基于级联卷积神经网络的城市交通汽车目标图像检测方法

由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。

基于改进级联卷积神经网络的织物疵点检测

为了改进当前织物检测算法样本数量少、织物疵点检测准确率低和定位精准度差的问题,提出一种端到端的改进的织物疵点检测算法。针对公开数据集样本数量少、样本种类不均衡的问题,采用线下与线上结合的数据增广方式,除了基本的数据增广方法,同时引入复制粘贴以及混合的方式对样本进行扩充与增强;针对特征提取算法提取特征不精确的问题,对特征金字塔进行改进,通过加入可变形卷积、递归特征金字塔、可切换的空洞卷积、全局语义信息的方法扩大感受野、增强语义信息。实验结果验证了算法的有效性,该算法对天池雪浪制造数据集9种布匹疵点进行检测,检测是否具有瑕疵的准确率达到97%以上,疵点定位的平均检测精度为56.7%,样本检测效率为2.4 FPS。相对于基础模型定位精准度提升了10%以上,并且检测效果满足工业上的生产需求。

并行级联卷积码的最新进展

并行级联卷积码（Turbo码）是近年来在编码理论上的一个重大突破，其性能与信道容量极限的差距可小于1dB.有着极其广阔的应用前景．这种编码方式的优异性能来源于其独特的码结构和迭代译码算法，使其成为一种接近随机编码的可译码．它的编译码思想将对编码研究产生重要影响．本文将在编译码结构，性能分析与码设计、简化算法及应用等方面对这种码的研究现状与前景作一综述．

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.

基于级联卷积神经网络的手势特征提取方法

针对当前手势图像数据集不能均匀、全面地覆盖所有手势参数空间内的各种手势的问题,提出一种基于级联卷积神经网络的手势特征提取方法。该方法通过级联式模型,分层次地对高维度、高自由度的手势参数进行特征感知和提取。首先,将手腕角度参数作为手势参数的全局参数,进行划分和特征提取;然后,将手指角度参数作为局部参数,进行特征提取。为解决局部参数特征提取网络数量过多的问题,减少神经网络的数量和节约训练网络所需的时间与内存开销,采用多分支结构的神经网络模型,将五个手指的局部特征提取网络集成为一个整体。实验结果表明,所提方法在真实训练集上平均分类准确率达到95.13%,测试集平均准确率达到54%,测试集准确率相较于全卷积神经网络的算法提高了4.76个百分点。

一种改进的多任务级联卷积神经网络人脸检测算法

多任务级联的卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)人脸检测算法因兼顾了检测的速度与准确率经常被用在一些人脸识别任务上,但是面对一些复杂的人脸检测任务,该网络检测的实时性与准确性仍然达不到实际要求。为解决这一问题,提出了一种改进的多任务级联卷积神经网络人脸检测算法。该方法对MTCNN中的R-Net和O-Net模块进行了改进,将这两个网络模块的NMS算法优化成Better-NMS算法,即重新对图像候选框的分类置信度进行修改,避免了对于IOU大于预设阈值的人脸候选框的漏检。在WIDER Face和FDDB数据集上,将所提出的改进的级联卷积神经网络人脸检测算法及其他对比算法进行了训练与评测。实验结果表明:该改进算法能在人脸检测过程中更好地排除冗余的候选框,保留精准度更高的回归窗口,可以在不损耗其鲁棒性的同时提高了人脸检测的准确率。

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络(Convolutional Neural Network,CNN)和磁共振图像的前列腺癌(Prostate Cancer,PCa)自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化(Batch Normalization,BN)、全局平均池化(Global Average Pooling,GAP)进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.

2D/3D级联卷积在分割CT肺动脉上的应用研究

医学影像分割是计算机辅助诊断的重要组成部分。针对CT影像的三维特性,提出了一种基于2D/3D级联卷积的Unet网络结构用来分割肺动脉。该结构相比基于传统2D卷积的方法,关联了第三维度信息,提高了分割准确度和泛化能力,相比基于传统3D卷积的方法提高了准确度和执行效率。实验对多套肺动脉增强CT数据集做了验证,分割准确率达到85.7%,高于传统2D和3DUnet网络,同时执行效率较3DUnet提高近30%,在CT影像分割上做到了效率和准确度的兼顾。

