多视图专家组区域建议预测的视觉跟踪

为解决大多数最新的目标跟踪器都面临着判别特征表示缺乏多样性、目标定位过于模糊以及正样本的数量要求问题,提出一种基于多视图的顶层特征的区域建议网络的跟踪预测学习算法。融合多种视图的特征表示方式,利用丰富多样的语义信息,有效解决判别特征过于单一的问题。在扩展的边界框上构建多个支持向量机模型并加入区域建议网络模块,精确优化边界框,预测最优的目标位置,缓解目标定位过于模糊和正样本的数量有限的问题。通过大量视频基准序列对方法的综合评价,其结果表明,提出方法融合了轻量化的深度学习模型和多视图专家组的优点,使跟踪性能有了显著提升。

基于生成式对抗网络和改进区域建议网络的输电线路杆塔缺陷检测方法

为了减少输电线路杆塔缺陷检测过程中受噪声信号和装置性能等因素的干扰,提高输电线路杆塔缺陷检测的正确率和检测效率。提出一种基于生成式对抗网络(generative adversarial networks,GAN)和改进区域建议网络(region proposal network,RPN)的输电线路杆塔缺陷检测方法。采用GAN采集输电线路杆塔的显著性图像,并利用半软阈值函数模型剔除图像中的噪声,避免噪声对缺陷检测过程产生影响。通过随机森林决策树提取输电线路杆塔图像的轮廓特征,基于多尺度算法对RPN进行改进,将特征输入到改进RPN模型中,通过缺陷的定位、分割完成输电线路杆塔的缺陷检测。试验结果表明,所提方法的输电线路杆塔缺陷检测正确率较高,具有较好的缺陷检测效果和检测效率,从而有利于提高输电线路杆塔缺陷检测的质量,减少电力事故的出现。

基于区域建议策略的视盘定位方法

视盘定位对利用眼底图像进行眼科疾病的计算机辅助诊疗十分重要。提出一种基于区域建议策略的视盘定位方法。首先,将眼底图像从像素域映射到特征域,在得到的特征图上利用区域建议策略生成视盘的初始候选区域;然后,按照一定准则对候选区域进行采样,构建全连接层对其进行深层特征提取,并利用损失函数的约束实现候选区域的位置精修;最后,通过置信度阈值的过滤对视盘可见性进行判断,若视盘可见,则将置信度最大的候选区域中心作为该眼底图像的视盘坐标,从而实现视盘的正确定位。在3个公开的眼底图像数据库(DRIVE(40张)、MESSIDOR(1 200张)和STARE(400张))中进行实验,定位准确率分别为100%、99.9%和98.8%。实验证明,该方法能够实现视盘的准确、快速、鲁棒定位,优于现有的视盘定位方法,且预先进行视盘可见性的判断更符合实际应用的要求,能够辅助眼底疾病的诊断处理。

基于改进区域建议网络的交通标志检测方法

交通标志检测是智能辅助驾驶的重要内容,能够准确分析前方道路信息并定位交通标志具体位置,为后续交通标志的识别提供依据,降低交通事故发生的概率。为解决采集图像模糊、目标检测精度低等问题,提出了一种基于改进区域建议网络(RPN)的检测模型,该模型采用Retinex图像增强算法和中值滤波算法对采集图像进行预处理,并将处理后的图像依次送入卷积神经网络和RPN网络,获得感兴趣目标的具体位置参数,实现交通标志的检测。相同条件下与传统算法进行实验对比,文中算法对不同大小的交通标志检测有较高的检测率,能够达到97.5%,并且鲁棒性较好。

基于竞争融合区域建议网络的在线行人跟踪算法研究

针对复杂背景下行人跟踪任务的深度学习网络模型和在线行人跟踪算法问题,在多层竞争融合模型目标检测预训练区域建议网络基础上,结合长期和短期并存的在线学习更新策略,实现行人跟踪任务。预训练网络的特征提取过程以VGG16为主干网络,将提取的特征投入多层竞争融合区域建议网络中,进而生成定位更准确的候选目标。在线跟踪算法使用预训练过的区域建议网络初始化参数值,选取第1帧500个正样本和5000个负样本对区域建议网络进行微调,建立长期和短期更新的帧索引集,通过正负样本对区域建议网络进行更新,最终实现在线行人跟踪算法。在公开数据集Caltech、ETH、PETS2009和Venice上对本文模型进行实验验证,结果表明,竞争融合区域建议网络在行人跟踪任务中性能优越,在几个环境背景较复杂的行人数据集中改进的方法均取得了很好的效果。

基于区域建议网络和残差结构的导丝跟踪

X光影像导航成为提高机器人介入手术操作精度和安全性的关键突破点.因此,文中提出基于区域建议网络、残差结构和Canny边缘检测的导丝跟踪框架.在图像标定方面,采用多尺度标记策略,使检测网络可以学到更准确的特征.在图像增强方面,采用多滤波器融合策略,增加导丝的可识别性,提高跟踪准确率,改善系统鲁棒性.选取22组X射线视频序列进行实验,验证文中算法在速度、准确率及系统鲁棒性方面的优势.

