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。

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。

区域性网络学习空间应用现状、问题及发展建议——基于广东省中山市的调研

教育信息化发展迈向2.0时代,网络学习空间不仅支撑教育改革发展,同时也是开展数据支持下个性化教与学的重要入口;在开展"网络学习空间人人通"建设工作中,教育部提出"吸引企业等社会资本参与空间建设",构建资源共享的良好生态。基于此,文章依托对广东省中山市基础教育领域"网络学习空间人人通"的构建与应用现状,立足该市教育城域网公共云服务体系的资源优势,针对所呈现的问题提出建议:一方面对全市软硬件的建设与发展中的宏观层面和微观层面多个维度的共性因素进行提炼和归因分析,另一方面积极引导社会资源从建设和实践方面开展问题讨论,从而提出发展建议。

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。

应用卷积神经网络与RPN的交通标志识别

在智能交通系统中要求交通标志识别具有良好的鲁棒性、实时性,并且实际交通环境中可能因路标模糊、光照强弱、尺度大小、复杂背景等因素的问题,导致交通标志识别准确率很低。针对上述问题,提出了利用深度学习方法设计卷积神经网络,并通过卷积和池采样的多层处理,结合目标检测方法中的RPN网络结构,以提取图像的候选区域,从而对候选区域进行特征提取,最后利用全连接网络实现对特征图进行回归处理,获取检测目标的位置及识别。实验结果表明,该方法能有效地提高检测精度和计算效率,降低错误率,对于光照、旋转等不良因素下交通标志检测具有较好的稳定性和准确性,有效地提高了交通标志识别效率,具有良好的泛化能力和适应性,且满足一定的实时性的要求。

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。

区域创新网络与北京高新技术产业园区发展研究

高新区发展的关键在于其内部培育出发达的区域创新网络来。只有培育出较为成熟的区域创新网络 ,高新区才能获得内在的发展潜力 ,不断地产生技术创新 ,实现可持续发展。本文首先阐述了区域创新网络对高新区企业发展的作用 ,然后分析了北京高新区产业发展现状 ,及其在区域创新网络建设中存在的问题。最后 ,就如何培育区域创新网络 ,促进北京高新技术产业园区发展 ,提出了相应的对策及建议。

基于RP-ResNet网络的抓取检测方法

针对目前机器人抓取中实时性差和小目标物体抓取效果不理想的问题,提出基于RP-ResNet网络的抓取检测方法。该方法以模型ResNet-50为基础,引入Region Proposal Network(RPN)网络与改进型空间金字塔结构,使用SENet机构增强通道注意力,充分提取不同深度语义信息,加强对高低层信息的利用,增加了抓取点检测的准确性。在Cornell数据集上进行实验验证,结果表明,RP-ResNet网络结构达到实验要求,能够提高物体检测的准确度与检测效率。

基于二阶SiamRPN多重交并比回归的无人机视觉导航

针对无人机视觉导航中实时图像目标物体尺寸小、干扰物多、存在运动模糊,导致识别与定位性能差的问题,提出了一种基于二阶SiamRPN多重交并比(Multiple Intersection over Union, MIoU)回归网络的一阶段算法。在孪生卷积神经网络(Convolutional Neural Network, CNN)框架中引入归一化协方差增加二阶信息,提升网络对边缘的特征提取;使用区域建议模块对匹配位置进行分类和锚定,并在网络优化过程中提出MIoU损失函数,从而精确地实现端到端的特征提取与匹配过程。在旋翼型无人机搭建平台进行实验验证,结果表明该算法可以稳健地进行目标定位。

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。

基于改进的Faster R-CNN网络的绝缘子识别算法

在绝缘子检测过程中,航拍绝缘子图像中存在多个绝缘子串,且目标较小,背景复杂,导致绝缘子特征极其不明显.为解决以上问题,从提高网络模型对于小目标和多目标物体检测能力的角度对Faster R-CNN进行改进.首先,选用对提取特征信息利用率更高的GoolgeNet进行特征提取,利用Inception结构高效地利用计算资源;其次,针对一张航拍图像中有多个绝缘子目标,且大小不一,特征不易提取,对Inception结构进行改进;最后,在通用的数据集上进行测试,实现对绝缘子的精确检测.实验结果表明:该方法与传统的Faster R-CNN算法相比,准确率提高了约6%,召回率提升了约8%,能够较好地识别出绝缘子,且对于多目标和小目标的检测效果良好.

高质量模板在线更新的孪生网络目标跟踪算法

为降低孪生网络跟踪器中预定义锚框对模板更新和跟踪精度的影响,提出一种采用高质量模板在线更新的孪生网络目标跟踪算法。在孪生网络跟踪框架的基础上引入一个基于区域建议网络的重检测模块,获得质量更高的回归边界框,利用初始帧、累计帧和当前帧的特征模板训练一个更新网络实现更高质量的模板更新。在OTB100和GOT-10k数据集上的对比实验结果表明,提出算法具有更好的成功率和精度,在具有各种复杂属性的场景中表现出更优秀的性能。