典型文献
一种改进的U-Net网络用于黑色素瘤病变分割研究
文献摘要：
残差网络(ResNet)和密集连接网络(DenseNet)显著提高了深度卷积神经网络(DCNNs)的训练效率和性能,但二者存在识别连续特征能力不足、模型复杂等缺陷.密集残差(DR-Net)网络将残差网络与密集连接网络的优异处结合起来,模型结构较DenseNet精简,与ResNet相比,额外加入了的跳跃链接.研究将该方法集成到一个编码器-解码器DCNN模型中,用于图像分割.利用ISIC2017挑战测试集,得到训练完成的DRU-Net卷积网络评估指标.结果表明,与基于ResNet、基于DenseNet的方法相比,该研究方法获得了更高的分割精度.
文献关键词：
卷积神经网络;医学图像分割;黑色素瘤;DR-Net;ResNet;DenseNet
中图分类号：
作者姓名：
代楚航;文正洙
作者机构：
延边大学,吉林延吉133002
文献出处：
引用格式：
[1]代楚航;文正洙-.一种改进的U-Net网络用于黑色素瘤病变分割研究)[J].电脑知识与技术,2022(18):1-2,5
A类：
DCNNs
B类：
黑色素瘤,残差网络,ResNet,密集连接网络,DenseNet,深度卷积神经网络,训练效率,密集残差,模型结构,精简,外加,跳跃链,方法集成,编码器,解码器,ISIC2017,测试集,DRU,卷积网络,网络评估,医学图像分割
AB值：
0.324591
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
