基于TM-DeeplabV3+算法的白细胞图像语义分割
陈静
谢鹏
张亚飞
FELIX Manirankunda
安徽理工大学 电气与信息工程学院,安徽 淮南232001
摘要：针对现有白细胞图像语义分割模型中分割耗时长,以及过分割和欠分割导致分割精度低的问题,提出一种基于TM-DeeplabV3+的白细胞图像语义分割算法.该算法使用MobileNetV3网络替换Xception网络作为M-DeeplabV3+算法的主干特征提取网络,有效减少了语义分割模型的参数量;从源模型中选择预训练模型并进行参数迁移,进而通过迁移学习进行M-DeeplabV3+模型的迭代.在血液计数数据集中将TM-DeeplabV3+模型与DeeplabV3+模型进行对比实验验证,TM-DeeplabV3+模型的mIOU、mPA和分割速度指标分别提升了1.83％、1.45％和49.16帧/s.实验结果表明TM-DeeplabV3+算法明显提升了白细胞图像语义分割的准确性和实时性.
关键词：TM-DeeplabV3+语义分割MobileNetV3迁移学习白细胞
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(51874010)安徽省教育厅自然科学基金(KJ2018A0087)安徽理工大学研究生创新基金资助项目(2021CX2074)
论文发表日期：2022-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 314-319,335 )
英文信息