来源: 2025, IEEE Access

作者: JINLIANG LIANG

单位: 广州南方学院

一、论文主要工作

现有的图像分割方法往往面临着高精度和计算效率的取舍问题。在这篇论文中，作者提出了一种新的图像分割方法来解决这些挑战。

该方法基于集成多种先进技术的复杂U-Net深度学习结构，通过引入残差连接来缓解梯度消失问题，从而提高训练过程的稳定性和收敛速度。通过引入膨胀卷积来扩展网络的接受范围，使模型能够捕获更多的上下文信息。此外，还集成了注意力机制，从而实现更精确的分割。

该模型采用多尺度特征融合策略，将网络不同层次的特征组合在一起，丰富了特征表示，提高了模型处理不同大小对象的能力。此外，作者还设计了一种新的损失函数，它结合了传统的交叉熵损失和结构相似指数(SSIM)损失。交叉熵损失保证了准确的像素分类，而SSIM损失保持了分割图像的结构完整性和一致性。

二、模型

三、实验结果

四、总结

课题综合对齐思考:

  技术创新—数据拓扑标签计算：这篇研究贡献点在于改进U-Net网络，提高分割的精度和效率，并不存在数据托盘标签计算。

  技术目标—跨域知识结构对齐：这篇研究并不包含明显的跨域知识结构对齐。

  场景功能—食养通：可以用于食物图片的分割。