基于候选区域生成的弱监督图像语义分割算法

针对现有弱监督语义分割方法依赖于初始响应以及分类任务,只关注区分目标对象区域,无法通过完整的区域来优化损失函数的问题。论文提出了一种基于候选区域生成的语义分割算法,用于图像级标注的弱监督图像语义分割。该算法首先在分类网络中引入混合数据增强方案,再通过制定相应的策略,对图像特征进行聚类,构建子类目标并生成子类标签,从而使得训练过程不仅仅依赖于可区分的对象区域。在PASCAL VOC 2012数据集上进行了全面的实验和分析,与其他弱监督语义分割算法相比,论文提出的算法表现出良好的性能:通过使用混合数据增强以及自监督的候选区域生成的方法,使原始图像产生更加完整的响应映射,将交并比(IoU)提高了2.1%,提高了最终分割网络的性能。

基于分层解耦区域生成网络的柔性电路板表面缺陷检测研究

柔性电路板在电子产品中的应用越来越多。针对柔性电路板表面缺陷检测问题,本文提出了一种基于分层解耦区域生成网络的柔性电路板表面缺陷检测方法,整个方法分为多层特征提取网络、多层解耦区域生成网络与分类回归网络三个部分,依据解耦思想采用了四个多重感受野融合模块,通过调节成不同长度参数使特征图的感受野大小符合模型预测需求,最终采用区域生成网络的输出候选框进行分类回归。通过实验仿真,验证了该方法的有效性,可精准识别常见的柔性电路板表面缺陷,检测精度较高,可推广使用。

基于改进特征融合和区域生成网络的Mask R-CNN的管件分拣研究

针对管件分割任务中各类管件区分难度大,光线和阴影对分割精度存在干扰等问题,提出了一种改进的掩膜区域卷积神经网络(mask region-convolutional neural network,Mask R-CNN)的管件分拣算法。通过增加低层特征图以改进特征融合网络,提高小型管件的识别率;根据管件尺寸比例改进区域生长网络的生成框,以加快模型收敛速度;增加通道和空间注意力模块,提升管件识别精度及掩膜效果。将改进后的Mask R-CNN用于四类管件的分拣任务,实验结果表明,改进后Mask R-CNN的掩膜检测平均精度均值(mean average precision, mAP)和平均召回率(mean recall, mRecall)值分别提高了1.5%和1.7%,对管件位置、类型和尺寸的判别能力更强,能够满足实际生产中机器人分拣管件的精度要求。

基于凸包算法的车面维修打磨区域生成

针对传统汽车漆面维修以人工为主,存在劳动强度高、效率低、一致性差等问题,结合人工打磨经验,在提取受损车面轮廓的基础上,设计生成受损车面维修打磨区域算法.首先,综合运用边缘检测算子、曲线近似算法对受损漆面进行轮廓提取.然后,运用凸包算法预生成轮廓,再对轮廓改进生成最终车面维修打磨区域.通过比较人工和算法生成后的打磨区域可知,算法生成的打磨区域精度较高,可满足基本打磨要求,该算法为实现自动化打磨提供了理论依据.

基于混沌粒子优化匹配的无线传感网簇区域生成算法

为解决无线传感网分簇过程中存在分簇机制复杂以及分簇性能不佳等难题,提出一种基于混沌粒子优化匹配机制的无线传感网簇区域生成算法。评估网络节点的可靠性能,引入自适应混沌粒子,对节点进行虚拟映射,进行节点的动态更新,实现对簇区域的初步划分;通过综合考虑节点的能量因素及链路可靠程度,定义并建立更新匹配函数,对簇头节点进行匹配搜寻,构建簇头-簇成员信息交互结构,达到对网络传感数据的优化传输目的。仿真结果表明,与MCBMC、CHEP算法相比,该算法拥有更高的黑洞节点检出率、更低的网络控制开销与拥塞节点比例。

基于区域生成网络的行人重识别算法优化

为解决行人重识别场景中图像背景噪声对行人特征提取的干扰问题,本文提出了一种基于区域生成网络(RPN)的行人重识别改进算法。使用RPN获取具有不同尺度信息的感兴趣区域(ROI),再通过感兴趣池化(ROI pooling)层实现ROI多尺度信息的协调统一,抑制了图像背景噪声对行人信息表征的影响;搭建了以全局特征、切块局部特征及基于RPN的ROI特征的多分支网络结构,增强了行人特征信息;在难样本采样的三元组损失上加入正样本的最小距离为类内距离,提高正样本之间的聚类性能;最后,结合了优化的三元组损失函数和交叉熵损失函数来监督训练,防止训练结果过拟合。为验证该方法的可靠性,在Market1501数据集上进行验证,本文方法在Market1501数据集上的Rank1精度为94.7%,mAP精度为85.8%,表明本文方法具有较好的行人识别效果。

