相应地,在扩展路径中,上采样采用转置卷积,由2×2上采样操作和2×2卷积组成的2×2上卷积操作重复4次。在每一层实现扩展路径和收缩路径之间的跳跃连接,复制收缩路径生成的特征,并帮助网络检索因池化操作而丢失的空间信息。通过跳跃连接的架构,在每个阶段都允许解码器学习在编码器池化中丢失的相关特征。此外,还进行了两次3×3卷积运算,通过网络的最后一层全连接层1×1卷积和激活函数得出分割结果。图4是一个典型的UNet框架[13]。
图4 典型的UNet框架
Fig.4 Typical UNet framework
Unet的编解码器架构中的池化操作和带步长的卷积容易产生相当大的细粒度信息丢失,缺乏全局多尺度特征交互,容易造成空间信息的丢失。对于有机质与孔裂隙的分割,应用Unet编解码器架构很容易导致有机质边缘特征的缺失,以及对有机质与孔裂隙混淆区域的错误检测。因此,为了解决以上问题,需要花费成本在编码器上避免分辨率下降,或者在解码器中使用不同的机制,恢复在编码器中降低分辨率时丢失的信息。
3.2 空洞卷积模块
空洞卷积(dilated convolution,DC)也可称之为扩张卷积,其具体操作为在卷积核中插入空洞,扩大感受野[14]。假设空洞卷积扩张率为a,原始卷积核大小为k,由于空洞卷积在常规卷积核中填充0,则空洞卷积核的大小K的计算如下:
K=k+(k-1)(a-1).
(1)
其中,a=1的常规卷积与a=2的空洞卷积的具体示意图如图5所示。
图5 常规卷积与空洞卷积的具体示意图
Fig.5 Specific schematic diagram of conventional convolution and dilated convolution
针对油页岩有机质的特点,本文在Unet神经网络的编码器中加入了混合空洞卷积[15],设置3×3的卷积核,扩张率为1、2、4,则感受野分别为3×3、7×7、15×15,扩大感受野的同时避免了分辨率下降,填充0不增加额外的参数降低了计算量,叠加多个不同扩张率的空洞卷积获取了多尺度上下文信息,提高了膨胀率,且保持了像素的相对空间位置不变。
3.3 轻量化自适应特征融合模块LAFF
为了提升模型性能并减少计算复杂度,在模型解码器上采样的位置,使用了轻量化自适应特征融合模块(lightweight attentional feature fusion,LAFF).HU et al[16]在混合域注意机制的基础上[17]提出了一种轻量级的自适应特征融合模块LAFF,可将其应用于编码器结构网络。当解码器从编码器学习到新一级的分辨率特征图时,采用LAFF来过滤基于特征图的空间域和通道域的基本特征。LAFF使用简化的结构和大的卷积膨胀率在图像中执行轻量级和远程语义建模,依次进行通道轴特征重构和空间轴特征重构,促进网络关注关键特征,抑制不必要特征。
首先,进行通道轴特征重构。输入特征映射F∈RH×W×C沿通道轴重建以进行特征表示,如图6(a)中所示,其过程如下:
图6 轻量化和自适应特征融合模型的体系结构
Fig.6 Architecture of lightweight and adaptive feature fusion model
FC=σ(conv(kc,dc)⊙GAP(F)⊗F) .
(2)
式中:conv(kc,dc)指内核大小和膨胀率的卷积;⊙表示卷积核对特征映射的滤波器响应;⊗是哈达马积;σ是非线性激活函数Sigmoid函数;FC∈RH×W×C是重建的通道轴特征。
其次,将重建的通道轴特征FC进行空间轴特征重构。在上采样之前,将FC再次沿空间轴重建,从而进行空间特征重建Fs∈RH×W×C,如图6(b)所示,其过程如下式:
FS=σ(conv(kS,dS)⊙[GAP(FC),
GMP(FC)])⊗F.
