现有的U-Net虽然为遥感图像道路提取提供了较为理想的解决方案，但由于其缺乏对全局信息的关注，模型对于上下文信息的提取能力不足。为了进一步提高道路提取的准确度与完整度，提出一种结合上下文信息与多层特征融合的context＆multilayer features-UNet（CMF-UNet），该模型利用金字塔特征聚合模块融合多层特征，并引入多尺度上下文信息提取模块用于加强上下文信息捕获能力。在Massachusetts Roads和CHN6-CUG两个数据集上进行实验验证，结果表明，所提方法能够有效提升道路分割精度，相较于原U-Net，CMF-UNet在Massachusetts Roads数据集上的召回率、F1 分数和交并比分别提升了5.77个百分点、2.02个百分点和2.62个百分点，在CHN6-CUG数据集上的召回率、F1分数和交并比分别提升6.47个百分点、1.53个百分点和2.04个百分点。

针对现有医学图像分割模型存在着计算复杂度较高、参数量大,难以部署到实时医疗辅助诊断系统中,而现有的轻量化模型存在参数减小后导致分割性能下降等问题,提出了一种基于改进的轻量化U-Net分割模型。该模型由编码器、解码器和跳连接三个主要部分组成。编码器使用了由标准卷积和深度可分离卷积组合形成的多尺度融合模块,在此基础上,为增强神经网络学习能力,引入了瓶颈层结构,使用聚合方法设计出轻量级的跨级部分网络模块作为特征提取器对输入的图像进行特征提取; 在解码器中继续使用了该轻量级模块来进一步优化模型,降低模型的计算复杂度以及减少参数量,同时能够产生更好分割效果; 通过跳连接的方式实现编码器与解码器之间不同分辨率的特征信息融合。在腹部器官CHAOS和胸腔Chest X-ray数据集上进行实验,结果表明,改进型U-Net分割模型的参数量以及计算复杂度都得到了不同程度的降低,在模型参数量仅为1.28M的情况下,DSC分别为87.53%和95.85%,IOU分别为85.25%和92.21%,取得了不弱于其他网络的分割性能。

针对轻量化网络在目标检测中检测精度低的问题，提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性，采用基于轻量化扩充感受野模块（RFB）的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时，针对复杂注意力模块导致计算量大的问题，在主干特征提取网络添加有效通道注意力机制模块（ECA），提高卷积神经网络的性能。实验结果表明，相较于MobileNet，所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点，模型大小分别为50.3 MB和48.5 MB，平均检测速度为34 frame·s^-1。

针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题，提出了一种基于改进U-Net的肺野分割算法。首先，用inception模块代替U-Net编码块中的卷积层，在增加网络宽度的同时捕获更多的图像特征。然后，在编码块与解码块中引入残差网络，提升网络深度的同时保证网络稳定；在编码与解码之间用跳跃连接增强特征的传递和利用，解决编码部分连续下采样中的胸部肺野特征丢失问题。最后，在编码与解码部分结合通道和空间注意力机制对图像特征进行重标定，有效提高了算法的分割精度。实验结果表明，相比其他分割算法，本算法的分割性能更好，在公开Montgomery County数据集上的准确率、召回率、特异性、平均交并比分别为98.90%、97.81%、99.28%、97.17%。

光启云端号平台是用电缆绳索牵引气囊的, 由于空中航拍摄像系统悬挂在气囊下方, 摄取的图像不可避免地含有绳带信息, 这些绳带信息影响图像质量, 所以在场景分析和目标检测中需要剔除。提出一种基于U-net模型的绳带检测算法, 引入深度可分离卷积提高计算速度, 采用一种带权重的交叉熵作为损失函数, 解决类别不均衡带来的收敛不稳定问题, 最终的模型能够用较少的样本在较短的时间内, 快速准确地检测绳带, 利用快速行进修复算法(FMM)对绳带图像进行了修复。实验结果表明: 该算法的mIOU达到62.8%, 得到了较好的去绳结果。