一种基于改进区域建议网络的目标检测方法

针对区域建议网络(Region Proposal Network,RPN)生成的建议框显著性不强和使用的分类置信度与定位不匹配的问题,在Faster RCNN目标检测框架下,提出一种基于交并比(Intersection over Union,IoU)的区域建议网络。在区域建议网络增加IoU注意力分支,使用IoU作为非极大值抑制的置信度,明确对每个建议框的感兴趣程度,并增强建议框类内差异;改进区域建议网络分类损失函数,减少分类模块参数,加快推断速度。在PASCAL VOC 2007公开数据集上进行测试,结果表明该方法的平均精确率(Mean Average Precision,mAP)提高了约1.1%。

边缘协作的轻量级安全区域建议网络

针对边缘环境下的图像隐私泄露和计算效率问题,提出一种边缘协作的轻量级安全区域建议网络(SecRPN)。基于加性秘密共享方案设计一系列安全计算协议,由2台非共谋边缘服务器协作执行安全特征处理、安全锚变换、安全边界框修正、安全非极大值抑制等计算模块。理论分析证明了SecRPN的正确性和安全性,实际性能评估表明,计算和通信开销均远优于现有工作。

一种基于区域建议网络的图像语义分割方法

针对图像语义分割中存在分割效果粗糙、细节缺失的问题,提出一种结合区域建议网络并实现卷积层共享的联合网络结构。利用区域建议网络生成包含类别标记信息的区域建议框,并使用这些区域建议框来校正全卷积语义分割网络的分割结果。实验表明,该方法可以有效提高像素点的分类正确率,得到更精细的分割效果。

基于区域建议网络的行人检测

目标检测越来越融入人类的生活,如车载摄像头、智能监控和人机交互等。行人检测作为模式识别的核心,更被广泛关注。为了更加快速与精确地定位和识别行人,算法在区域建议网络上进行优化,使区域建议网络自动选取特征,并与检测网络共享卷积层。区域建议网络通过端到端训练,生成高质量预选区域,更有效地提高了行人检测的精度。同时,在Image Net数据集、INRIA数据集和自己采集的行人数据集上进一步验证,充分证明了该算法的有效性。

改进卷积神经网络的医学图像感兴趣区域识别

图像中的噪声会提高图像特征信息提取难度,影响图像识别时的细节保留效果,为此提出改进卷积神经网络的医学图像感兴趣区域识别方法。分析医学图像主要噪声来源,构建噪声模型,利用非局部均值滤波算法计算图像全部像素的加权平均值,完成图像去噪处理;通过图像求反、对比度增加和灰度调节等操作增强图像细节信息;利用局部区域特征提取方法获取图像基础纹理特征,包括灰度、平滑度与熵值等;建立具有卷积层、池化层、全连接层的卷积神经网络模型,引入区域建议网络对其改进,通过该网络确定识别的候选区域,将图像特征作为网络输入,经过不断学习迭代,输出最终感兴趣区域。实验结果表明,所提方法在提高图像质量的基础上,识别出的感兴趣区域较为完整,包含的有用信息更多。

基于快速区域建议网络的图像多目标分割算法

针对传统方法在语义分割中存在大量冗余、结果重叠,造成图像分割算法的结果正确率、鲁棒性较差等问题,提出一种基于快速区域建议网络的图像多目标分割算法。使用选择性搜索(selective search,SS)算法给出初始候选框;采用快速区域建议网络从初始候选框中分类出初始分割框;使用图割算法(Grab Cut)从初始分割框中分割出多目标。为了验证本研究算法,采用Image Net上预训练的VGG16模型,分别使用COCO数据集和City Scapes数据集的训练数据对VGG16模型微调,使用测试数据进行语义分割和多目标图像分割。与YOLO(you only look once,)算法相比,本算法在两个数据集上的平均正确率分别提高了2.16%和1.55%。Grab Cut算法在快速区域建议网络的初始分割框上,对多目标的分割更精确,鲁棒性更强。本研究构建的算法通过区域建议网络的得分筛选多目标分割的候选框,保留高得分的候选框来提升图像多目标分割的精度,在多目标的模式识别场合中拥有广泛前景。

一种基于视觉特征区域建议的目标检测方法

虽然基于深度学习的目标检测器具有较高的检测精度,但是大多数检测器的检测速度不能满足实时性要求.此外,目前主流的实时检测算法如SSD(single shot multibox detector)和YOLO(you only look once),对小目标的检测精度不高.鉴于此,提出一种基于视觉特征区域建议的目标检测算法,能够综合平衡检测精度和检测速度.算法分为区域建议和网络分类,区域建议根据目标的特征信息提取候选区域ROI(region of interest);网络分类使用CNN(convolutional neural network)对区域建议中提取的ROI进行处理,计算每个ROI类别的置信度,置信度大于设定阈值的ROI即为目标检测结果.实验结果表明,所提出算法的检测精度明显高于Faster R-CNN、SSD和YOLO,并且具有接近SSD和YOLO的检测速度.