(3)
经过通道轴特征重构和空间轴特征重构,LAFF的注意力权重可选择较少的特征,但检索性能大部分保持不变。因此,LAFF可以在加强特征提取网络的上采样前自适应地对融合后的特征图进行特征映射质量的重新标定。
3.4 有机质分割OM-Unet模型
本文构造的OM-Unet模型总体架构如图7所示。
图7 OM-Unet模型总体架构
Fig.7 Overall architecture of OM-Unet model
本文在传统Unet模型的下采样中引入混合空洞卷积模块(HDC),同时整合由粗到精(CTF)的部署策略[18]和轻量化自适应特征融合模块LAFF.轻量级自适应特征融合结构(LAFF),用于重建有意义的有机质特征。CTF策略首先对经过LAFF融合的特征图进行预处理,确定特征图中是否有有机质像素。其次,如果将特征图的预测结果判断为全有机质或无有机质类别,则直接输出相应特征图的预测效果。否则,特征图将被送入OM-Unet模型的解码器进行精细分割。CTF策略减少了OM-Unet模型在全有机质或有机质几乎裂解完全时的区域的推理时间以及计算资源开销。这些新颖的模块增强了区分有机质与孔裂隙重合部分以及边界处的能力,保证神经网络不仅能适应油页岩CT图像中有机质在不同蒸汽温度下发生裂解的不同形态变化,还能获得较高的有机质边缘分割准确性。
4 OM-Unet模型的训练与分析
4.1 训练模型、测试模型并验证模型
本文使用的VOC格式的训练图像文件包括两部分,一部分是原图(RGB图像),如图8(a)所示,一部分是标签图(灰度图),如图8(b)所示。本文语义分割网络的实验在一台带有单一NVIDIA QuaDroP6000显卡的计算机上进行。用python 3.6和pytorch 1.2.0实现OM-Unet模型,选择交叉熵函数作为损失函数,训练批次epoch为100,batch_size大小设置为2.将处理好的训练集输入OM-Unet模型,通过训练获得可用于预测的OM-Unet模型,可明显观察到模型的Loss值逐渐收敛,证明模型训练正确。选择训练集中Loss值最低的网络参数作为最佳模型参数,保存模型权重以便进行后续预测分割。
图8 训练图像文件
Fig.8 Training image file
将油页岩不同温度下的电镜图像(每个温度下各25张)加入测试集后测试模型,将得到的油页岩CT图像有机质和油页岩电镜图像有机质的分割效果图进行对比,如图9所示。由图可知,本文模型不仅可以有效分割油页岩CT图像有机质,对于分割像素尺寸较大的油页岩电镜图像有机质时也有一定的准确性。
图9 油页岩CT图像有机质和油页岩电镜
图像有机质的分割效果对比图
Fig.9 Comparison of segmentation effect between organic matter of oil shale CT image and organic matter of oil shale electron microscope image
为了验证模型对油页岩有机质和孔裂隙的分割能力,在前期数据集划分的验证集上,将对比参照的样品的CT图像中的100张扩充到验证集中,验证集中包括2个加热样品的所有加热蒸汽温度下的CT图像,有肉眼清晰可见的油页岩有机质和孔裂隙。原始油页岩CT图像如图10(a)所示,其细节展示区如图10(b)所示。在验证集中,对所有CT图像中的所有有机质进行了注释。首先,使用labelme标记工具对每个CT图像中的有机质像素进行注释,生成与原始图像大小相同的像素级有机质蒙版,如图10(c)所示。其次,将原始图像分成方形块(边长大于一个像素),得到的方形块称为超像素块。然后,根据每个超级像素块中存在的有机质量,将块分为三类:无有机质、部分有机质与孔裂隙重叠和全有机质覆盖。因此,可以获得比原始图像小得多的有机质示意图,如图10(d)所示。最后,验证集中原有的所有原始CT图像及其对应的超像素级有机质和像素级标签构成了新的验证集。将验证集输入训练好的训练模型,得出验证分割结果。
图10 原始CT图像及其对应的有机质超像素块和像素级标签
Fig.10 Original CT image and its corresponding organic matter super pixel block and pixel level label
验证分割结果如图11所示,经过不同温度下CT图像对比,油页岩在25 ℃的CT图像中,油页岩内部分布着大量扁平状的油页岩有机质聚集团,300 ℃的高温蒸汽加热后的CT图像中依旧观察不到有机质的明显变化,而在400 ℃的高温蒸汽加热后的CT图像中可以观察到油页岩有机质聚集团内部出现了少量空洞,500 ℃的高温蒸汽加热后的CT图像中原先有机质聚集团的位置出现了大量空洞,表明有机质已经发生了大量热解,550 ℃的高温蒸汽加热后的CT图像中仅能观察到极少量的有机质。这与文献[7]中通过热重实验发现的油页岩有机质热解快速热解温度区间基本一致,验证了模型的可行性和有效性。
