基于区域候选网络的矢量线要素自动化简方法

针对现有矢量线要素化简算法智能化程度不高的问题,本文提出了一种基于区域候选网络的矢量线要素自动化简方法。首先利用深度可分离卷积神经网络实现矢量线要素栅格化后的卷积特征提取;然后结合线要素的坐标信息改进区域候选网络中候选框的生成方式,以实现候选框与可能的弯曲组合的对应;最后在统一线要素弯曲特征图大小的基础上,根据候选框对应的卷积特征进行二分类判断,完成弯曲单元的自动识别,并通过删除弯曲单元实现线化简。本文在海岸线数据集上进行了模型的训练和测试,并通过不同栅格化参数、不同骨干网络、跨尺度化简,以及不同类型线要素化简等对比试验验证了模型的有效性。试验结果表明,本文方法能够自动学习已有线化简案例中的化简知识,并充分利用线要素的矢量特征及栅格特征,自动完成线要素弯曲特征的准确定位,最终实现可端到端训练的矢量线要素自动化简。

基于改进区域候选网络的场景文本检测

自然场景中的文本图像具有十分复杂多变的特征,使用区域候选网络(Region Proposal Network,RPN)提取文本矩形位置候选框是不可或缺的一个步骤,能够极大地提升文本检测的精度。然而最近的研究表明,通过最小化平滑的L1损失函数来回归矩形候选框中心点、宽和高的方式容易产生边界信息缺失、回归不准确等问题。针对这一问题,提出了一种基于改进区域候选网络的场景文本检测模型。首先,使用残差网络和特征金字塔网络组成的骨干网络生成共享特征图。然后,使用改进的回归取点方式和基于顶点的VIOU损失函数(Vertex-IOU)在共享特征图上生成系列文本矩形候选框。接着,使用ROI Align将这些候选框转化为固定大小的特征图在全连接层进行边界框预测。最后,在ICDAR2015数据集上进行对比实验,结果表明,与其他模型相比,所提模型可以提升检测精度,证明了所提模型的有效性。

基于改进区域候选网络的航拍图像中绝缘子目标识别方法

对航拍图像进行自动判别是无人机巡线后期的主要工作。为此提出一种改进的RPN(区域候选网络),以提高航拍图像中绝缘子目标的检测准确率。在绝缘子样本不完备的情况下,通过截取、旋转、镜像以及人工合成等方法对绝缘子训练样本进行扩充和完善;对人工标注的绝缘子样本的标注框进行聚类统计,获得标注框的宽高比分布情况,用于锚点框尺寸的初始化;对特征提取网络VGG16进行逐层分析,融合其中第二、三、五层的特征图,用于绝缘子目标识别;更改损失函数,实现动态调整正负样本的比例,从而解决训练过程中正负样本不均衡的问题。实验结果表明,改进后的RPN能够更有效地检测出航拍图像中的绝缘子目标,显著提高了检测的准确性。

基于孪生区域候选网络的目标跟踪模型

为了解决被跟踪目标因尺度、形状变化导致的跟踪效果变差的问题,本文提出一种基于孪生区域候选网络的目标跟踪模型,对孪生区域候选网络(SiamRPN)优化,升级特征提取基准网络,采取多层特征融合模式,引入注意力机制模块增强位置特性和通道特性,并应用检测领域提出的GA-RPN替换原有的RPN(区域候选网络).OTB2015和VOT2018数据集的实验结果显示,本文模型对OTB2015数据集成功率为0.678,准确率为0.882,与SiamRPN相比分别提高了3.7%,6.2%;对VOT2018数据集检测帧率为31FPS,平均重叠期望为0.402,与SiamRPN相比提高了4.9%,测试结果表明本文模型具备较高的跟踪精度和较强的抗干扰性,满足实时性需求.

