-
题名复杂场景下深度表示的SAR船舶目标检测算法
被引量:4
- 1
-
-
作者
袁国文
张彩霞
杨阳
张文生
白江波
-
机构
佛山科学技术学院机电工程与自动化学院
中国科学院自动化研究所
广东省智慧城市基础设施健康监测与评估工程技术研究中心
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第2期289-294,共6页
-
基金
广东省教育厅特色创新项目(2019KTSCX192)
广东省基础与应用基础研究基金粤港澳应用数学中心项目(2020B1515310003)
+2 种基金
佛山核心技术攻关项目(1920001001367)
广东省粮油质量安全大数据工程技术研究中心项目
国家自然科学基金青年基金(61803087)。
-
文摘
雷达图像目标检测是国家海洋军事和经济发展的重点研究领域。与被动成像的光学雷达相比,合成孔径雷达(synthetic aperture radar,SAR)由于其高分辨率、全天候、全天时、主动式等特点,成为20世纪以来多国雷达研究的重要组成部分。图像目标检测是雷达图像解译的基础。提出一种复杂场景下深度表示的SAR船舶目标检测算法,针对SAR图像目标检测模型无法专注困难样本以及解决FPN多尺度金字塔融合的问题,提出将Libra R-CNN网络与NAS-FPN特征提取网络相结合。其中Libra R-CNN网络在采样、特征、目标三种水平分别具有先进的IoU平衡采样、平衡特征金字塔、平衡L1损失方法,同时将Libra R-CNN模型中的FPN特征提取网络替换为在COCO数据集中借助神经架构搜索(neural architecture search,NAS)方法形成的7层NAS-FPN网络。模型最终在SAR船舶数据集中进行了对比实验,与原先的NAS-FPN网络相比,组合后的网络平均精度提高了4.4个百分点,证明了模型融合后的有效性。
-
关键词
合成孔径雷达(SAR)图像
目标检测
Libra
R-CNN网络
nas-fpn网络
-
Keywords
synthetic aperture radar(SAR)images
object detection
Libra R-CNN network
nas-fpn network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于SOLOV2改进的实例分割算法研究
- 2
-
-
作者
曾浩文
汪慧兰
赵侃
王桂丽
-
机构
安徽师范大学物理与电子信息学院
-
出处
《计算机技术与发展》
2023年第9期45-51,共7页
-
基金
安徽省自然科学基金(1708085QF133)
安徽师范大学创新基金项目(2018XJJ100)
安徽省智能机器人信息融合与控制工程实验室资助(IFCIR2020004)。
-
文摘
实例分割在图像分类的基础上为每一个物体生成像素级别的分割掩码,是当前计算机视觉领域热门研究课题,也是极具挑战性的任务之一。针对当前算法存在的分割精度和鲁棒性不高等问题,提出了一种改进的SOLOV2算法。首先,以FCN(Fully Convolutional Networks for Semantic Segmentation)算法为整体框架,采用ResNext作为骨干网络,在不增加网络参数量和计算量的前提下可以有效提升网络的精度;其次,采用改进的NAS-FPN(Neural Architecture Search Feature Pyramid Network)作为特征金字塔网络结构,这是一种可以在FPN中进行特征图的搜索和组合结构,使网络可以重新搜索并融合已经提取的特征图,以此来解决网络不能充分感知特征图从而导致网络精度不高的问题;最后,通过调整超参数得到整个分割网络模型。通过在COCO2017数据集上与BDD100K数据集上进行实验分析比较可知,改进的基于SOLOV2实例分割算法精度达到41.8%,在兼顾实时性的同时网络精度提升了2.1%。通过实验证明改进的算法可以适应多种交通场景,可以完成交通场景目标的检测与分割。
-
关键词
实例分割
ResNext
SOLOV2
特征金子塔网络
nas-fpn
-
Keywords
instance segmentation
ResNext
SOLOV2
feature pyramid network
nas-fpn
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名基于改进RetinaNet的白酒瓶盖缺陷检测方法
被引量:1
- 3
-
-
作者
车璇
朱文忠
李韬
胡友鑫
-
机构
四川轻化工大学计算机科学与工程学院
-
出处
《国外电子测量技术》
北大核心
2023年第4期173-180,共8页
-
基金
四川省科技研发重点项目(2019YFG0200)
四川省科技创新(苗子工程)培育项目(2022049)资助。
-
文摘
针对瓶装白酒包装质检存在的检测准确度低,小目标重合度高导致误检漏检的情况,提出一种基于RetinaNet的目标检测优化算法,主要使用白酒瓶盖瑕疵数据集进行检测。方法将网络Backbone替换为Swin Transformer,其包含的窗口注意力机制运算有效提升瓶盖瑕疵检测精度同时降低复杂度节省了计算量。在Neck阶段使用神经架构搜索特征金字塔网络(FPN)代替FPN,利用自动架构搜索选出最佳特征融合层,为后续检测提供更高质量的模型,最后采用Soft-NMS降低检测框置信度保留一定真实框,有效的防止瓶盖瑕疵过近或重叠造成漏检。实验证明,改进算法能够精准的识别出各类瓶盖瑕疵,检测精度在白酒瓶盖瑕疵数据集达到了93.53%,相较于原网络提升了8.02%。
-
关键词
瑕疵检测
RetinaNet
Swin
Transformer
nas-fpn
Soft-NMS
-
Keywords
defect detection
RetinaNet
Swin Transformer
nas-fpn
Soft-NMS
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-