图11 不同温度蒸汽加热后油页岩有机质分布特征
Fig.11 Distribution characteristics of organic matter in oil shale after steam heating at different temperatures
4.2 蒙版阈值分割处理
由于加热条件下的CT图像中有机质聚集团内部逐渐发生裂解生成空洞,而这些空洞人工很难手工标记,因此,经过OM-Unet模型训练后,需要对预测图像进行预测后处理。
具体步骤是首先对分割结果图像进行背景选择,将其除了有机质以外的所有孔裂隙变为白色,之后在RGB颜色空间中定义一个边界值列表,该列表的上下限通过分割图的有机质具体像素值决定,之后执行颜色检测,利用掩膜对有机质进行“与”操作创建输出图像,将有机质中热解为孔裂隙的区域去除,进行蒙版阈值分割处理。同时将图像转为灰度图,用于后续对油页岩岩芯进行三维重建。
其过程如图12所示,图12(a)为预测图像,图12(b)为预测后处理图像,图12(c)为所选区域原始图像的局部对应图,图12(d)为所选区域预测图像的局部对应图,图12(e)为所选区域预测后处理图像的局部对应图。从图12中可以明显看出,经过预测后处理,有机质聚集团中裂解为空洞的区域已被去除。
图12 蒙版阈值分割处理
Fig.12 Mask threshold segmentation
4.3 模型评价分析
本文针对所有类别使用深度学习网络评价指标平均交并比(mean intersection over union,MIoU),类别平均像素准确率(mean pixel accuracy,MPA),从精度上对模型进行评价,IoU表示油页岩CT图像的有机质真实掩码和预测掩码的交叠程度,计算出所有类别的IoU后求平均值即可得到MIoU.
本文中分类器的预测结果分为TP(true positive)、TN(true negitive)、FP(false positive)、FN(false negative)4种。如图13所示,A为真实值,B为预测样本,则TP为正样本预测为正样本,TN为负样本预测为负样本,FP为负样本预测为正样本,FN为正样本预测为负样本。其具体关系式如下:TP=A∩B,FP=B-(A∩B),FN=A-(A∩B),TN=～(A∪B).上述评价指标的具体计算公式如式(4)-式(7):
图13 分类器预测结果
Fig.13 Classifier prediction results
式中:i为类别,N为类别总数。
式中:i为类别,N为类别总数。
将其评价指标可视化,OM-Unet模型在验证集上的MIoU计算结果如图14所示,MIoU值为80.66%,MPA值为89.16%.评价指标决定本文的OM-Unet模型能否有效分割油页岩有机质,代表模型的精准度MIoU值为80.66%证明了本文模型的精准度[19]。
图14 评价指标MIoU、MPA的可视化图
Fig.14 Visualization of evaluation indicators MIoU and MPA
4.4 与其他模型对比分析
在相同数据集,相同实验环境,相同参数条件下,比较OM-Unet模型网络和三相分割方法[7]、Unet、CBAM-Unet[20]、DeepLabV3[21]、HDC-Unet(在Unet基础上加入HDC)、LAFF-Unet(在Unet基础上加入LAFF)等方法对油页岩有机质的分割效果。分割评价指标MIoU、MPA以及推理时间对比如表1所示,分割结果如图15所示。
表1 三相分割法、Unet、CBAM-Unet、DeepLabV3、OM-Unet的评价指标对比表
Table 1 Comparison of evaluation indicators of ternary segmentation methods, Unet, CBAM Unet, DeepLabV3, and OM Unet
评价指标三相分割方法UnetCBAM-UnetDeepLabV3HDC-UnetLAFF-UnetOM-UnetMIoU/%72.6562.9871.1678.1277.8371.5380.66MPA/%76.3168.5473.3480.3579.6173.8289.16推理时间(s/张)3.159 61.368 70.625 70.522 40.519 60.618 90.503 6
图15 三相分割方法,Unet,CBAM-Unet,DeepLabV3,HDC-Unet,LAFF-Unet和OM-Unet的分割结果图