用于关系数据库关键词查询的基于划分的候选网络生成算法

为了提高关系数据库关键词查询的性能,提出了基于划分的候选网络生成算法,并分析对比了基于广度优先扩展的候选网络生成算法.利用候选网络的同一性,通过改写图的同构算法为查询结果生成算法提供无冗余的候选网络集合.分析和实验结果表明,当关键词个数与最大候选网络尺寸较小时,2种算法的执行时间和所生成的候选网络数量相近.随着关键词个数与最大候选网络尺寸的不断增大,采用划分策略的候选网络生成算法能够大幅度减少候选网络的冗余,缩短执行时间.当最大候选网络尺寸大于6,关键词个数大于4时,性能改进可达到10倍以上.可见,基于划分的候选网络生成算法适应于中、大规模数据库关键词查询系统.

基于改进的区域候选网络的行人检测

通过Caltech数据集训练区域候选网络时,发现其在场景复杂情况下存在大量的漏检和误检。经分析:一是区域候选网络使用VGG网络提取待检测图片特征,由于VGG网络层数较少,提取的特征不能够很好地表达行人;二是锚边框的尺度通过手工设计,没有利用到行人的尺度先验信息。针对以上2个问题,提出了一种改进的区域候选网络的行人检测方法,首先通过使用分类能力更强的Res Net提取待检测图片特征,然后利用检测小网络在卷积特征图上滑动,预测多个锚边框区域是否是行人并对锚边框位置和尺度进行修正,其中锚边框尺度通过KMeans算法计算得到。结果表明:本文算法在Caltech数据集上,比传统的VJ和HOG方法漏检率分别低36.23%、27.09%,比基于深度学习的方法 Ped Faster RCNN、MRFC+Semantic和UDN+漏检率分别低6.78%、3.73%、1.53%。研究表明本文改进的区域候选网络能够较好的检测行人。

紧急状态下候选通信网络信息实时生成仿真

紧急状态下候选通信网络信息的实时生成效率决定了信息传输性能,生成效率越高,则信息传输效率性能越好。针对当前信息生成方法难以全面覆盖通信网络传输路径,存在通信网络信息生成效率低、路径覆盖率低的问题,提出一种烟花爆炸优化的紧急状态下候选通信网络信息实时生成方法。上述方法首先将通信网络信息生成问题建模为一个函数优化问题,通过定义合适的适应度函数,将紧急状态下的候选通信网络信息生成问题转换为函数优化问题,采用烟花爆炸优化算法对该问题进行求解,将紧急状态下候选通信网络信息作为部分初始烟花以利用其提供启发信息,依据候选通信网络信息的适应度值设计自适应机制的爆炸半径,对爆炸产生的越界火花采用边界值测试理论进行修正。仿真证明,所提方法在数据生成时间和路径覆盖率等方面相比当前信息生成方法具有明显优势。

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题,目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测,前者有着较高准确性,后者有着较好速度,但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能,基于深度卷积神经网络的两步检测算法引入了注意力引导(AG)模块,通过对候选区域网络(RPN)的锚机制进行引导,使得对于预选锚框形状的选择更具有多样性;同时针对传统的后处理方式非极大值抑制(NMS)算法存在的误检和漏检的问题,提出了一种置信度因子的NMS(Cf-NMS)算法,对于模型的整体性能有着很大的贡献。实验结果说明,所提方法虽然在速度性能上有略微的下降,但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。

使用候选框进行全卷积网络修正的目标分割算法

由于反卷积和上池化操作的存在,传统全卷积网络在解码阶段常常会丢失目标位置信息,降低图像的分割精度。针对这种情况,提出基于候选框网络对全卷积网络的输出进行缺陷位置微调的液晶面板缺陷分割算法。算法基于ResNet-101网络搭建全卷积主干网络,此构建2个分支,候选框生成网络和反卷积网络。在反卷积网络的输出层中使用多通道分类损失函数,输出关于每种缺陷的类别分割图。同时利用候选框网络产生高置信度的目标框,以此框对反卷积网络输出的类别分割图进行逐通道修正,使用修正后的多通道缺陷类别分割图进行逐像素分类,得到最终分割结果。实验结果表明,该算法对液晶面板缺陷的分割取得了7.5%的精度提升,边缘分割更加精细化。