自适应旋转区域生成网络的遥感图像舰船目标检测

针对遥感图像中舰船形状狭长、分布杂乱等特性导致检测难度增大的问题,提出了一种基于快速区域卷积神经网络(Faster R-CNN)的舰船目标检测方法。采用双路网络提取舰船目标特征,为了使特征图充分融合底层细节信息和高层语义信息,用多尺度融合特征金字塔网络(MFPN)进行特征融合;在候选框生成阶段,提出了自适应旋转区域生成网络(AR-RPN),集中在目标中心位置生成旋转锚框,以高效获取优质的候选框。为了提升网络对舰船目标的检测率,结合改进的损失函数对网络进行优化。在HRSC2016和DOTA舰船数据集上的测试结果表明,本方法的平均精度分别为89.10%和88.64%,能很好地适应遥感图像中舰船的形状与分布特性。

剖面图中分层区域自动生成的计算机实现

着重论述了在JHSCAD软件中对基于矢量图形的分层区域自动生成的算法思想和计算机实现。

基于改进旋转区域生成网络的遥感图像目标检测

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

基于聚类式区域生成的全卷积目标检测网络

基于区域的全卷积网络(R-FCN)的区域生成网络(RPN)沿用了更快速区域卷积神经网络(Faster R-CNN)的RPN。针对RPN先验框的大小与数量均需人为固定,生成的建议区域过多等问题,将聚类思想应用到RPN中,改进先验框的生成方式,提出了基于聚类式区域生成的全卷积目标检测网络。通过对训练样本的真实框进行KMeans聚类得到先验框的最适大小和最佳数量,取代原本人为固定选取先验框的方式。此外,为增强模型的泛化能力,在改进后的R-FCN上使用ResNet基础网络,采用困难样本挖掘方法进行训练。实验结果表明,相较于R-FCN等方法,该聚类区域全卷积目标检测网络得到的检测结果在精度和速度上都得到了明显的提升。

结合候选区域距离度量学习与CNN分类回归联合的左心室检测

心脏MRI左心室自动检测在心脏疾病计算机辅助诊断中具有重要价值,针对左心室候选区域与周边组织分布复杂而导致区分度低的问题,提出结合候选区域2级距离度量学习与CNN分类回归联合学习的左心室检测方法.在候选区域生成阶段,利用超像素产生初始区域并合并为中间区域,设计有监督的2级距离度量学习算法,融合中间区域来构建目标候选区域;在检测阶段,以CNN分类与回归联合学习的方式定位候选区域,并设计难例样本挖掘策略对模型进行微调,以缓解样本不均衡问题.将该方法与扩展的4种变体方法(改变或舍弃部分模块)在公开心脏图谱数据集(CAP)上进行了实验,结果表明该方法中各模块设置具有合理性;与FastR-CNN和基于SSAE方法的检测结果相比,该方法取得了较高的检测精度.

生活垃圾焚烧炉中二恶英的生成和计算方法

二恶英是一种剧毒物质,应当更好地加以控制。在已有关于二恶英生成研究的基础上阐明了二恶英在垃圾焚烧炉中各区域的生成机理,并给出了各区域二恶英生成的计算方程。针对计算方程中各个变量进行了分析。结果表明:炉膛内合理良好的燃烧是控制二恶英生成的关键;增加尾部烟气的温降速率和降低飞灰中前体物浓度可有效抑制低温表面催化反应区域二恶英的生成;控制飞灰中残碳含量、烟气中氧含量是控制尾部重新合成二恶英的主要途径。

数字图像处理的区域分割浅析

图像分割一般是指把图像分解成不同区域后从中提取出感兴趣目标的过程和技术。不同分割方法产生的结果会有一定差异,该差异则会进一步影响视觉系统性能。本文给出了目前常用图像分割的几种不同算法并进行了系统分析,分别是基于边缘检测法、阈值分割法以及基于区域生成的法。基于这些算法的MATLAB仿真,得到理想的分割结果,并分析了各种算法的优缺点。

融合注意力机制的输电部件及缺陷检测模型

针对输电线路的多目标识别和缺陷检测中的错检和漏检等问题,提出SE-Faster RCNN模型。在Faster RCNN模型的基础上,将SENet模块嵌入到ResNet模型中,提取关键特征;优化候选框的生成方案;提出基于面积的非极大值抑制算法。通过微调U-Net模型的数据增广方法,构建样本量为23327的数据集,达到91.37%的检测mAP。实验结果表明,提出模型满足输电线路多目标识别和故障检测的鲁棒性和准确性要求。