Fig.15 Three phase segmentation methods, Unet, CBAM-Unet, DeepLabV3, HDC-Unet, LAFF-Unet and OM-Unet segmentation results
从表1可以看出,本文OM-Unet模型的MIoU为80.66%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet、LAFF-Unet模型分别增加了8.01%、17.68%、9.50%、2.54%、2.83%、9.13%.本文OM-Unet模型的MPA为89.16%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet、LAFF-Unet模型分别增加了12.85%、20.62%、15.82%、8.81%、9.55%、15.34%.OM-Unet模型的MIoU和MPA均为最高,Unet模型表现最差,MIoU和MPA的值均为最低,实验中使用的其他模型的性能优于Unet但是低于OM-Unet模型。同时本文方法对单张图片进行分割的推理时间小于其他几种方法。因此,本文方法对油页岩有机质CT图像具有一定的快速分割能力。
图15为各种分割方法的有机质分割结果对比,我们可以观察到三相分割法能够分割大部分有机质,但未完全识别边缘重叠区域,会误分割孔裂隙与有机质裂解后的连通区域,且耗时较长;Unet过分割重叠部分且无法识别微小有机质聚集团,存在分割结果的噪声;CBAM-Unet能够较为精准识别重叠部分但会把有些裂隙与有机质聚集团相连的连通区域误识别为有机质;DeepLabV3对较大的有机质团的细节特征有较好的识别精度,优于前面的方法,但分割后的图像轮廓不一致,边缘特征提取不够准确,存在一些错误的分割。相比较而言,本文的OM-Unet对于较大的、微小的以及与孔裂隙相连的有机质聚集团都有较好的识别精度,能够区分边缘重叠区域,且能够较为精准地排除孔裂隙。因此,本文提出的方法参数少,效率高,且有相对较高的精度,可以避免低层错误,以最小的噪声产生油页岩有机质的分割结果。
5 结论
本文提出的OM-Unet分割方法,实现了对油页岩CT图像有机质的高精度和高效率的快速分割识别,主要结论如下:
1) 本文的OM-Unet模型具有较高的准确性和推理速度。本文OM-Unet模型的 MIoU值和MPA值分别为80.66%和89.16%,均高于其他方法且有效地提升了油页岩CT图像有机质的分割精度。在分割耗时上,本文模型算法处理单张CT图像仅用时0.503 6 s,这大大提升了分割效率,可以满足将来移动设备分割油页岩有机质对于图像处理速度的要求。
2) 相较于其他语义分割模型,本模型对油页岩有机质边缘细节的语义分割更加精准,还能够有效识别微小有机质。油页岩块中的微小有机质含量较高,为提高油页岩整体含油量计算精度提供了更好的数据支撑,为分析有机质的体积百分比和有机质团的数量随温度或者热解条件的变化以及孔裂隙渗流通道的演化规律提供了更优良的手段。
[1] SUN Y H,BAI F T,LIU B C,et al.Characterization of the oil shale products derived via topochemical reaction method[J].Fuel,2014,115(1):338-346.
[2] KANG Z Q,ZHAO Y S,YANG D.Review of oil shale in-situ conversion technology[J].Applied Energy,2020,269:115121.
[3] DYNI J R.Geology and resources of some world oil-shale deposits[J].Oil Shale,2006,20(3):193-252.
[4] 赵阳升,冯增朝,杨栋,等.对流加热油页岩开采油气的方法:200510012473.4[P].2005-10-05.
[5] 康志勤,王玮,赵阳升,等.基于显微CT技术的不同温度下油页岩孔隙结构三维逾渗规律研究[J].岩石力学与工程学报,2014,33:1837-42.
KANG Z Q,WANG W,ZHAO Y S,et al.Three-dimensional percolation mechanism in oil shale under different temperatures based on micro-CT[J].Journal of Rock Mechanics and Engineering,2014,33:1837-42.
[6] 赵静,冯增朝,杨栋,等.基于三维CT图像的油页岩热解及内部结构变化特征分析[J].岩石力学与工程学报,2014,33(1):112-117.