基于超总体伪设计与组合样本的候选者数据库网络调查的推断研究

候选者数据库网络调查的推断问题是网络调查发展中迫切需要解决的问题.基于此,提出基于超总体伪设计与组合样本的非概率抽样推断方法:对网络候选者数据库的调查样本建立超总体模型来构造伪权数,并根据网络候选者数据库的调查样本和概率样本的组合样本计算总体均值的估计,最后根据超总体模型的方差估计理论推导出目标总体均值估计的方差估计式,同时采用Bootstrap与Jackknife方法来估计总体均值估计的方差,并比较不同方差估计方法的效果.研究结果表明:基于超总体伪设计与组合样本的总体均值估计效率高于仅使用概率样本的估计和仅使用网络候选者数据库的调查样本加权的估计,估计效果较好;方差估计方面,采用VM1、VM2与VM3方法计算的方差估计相比而言更好.

基于区域候选的粗-精行人检测方法

为了解决行人检测过程中漏检的问题,提出一种将传统检测方法与区域候选网络相结合的方法。运用局部无关通道特征(LDCF)方法对图片进行粗检测,筛选出在训练集上漏检的窗口。采用k均值(k-means)算法对数据集中漏检的目标框进行聚类,得到合适的尺度与长宽比。针对相应的尺度与长宽比训练区域候选网络(RPN),提高粗检测阶段的召回率。利用改进的颜色自相似特征以及简化的卷积网络结构对窗口特征进行更为准确的描述。使用改进的深度网络提取特征,并训练级联分类器,对粗检窗口进行精细判断。在行人检测数据集TUD-Brussels和Caltech上进行实验,得到的平均对数漏检率分别为46%和9%。

基于残差密集孪生网络的视频目标跟踪

针对现有基于孪生网络的视频目标跟踪(video object tracking, VOT)方法存在的特征提取能力不足以及对外观变化过大或平面外旋转等目标跟踪效果不佳的问题,提出一种基于残差密集孪生网络的VOT方法.首先,使用嵌入卷积注意力的残差密集网络对模板帧图像和检测帧图像分别提取不同层次的特征;然后,将不同层次的特征通过相互独立的区域候选网络进行互相关操作;最后,将多个区域候选网络的输出自适应加权求和,得到最终的跟踪结果.实验结果表明,该方法在应对目标表观变化过大、平面外旋转等挑战时,能够获得较好的跟踪效果.

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题,基于孪生网络跟踪算法,提出三联区域候选神经网络(TripleRPN)算法与跟踪区域自适应策略(TAA)相融合的目标跟踪方法(TAA+TripleRPN).三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板,提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略,根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择,提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时,TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上,算法的AUC达到66.31%,CLE达到88.28%.在实际场景中实现验证与应用,跟踪效果良好.

基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法

针对传统Faster-RCNN方法中候选区域生成网络(RPN)模块在进行目标检测时对目标特征提取不够充分的问题,提出一种基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法.首先基于VGG-16网络提取出图片的多层特征,然后利用卷积核对最深的3个特征层作进一步的特征提取和正则化处理,最后对处理后的3个特征层进行信息融合.利用MSTAR数据集中车辆目标SAR图像和自然背景SAR图像,通过图像分割和贴图的方式制作了SAR场景数据集,对所改进网络进行训练和测试.实验结果表明,在SAR图像车辆目标检测中,与传统RPN相比,改进RPN收敛速度更快,不仅将检测结果的查准率从97.7%提高到了99.7%,虚警率明显降低,而且泛化性能更强,针对训练范围以外的目标,能将查准率由98.0%提高到99.0%.