“十一五”国家区域政策的成效 “十二五”区域规划与政策的建议

本文回顾并总结"十一五"期间我国各地区在经济发展的格局、发展趋势、产业结构调整、空间布局、区域合作一体化等方面的成果及经验,提出"十二五"国家区域政策应关注的主要问题,对"十二五"区域规划工作提出建议。

土地利用区域特点与区域政策建议

本文重点分析了我国东、中、西部地区土地资源及其开发利用的特点，提出了土地资源可持续利用的区域性原则和有关政策建议。

基于改进区域卷积神经网络的安全帽佩戴检测

针对已有的安全帽佩戴检测算法对小尺寸目标和部分遮挡目标检测效果较差的问题,在区域卷积神经网络基础上,做出优化用于安全帽佩戴检测。在原始Faster RCNN的基础上使用多层卷积特征融合技术优化区域建议网络产生候选区域特征图,使用在线困难样本挖掘技术训练ROI网络,自动挑选出困难样本使训练更加有效。实验结果表明,相比原始的Faster RCNN算法,所提方法检测精度提高了4.73%,对部分遮挡和小尺寸目标均有较好的检测效果,对环境变化具有更强的适应性。

跨尺度移位的有向目标检测方法

目标类内尺度差异大以及类间相似程度高给传统遥感目标检测带来挑战,多尺度信息融合以及基于FasterR-CNN的有向检测方法是解决尺度差异性及类间相似性的有效手段。但多尺度权重融合策略忽视了跨尺度对图像语义特征的提取导致检测精度低,同时基于FasterR-CNN的有向检测方法精度低速度慢。针对上述问题,提出一种跨尺度移位的有向目标检测方法。首先通过改进特征金字塔网络(FPN)实现多层特征图高效融合;其次在网络中加入跨尺度移位模块(CSM)提升FPN中多尺度特征间的相关性;最后采用有向区域建议网络(ORPN)提升了有向候选框的转换效率。本文方法分别在DOTA-v1.5和HRSC2016遥感数据集上开展测试,相比对照组,均值准确率(mAP)分别提升了3.68%和1.32%;同时在单块2080ti上用1024×1024图像进行测试,检测速度提升5.9%。

基于改进Faster RCNN的茶叶叶部病害识别

针对茶园复杂背景下茶叶叶部病害识别较为困难的问题,提出一种基于改进Faster RCNN算法的茶叶叶部病害识别方法。通过对优化区域建议框的特征提取网络VGG-16、MobileNetV2和ResNet50进行比较,选择识别效果较好的ResNet50作为骨干网络,增加模型在茶园复杂背景下对茶叶叶部病害特征的提取能力;融入特征金字塔网络(feature pyramid network,FPN)改善小目标漏检问题和病斑的多尺度问题;采用Rank&Sort(RS)Loss函数代替原Faster RCNN中的损失函数,缓解样本分布不均给模型带来的性能影响,进一步提高检测精度。结果显示:改进模型平均精度均值PmA为88.06%,检测速度为19.1帧/s,对藻斑病、白星病、炭疽病、煤烟病识别平均精度分别为75.54%、86.84%、90.42%、99.45%,比Faster RCNN算法分别提高40.98、44.16、13.9和2.43百分点。以上结果表明,基于改进Faster RCNN算法的茶叶叶部病害识别方法能够弱化茶园复杂背景的干扰,准确识别茶园复杂背景下茶叶叶部病害目标。

融合LoG特征的凸焊螺母检测算法

针对目前汽车曲面零部件的紧固连接中常用的凸焊工艺中出现凸焊螺母的漏焊、错焊,以及主要依赖人工目测的低效检测方法等问题,提出了一种基于Faster-RCNN的凸焊螺母检测算法。以Faster-RCNN作为基础模型,针对模型在不同角度下螺母特征各异且难以提取的问题,提出提取LoG特征和原图像自适应融合的方法,以增强模型对螺母特征的提取能力;引入特征金字塔(feature pyramid network,FPN)解决小目标难以被精确检测的问题;为了提升网络在复杂背景中的检测鲁棒性,在FPN中嵌入坐标注意力机制来提升网络对重点目标的关注;设计损失函数,提升训练效果,增强回归框中心点的回归精确度。实验结果表明,所提算法相比原算法,在IoU=0.75时凸焊螺母的检测精确率上升了8.65个百分点,达到90.11%,召回率上升了5.87个百分点,达到79.23%,相比原算法具有明显改善。

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster regionbased convolutional neural network(RCNN)框架的算法进行调参与优化.主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络(RPN)部分增加2个面积尺度,检测部分使用感兴趣区域(ROI)Align结构,减少特征图映射和均分过程中的误差.实验结果表明:使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.