基于SENet双路径多尺度特征融合的ECT图像重建

摘要：

针对单一神经网络在电容层析成像图像重建过程中难以捕捉复杂、深层电容向量特征的问题,提出一种基于压缩激励网络(squeeze-and-excitation networks,SENet)双路径多尺度特征融合的电容层析成像图像重建算法.构建多尺度密集深度空洞卷积模块,使模型获得更大的局部感受野的同时可以保持较低计算复杂度,并实现多尺度特征融合,以捕获电容向量的多尺度细节特征,增强模型的表征能力;采用残差神经网络解决深层网络提取特征时出现的退化现象,并添加SENet模块重新标定电容特征张量所属通道对应权重,校准特征响应.形成具有双向特征提取能力的双通道多特征融合的混合模型,以更好的拟合电容张量与介电常数之间的非线性映射关系.试验结果表明,BSFF算法相对于Landweber迭代算法、CNN算法等具有更高的图像重建质量,更好的鲁棒性.

关键词：电容层析成像(ECT)、图像重建、多尺度特征融合、残差神经网络

所属期刊栏目：42

分类号：TP391.9(计算技术、计算机技术)

资助基金：国家基金面上项目61871379

在线出版日期：2023-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：180-186