基于深度质量感知和分层特征引导的RGB⁃D显著性检测

现有基于融合的RGB-D显著性物体检测方法在对跨模态特征进行融合时忽视了RGB和深度图两模态特征的差异性,跨模态特征融合不均衡的问题使得模型不能充分利用跨模态互补特征,而低质量深度图也会对模型性能带来损害。提出一种基于深度质量感知和分层特征引导的RGB-D显著性物体检测算法。算法分为两个阶段:深度质量感知阶段和分层特征引导阶段。在第一阶段,利用深度质量感知从现有的主流RGB-D显著性物体检测训练数据集中挖掘高质量深度图,对训练集进行增强,提升低质量深度图的质量,减少噪声数据对模型性能的损害;在第二阶段,利用特征引导网络对RGB图和深度图进行分层自适应权重动态融合,在有效增加融合效率的同时增强跨模态融合的感知能力。在基准数据集NJUD、NLPR、SSD、STEREO和SIP上的实验结果表明,相比于SSF、CDNet、D3Net、DASNet等方法,该算法能够大幅提升深度图质量,其中在NLPR数据集上F-Measure值为0.934,MAE仅为0.020,综合性能优于其他相关SOTA方法,证明了先挖掘高质量深度图再进行跨模态自适应动态融合算法的有效性。

分级特征提取在中子寿命深度校正中的应用

随着油田进入开发中后期,中子寿命测井得到了广泛的应用.针对中子寿命测井曲线存在的深度误差,对两条测量不同地层信息的曲线进行对比校正,利用测井曲线顺序性的特点,对测井曲线进行分级特征提取并进行校正,提出了基于分级特征提取的测井曲线校正的方法.借鉴人工视觉校正的经验,利用曲线段的最大值位置、尖峰数目这两个特征先对曲线段进行分类匹配,然后利用最大值上下厚度比、相对斜率这两个特征进行相似性判断最终实现分级特征提取.实验结果表明该方法能够快速有效的对测井曲线进行校正.

面向RGB-D场景解析的三维空间结构化编码深度网络

有效的RGB-D图像特征提取和准确的3D空间结构化学习是提升RGB-D场景解析结果的关键。目前,全卷积神经网络(FCNN)具有强大的特征提取能力,但是,该网络无法充分地学习3D空间结构化信息。为此,提出了一种新颖的三维空间结构化编码深度网络,内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法。该算法能够比较准确地学习和描述物体所处3D空间的物体分布。通过该深度网络,不仅能够提取包含多层形状和深度信息的分层视觉特征(HVF)和分层深度特征(HDF),而且可以生成包含3D结构化信息的空间关系特征,进而得到融合上述3类特征的混合特征,从而能够更准确地表达RGB-D图像的语义信息。实验结果表明,在NYUDv2和SUNRGBD标准RGB-D数据集上,该深度网络较现有先进的场景解析方法能够显著提升RGB-D场景解析的结果。

融合多元稀疏特征与阶层深度特征的遥感影像目标检测

遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点,本文提出了一种新的目标检测算法,该算法有效融合了多元稀疏特征提取模块(MNB)和阶层深度特征融合模块(HDFB)。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征,随着网络层的堆叠获取更大感受野范围内的稀疏特征,从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征,然后提取特征通过独创的树状融合网络,从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证,实验结果表明:(1)多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%,单张遥感影像的平均检测耗时为3.8毫秒;(2)通过使用多元稀疏特征提取模块,多尺度和外观相似性目标的检测精度得到了提高,与使用Step-wise分支的物体检测结果相比,总体精度提高了5.8%;(3)通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度特征,并为实现局部特征与全局特征在特征图级别的融合提供了一种新的思路,提高了网络对上下文信息的获取能力;(4)重构PANet特征融合网络,以多元稀疏特征提取模块对不同尺度的稀疏特征进行融合,有效提高了PANet结构在遥感影像目标检测任务中的有效性。许多因素深刻影响着算法的最终表现:一方面高质量数据集是更高精度的基础,如图像质量、目标遮挡、目标的类内差异性大等深刻影响着检测器的训练效果;另一方面算法模型参数设置,如对数据集进行聚类分析得到候选框以提高最佳召回率,保证阶层深度特征融合模块的感受野范围覆盖特征图是确保精度的关键。我们得出结论:使用多元稀疏特征提取网络可以提高特征质量,而阶层深度特征融合模块可以融合上下文信息,减少复杂背景噪声的影响,从而在遥感影像的目标检测任务中获得更好的性能。

基于深度分层特征的激光视觉焊缝检测与跟踪系统研究

针对自适应性低的焊缝跟踪系统在实际焊接环境中易受噪声干扰的问题,结合深度卷积神经网络强大的特征表达能力和自学习功能,研究了基于深度分层特征的焊缝检测和跟踪系统,该系统可精确地从噪声污染的时序图像中确定焊缝位置。为彻底解决焊枪依循计算轨迹运动所出现的抖振问题,设计了模糊免疫自适应的智能跟踪控制算法。实验结果显示,在强烈弧光和飞溅的干扰下,传感器测量频率达20Hz,焊缝跟踪精度约为0.2060mm,且焊接过程中焊枪末端运行平稳。该系统能实现焊缝平滑的实时跟踪,抗干扰能力强,焊缝轨迹跟踪准确,能满足焊接应用要求。

基于层级特征融合的单目深度估计算法

MonoDepth2的提出使自监督单目深度估计取得了重大的进展,但该网络在大的无语义区域和边界处预测效果并不理想,主要原因是基础的U-Net框架没有充分利用多尺度特征信息,导致来自于大梯度区域的深度估计较差。针对此问题,本文提出了一个改进的DepthNet,层级特征融合网络(hierarchical integration net,HINet)。优化了U-Net网络结构,使编码器端在每一层都能产生不同尺度的特征信息,从而让解码器端在每一层都能够充分融合多尺度特征。由于不同尺度的特征信息对于特定的解码器层都有不同程度的贡献,本文提出的层级特征融合算法还增加了通道注意力模块,提升重要特征尺度的权重。当采用立体图像对进行训练时,本文对数据进行了预处理,并增加了立体对的深度暗示损失函数。在KITTI数据集上的实验结果表明,所有指标均获得了不同程度的提升,其中绝对相对误差减少了0.09,平方相对误差减少了0.093。