基于卷积神经网络的列车检测算法研究

列车检测作为列车自动驾驶的核心技术,可以有效地降低列车追尾等事故造成的人身危险和财产损失。为实现精准的列车检测,选用改进的卷积神经网络(PVANET)对输入图像进行特征提取,在此基础上,采用候选区域网络,从生成的特征图里滑动搜索,判断出图像中可能为列车的区域位置,并进一步采用快速区域卷积神经网络对每个候选区域进行分类,计算出其所属类别的置信度,同时精确定位列车。经验证,该方法适应范围广、鲁棒性高,可以有效地检测不同环境光强及不同朝向的列车,保障列车安全,为列车自动驾驶及辅助驾驶提供安全保障。

基于机器视觉的小样本零部件表面DD

现有汽车零部件表面缺陷检测方法大多数都是依靠人工目检或传统的图像处理方法,其检测精度和速度都不能满足零部件工厂需求。由于汽车零部件的残次率低,导致可用的数据量少,一般的深度学习模型不能很好地应用于汽车零部件表面缺陷检测。针对上述问题,提出一种基于机器视觉的小样本汽车零部件表面缺陷检测方法。上述方法在Faster RCNN检测网络基础上,采用指导框区域候选网络改进原有的区域候选网络,并且利用聚焦式损失函数来进一步改善正负样本不均衡的问题,同时加入循环特征金字塔结构以及组合特征关系检测器。在汽车零部件表面缺陷数据集和小样本FSOD数据集上的实验结果表明,小样本汽车零部件表面缺陷检测模型较好地实现了在小样本零部件数据条件下对零部件表面缺陷的检测。

基于候选框多步迭代优化的多阶段目标检测模型

在解决目标检测任务的模型中,基于多阶段检测框架的模型相对单阶段和两阶段检测框架的模型具有明显的精度优势。该研究的主要目的是通过使用基于长短时记忆网络(Long Short Term Memory,LSTM)的多次迭代回归模块来改进广泛使用的两阶段回归框架。在该研究中,基于LSTM的候选框迭代优化模块被设计用来不断优化候选框生成网络(Region Proposal Network,RPN)所提出的候选框。该模块不仅能够灵活的与各种框架进行集成,同时还可以根据训练和测试阶段对检测速度需求的不同而任意的配置迭代次数。为了验证该方法的有效性,该研究采用基于ResNet-50和ResNet-101为主干网络的多个检测框架,并在两个公开数据集上进行了大量实验。结果表明,该方法得到的所有类平均精度(mean Average Procession,mAP)明显高于基准模型R-FCN和FPN。同时,其效果优于目前最先进的级联(Cascade)R-CNN算法。

CTPN在快递单文字检测中的应用研究

文本检测与文字识别技术是计算机视觉应用技术的重点研究方向,其中前者是后者的研究基础。文章探索了CTPN(Connectionist Text Proposal Network)技术在物流快递单文字识别任务中对文字检测的有效性和准确性。CTPN方法引入了垂直锚点机制,结合CNN(Convolutional Neural Network)网络模型提取的空间特征与BLSTM(Bi-directional Long Short-Term Memory)神经网络模型提取的序列特征来提高文字检测精度。文章首先探讨了CTPN技术的相关原理,再构造快递单文字识别实验验证其对文字的检测能力。实验证明,CTPN技术能有效且准确地检测出快递单中的文字,为文字识别奠定基础。

基于多业务的移动性垂直切换算法

针对异构网络环境下紧耦合方式中的网络切换问题,提出一种结合通信业务和运动感知的切换算法。根据终端移动性初步筛选出候选网络集,依据终端多业务特性从候选网络集中选择出最优网络进行切换。在不同业务下与基于运动感知的切换算法进行实验对比,结果表明,该算法既能避免不必要的切换,又能降低切换阻塞率。

基于改进Faster R-CNN的自然场景文字检测算法

自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好.在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法.改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好.在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法.通过实列测试,改进的模型对小目标文字检测效果也有所提升.