改进的Quasi-Dense多目标跟踪算法

在无人驾驶领域车辆前方动态多目标跟踪中,针对尺度变化明显时或者对于大车的跟踪,Quasi-Dense跟踪算法的跟踪结果较差的问题,提出了改进的Quasi-Dense多目标跟踪算法。结合了注意力机制、自适应等思想,提升模型对于尺度变化较大目标的检测和跟踪的能力。在网络结构中使用空间注意力机制,同时在设定锚框时使用启发式方法,改进模型的跟踪效果,有效地降低了跟踪时ID切换的次数。在伯克利驾驶数据集(BDD)公开跟踪数据集上对模型进行训练和评估。实验结果表明:改进的端到端多目标跟踪方法显著提高了跟踪的精度,同时速度能够达到36.3 fps,满足实时性要求。

基于深度特征学习的冬小麦生育阶段分类识别研究

冬小麦生育阶段及生育期田间环境要素的精准识别是农业信息化管理研究的核心内容之一。为实现对冬小麦不同生育阶段的精准分类识别,提出了一种基于深度学习的冬小麦生育阶段分类识别模型。首先,采集田间图像并对其进行预处理;其次,构建了一种基于深度可分离卷积的冬小麦、土壤及杂草的图像分割模型,利用该模型从田间图像中准确提取出冬小麦样本,并对冬小麦样本进行前景及后景标注;最后,基于VGG16提取的图像特征以及区域生成网络模型,构建了生成候选框的改进Faster R-CNN目标检测模型,通过对候选框的分类训练和回归训练实现了对冬小麦3个主要生育阶段的分类识别。结果表明:构建的图像分割模型对小麦、杂草及土壤的分割准确率分别为90.91%、22.87%、65.15%,查准率分别为93.45%、17.21%、60.58%,召回率分别为95.02%、18.43%、58.32%;构建的改进Faster R-CNN模型对冬小麦生育阶段的分类识别准确率达96.00%,且具有广阔的应用前景。

用于室内消防救援的融合路网构建方法研究

在建筑火灾应急救援时,生成的救援路径多数基于单一类型路网,室内路径规划精度和寻路速度难以平衡。为此,提出一种室内融合路网的构建方法,在室内执行拓扑路网和栅格路网生成算法,由自行设计融合算法和跨楼层通道的提取,获取三维室内路网。由路径权重模型结合寻路算法,寻找最优消防救援路径,同时设计了二次路径规划。最后,以该方法提取试验模型的室内路网,并与以上两种单一路网进行对比分析,验证了该路网提取方法的有效性。

彩色汽车牌照的定位方法

基于颜色和纹理综合特征的车牌定位方法,通过色彩空间变换、色彩分割,牌照区域定位及去除伪车牌区域等步骤进行车牌特征分析。其在HSV空间中进行色彩分割,运用数学形态学处理,采用闭运算,形成连通域。通过连通域分析车牌区域,再根据其几何和空间频率特征,设计相关评判标准。经实验验证,符合该标准的即为车牌区域。

点云场景下基于结构感知的车辆检测

在自动驾驶领域,计算机对周围环境的感知和理解是必不可少的.其中,相比于二维目标检测,三维点云目标检测可以提供二维目标检测所不具有的物体的三维方位信息,这对于安全自动驾驶是至关重要的.针对三维目标检测中原始输入点云到检测结果之间跨度大的问题,首先,提出了基于结构感知的候选区域生成模块,其中定义了每个点的结构特征,充分利用了三维点云目标检测数据集提供的监督信息,通过预测该特征,网络可以学习到更具有鉴别能力的特征,从而提高候选框的生成质量;其次,将该特征加入到候选框微调阶段中,使得点云上下文特征和局部特征更加丰富.在三维点云目标检测数据集进行了实验,结果表明,文中方法能够在增加极少计算量的前提下,在候选区域生成阶段使用50个候选框0.7的IoU阈值下,提高超过13%的召回率;在候选框微调阶段,3种难度目标框的检测效果均有明显提升,表明了该方法对三维点云目标检测的有效性.

一种基于纹理和颜色综合特征的车牌定位新方法

根据车牌纹理及其几何形状的特点,提出了一种基于区域生成的车牌图像定位新方法,该方法灵活有效,通用性强,同时可以根据需要反复分割,直至取得最好效果;另外提出一种新的色彩分割方案,根据车牌的颜色特征在车牌区域内进行色彩分割,进一步地精确定位车牌区域,使得本方法不仅定位准确度高,而且分割精确度也很好。