换一批基于残差挤压激励神经网络的材料分解
Dense Sandstone Material Decomposition Based on Improved Convolutional Neural Network
摘要能谱CT能够提供扫描对象的定量信息,实现材料分解.基于神经网络的材料分解方法有效克服了传统迭代算法在分解效果上的局限性,但是在细节特征恢复方面仍存在不足.为了提高材料分解精度并保留图像的细节信息,我们提出一种基于残差挤压激励网络(RS-Net)的材料分解方法.本方法利用U-Net网络的结构,采用Resnet-152作为主干网络提取多尺度特征;利用并行非对称卷积来完成大核卷积,减少网络的参数数量和计算量;在解码器部分引入HD-SE注意力机制帮助网络恢复图像特征;采用混合损失监督网络学习,提高网络的分解精度.在仿真岩石数据集和人造砂岩数据集上验证该方法的可行性,仿真和实际实验结果表明,RS-Net结合混合损失保留更多图像内部细节信息,分解后的图像边缘更为清晰,图像质量更高.
更多相关知识
关键词
能谱CT卷积神经网络材料分解注意力机制spectrum CTconvolutional neural networkmaterial decompositionattention mechanisms
栏目名称
DOI
10.15953/j.ctta.2024.131
发布时间
2025-02-20（万方平台首次上网日期，不代表论文的发表时间）
基金项目
山西省基础研究计划项目（202103021224190）
面向碳封存的煤岩盖层孔隙结构X射线多谱CT多尺度表征方法(202203021222052))（202203021222052）
国家重点研发计划（2023YFE0205800）
山西省留学基金（2023-129）
- 浏览7
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
