基于残差自注意力连接的深度电学层析成像方法
针对电学层析重建(ET)的"软场"特性和逆问题求解的病态性所造成的边界伪影和空间分辨率低的问题,本文提出一种基于迭代展开的预重建模块和改进的注意力深度U形卷积神经网络(CNN)的深度成像方法.其中,预重建模块是由牛顿—拉夫逊迭代算法得到的 4 层反卷积神经网络;深度U形CNN模块中,在特征提取和重建模块中加入残差连接,用于缓解深度CNN模型中的梯度消失问题,同时引入自注意力跳跃连接实现对全局特征和局部特征的抽象融合,使模型更好地表达图像重建问题的非线性特征.重建结果表明空间分辨率高,内含物边界清晰,重建相对误差为 0.10,相关系数为 0.93,说明本方法可以有效改善ET图像的质量,为无损测量与检测可视化提出了一种可靠方法.
电学层析成像、预重建模块、深度卷积神经网络、残差连接、自注意力机制、深度学习
44
R318;TH701(医用一般科学)
国家自然科学基金61301246
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共14页
288-301