雨天车辆检测的两阶段渐进式图像去雨算法

为了提升雨天车辆检测的精度,解决智能网联汽车的车辆检测系统受雨纹干扰导致精度衰退的问题,提出一种雨天车辆检测的两阶段渐进式图像去雨算法。该算法搭建了以轻量级特征提取与加权模块、高效率特征传递与融合模块为核心的两阶段渐进式去雨网络,实现了对雨纹信息的挖掘与捕获,完成了雨纹的精准去除。为了验证所提算法的有效性,融入基准车辆检测器YOLOv5,对输入YOLOv5的去雨图像进行检测。同时根据智能网联汽车的工作环境构建了混合车辆数据集。在该数据集上的结果表明:雨天交通场景下,相比其他算法,所提去雨算法对基准车辆检测器YOLOv5的精确率、召回率、mAP@0.5的增益分别为3.0个百分点、8.9个百分点、7.6个百分点,证明所提去雨算法能够显著提升对雨天车辆的检测精度,可应用于实际场景。

一种基于深度学习的两阶段图像去雨网络

为了提升雨天条件下图像成像质量,文中提出了一种兼具位置感知和密度感知的两阶段深度学习去雨网络。在第一阶段,通过多尺度渐近注意子网络来定位不同雨条纹的分布;第二阶段在前一阶段生成的注意力图的引导下,通过多尺度残差子网络将这些特征组合在一起。这两个阶段的子网络共同作用,从而较好地完成了对不同雨条纹的联合检测和去除过程。实验结果表明,提出的方法在合成数据集和真实图像上都能表现出较其他算法更优的去雨性能。

基于CTA图像的两阶段U-Net冠状动脉分割

基于CT血管造影(computed tomography angiography,CTA)图像的冠状动脉自动分割的挑战在于冠状动脉结构复杂、前背景分布严重不平衡,分割时易受冠状静脉和其他组织的干扰.提出了一种两阶段的冠状动脉分割算法,第一阶段采用具有密集特征提取和残差特征修正能力的3D DRU-Net进行分割,保证分割的召回率;在第二阶段提出2D双编码多特征融合U-Net(2D DEMFU-Net)进行细分割,先对原始图像和第一阶段分割结果分别进行特征提取,再采用密集跳跃连接融合两个分支上的多层次语义特征,进一步提高分割准确性.实验结果表明,提出的两阶段分割算法在CortArt2020数据集上的Dice相似系数、召回率和精确度分别优于3D U-Net网络3.83%,5.31%和2.23%.

基于Faster R-CNN的变电站指针式仪表识别技术研究

针对变电站仪表读数准确性差和效率低的问题,提出了一种基于Faster R-CNN的目标检测算法和EmguCV图像处理库结合的方法。首先引入了Faster R-CNN两阶段目标检测算法,对仪表盘进行检测识别和提取。其次,采用随机采样圆检测进行圆形表盘定位,使用Laplace算子处理图像提取主刻度线并结合环向模板匹配法进行仪表指针定位。最后,通过指针偏移角度来计算最终示数。通过仿真实验表明:提出的方法对仪表的识别率达到了99.38%,自动读数系统平均误差小于0.2%,对每张图片的处理时间约为35 ms。

一种基于稀疏表示的快速人脸识别方法

两阶段算法是指第一阶段用一个分类算法,选取距离测试样本近的M类训练样本,第二阶段再用这M类训练样本作为新的训练样本集进行识别。为了加快识别速度,提出一种全新的快速选取M类训练样本的算法。首先,利用k均值聚类算法对训练样本进行处理,把训练样本之间比较近的样本聚合成一个大类,对于一个新的测试样本,只需要计算各大类聚类中心间的距离,选取距离近的若干个大类,每个大类包含若干个原始训练样本的类别,将这些类别的所有训练样本组合起来,构成新的训练样本集,最后利用新的训练样本集,进行第二阶段的识别。在不同的人脸数据库上进行实验验证,结果表明本文算法在识别率略有提高的基础上,可以达到更快的识别速度。