ZHAO J,FENG Z C,YANG D,et al.Study of pyrolysis and internal structural variation of oil shale based on 3d CT images[J].Journal of Rock Mechanics and Engineering,2014,33(1):112-117.
[7] RABBANI A,BAYCHEV T,AYATOLLAHI S,et al.Evolution of pore-scale morphology of oil shale during pyrolysis:a quantitative analysis[J].Transport in Porous Media,2017,119(1):143-162.
[8] HUANG X D,YANG D,KANG Z Q.Three-phase segmentation method for organic matter recognition in source rocks via ct images:a case study on oil shale pyrolyzed by steam[J].Energy &Fuels,2021(12):35.
[9] 王云艳,王重阳,武华轩,等.基于改进型Deeplabv3的城市道路图像语义分割[J].计算机仿真,2022,39(10):148-152,158.
WANG Y Y,WANG C Y,WU H X,et al.Image semantic segmentation based on improved deeplabV3[J].Computer Simulation,2022,39(10):148-152,158.
[10] 刘帅,葛浙东,刘晓彤,等.改进UNet++的杉木CT图像年轮分割[J/OL].计算机工程与应用,2023:1-11[2023-06-13].http:∥kns.cnki.net/kcms/detail/11.2127.tp.20230313.1603.020.html
LIU S,GE Z D,LIU X T,et al.Improved Unet++for tree rings segmentation of Chinese fir CT images[J/OL].Computer Engineering and Applications,2023:1-11[2023-06-13].http:∥kns.cnki.net/kcms/detail/11.2127.tp.20230313.1603.020.html.
[11] WENG W H,ZHU X.INet:Convolutional networks for biomedical image segmentation[J].IEEE ACCESS,2021,9:16591-16603.
[12] RONNEBERGER O,FISCHER P,BROX T.U-Net:convolutional networks for biomedical image segmentation[J].International Conference on Medical Image Computing and Computer-Assisted Intervention,2015:234-241.
[13] CHEN J D,CHEN W R,ZEB A,et al.Segmentation of medical images using an attention embedded lightweight network[J].Engineering Applications of Artificial Intelligence,2022,116:105416.
[14] 林娜,张小青,王岚,等.空洞卷积U-Net的遥感影像道路提取方法[J].测绘科学,2021,46(9):109-114,156.
LIN N,ZHANG X Q,WANG L,et al.Road extraction from remote sensing images based on dilated convolutions U-Net[J].Survey and Mapping Science,2021,46(9):109-114,156.
[15] 钟志峰,何佳伟,侯瑞洁,等.改进UNet的轻量化道路图像语义分割算法[J].现代电子技术,2022,45(19):71-76.
ZHONG Z F,HE J W,HOU R J,et al.Lightweight road image semantic segmentation algorithm based on improved UNet[J].Modern Electronics Technology,2022,45(19):71-76.
[16] HU F,CHEN A Z,WANG Z Y,et al.Lightweight attentional feature fusion:a new baseline for text-to-video retrieval[C].Computer Vision-ECCV 2022:17th European Conference.Cham:Springer Nature Switzerland,2022:444-461.
[17] WOO S,PARK J,LEE J,et al.CBAM:Convolutional block attention module[C]∥Proceedings of the European conference on computer vision (ECCV),2018:3-19.
[18] ZHANG G B,GAO X J,YANG J H,et al.A multi-task driven and reconfigurable network for cloud detection in cloud-snow coexistence regions from very-high-resolution remote sensing images[J].International Journal of Applied Earth Observation and Geoinformation,2022,114:103070.
[19] 肖成勇,李擎,王莉,等.基于CBAM-Unet的铁矿球团边缘分割实验方法[J].烧结球团,2022,47(2):8-15,23.
XIAO C Y,LI Q,WANG L,et al.Edge segmentation experimental method of iron ore pellets based on CBAM-Unet[J].Sintered Pellets,2022,47(2):8-15,23.
[20] CHEN L,ZHU Y,PAPANDREOU G,et al.Encoder-decoder with atrous separable convolution for semantic image segmentation[C].Computer Vision-ECCV,2018:833-851.