一种改进的多任务级联卷积神经网络人脸检测算法

人脸识别是人工智能的重要应用领域之一,人脸检测是人脸识别的关键步骤。由于姿势变化、外物遮挡以及光源方向等多方面因素的影响,人脸检测的准确率不高,并且对于多人图片,往往很难准确地识别出所有人脸。提出了一种改进的多任务级联卷积神经网络的人脸检测算法(IMTCNN):对R-Net层网络集成图片信息卷积残差模块,通过扩大特征图的感受野来获取更多人脸信息,以提升R-Net层网络对人脸目标的检测鲁棒性,并且通过加入反卷积层和最大池化层解决特征融合时维度不一致问题;对O-Net层网络集成图片信息卷积残差模块,进一步提升对多人图片的人脸检测性能,降低人脸检测过程中受外部条件影响产生的误差,同时添加2个卷积池化层使特征融合时维度一致。通过改进R-Net层和O-Net层集成图片信息卷积残差模块,扩大特征图的感受野,对图片进行人脸候选框定、选区筛选以及人脸关键点定位,最终实现人脸检测。试验结果表明,该算法速度快,准确性高,并且可以一次性检测多张人脸,为后续人脸识别打下了良好的基础。

优化空时格码的性能准则及串联级联卷积编码空时格码

讨论一种优化的空时格码的性能准则 ;再应用串联级联卷积编码加格雷映射实现一种新的空时格码 .通过仿真可见 ,这种新空时格码比经典空时格码和编码增益优化了的空时格码在性能上都要好 ,具有性能好、容易构造等优点 .

级联卷积编码调制的研究

Turbo码与格状编码调制相结合可以取得大的编码增益和高的带宽效率。本文在Turbo码的基础上,综述了级联卷积编码调制,包括基本结构、设计准则等。

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。

尺度无关的级联卷积神经网络人脸检测算法

卷积神经网络在进行图片处理时需要输入固定尺寸大小的图片,该限制会导致原图在缩放过程中损失大部分信息。另外,目前人脸检测算法多用单一结构网络进行特征提取,这就使得算法的泛化能力较弱。针对以上两个问题,提出了一种将级联卷积神经网络与空间金字塔池化相结合的人脸检测算法。该方法将三级卷积神经网络模型连接起来,其中三级神经网络模型之间各不相同,结构从简单到复杂,在不同层次的神经网络上提取不同的人脸特征并筛选图片,完成对图片中人脸区域的检测。同时,在每级网络层次中加入空间金字塔池化层,这种池化策略无须固定尺寸大小的输入,增加了模型输入的尺寸选择。在标准人脸数据集中,该方法相对于传统方法实现了模型的多尺度输入,提升了检测性能,并降低了检测人脸的时间。

串行级联卷积码的设计与分析

在一定信噪比条件下串行级联卷积码能达到比Turbo码更好的误比特率性能．本文首先分析串行级联卷积码性的误比特率性能限,然后根据串行级联卷积码的结构分析其各个关键参数的设计,最后给出串行级联卷积码的设计准则。

全尺度密集卷积U型网络的视网膜血管分割算法

针对视网膜图像中血管尺度跨度大、细小血管与背景高度相似导致误分割和未分割等问题,提出一种全尺度密集卷积U型网络的视网膜血管分割方法。为提取更复杂的特征信息,构建级联卷积融合密集块(cascade convolutional fusion dense blocks, CCF-DB)作为U型网络的编解码器用以提取视网膜血管的特征信息;在网络最底端嵌入混合注意力级联卷积密集块(mixed attention cascaded convolutional dense block, MACC-DB),进一步提升感受野,获取更高维的语义特征信息;在模型的解码部分采用全尺度的跳跃连接,捕获不同尺度下的血管特征信息,提升模型的分割精度。实验结果表明,在DRIVE数据集上,相比于U-Net、U-Net3+、SA-Unet、FR-Unet等算法,此算法的AUC值达到了98.26%,准确率为95.82%;在CHASE-DB1数据集上,此算法的AUC值达98.84%,准确率达96.66%。采用此算法进行视网膜血管分割,分割的精度和鲁棒性均有不同程度的提升,对细小血管分割达到了优良的效果。

基于级联卷积网络的面部关键点定位算法

目前,人的面部关键点定位算法在限定环境下已达到很高的识别率,但在非限定环境下,仍易受到环境光线不均、测试角度范围广、检测目标姿态多样及遮挡模糊等因素的影响。提出一种级联卷积网络以提高关键点定位的精度与鲁棒性。在进行人脸检测时,该算法在Light-VGGNet的基础上提出一种DPM-CNN网络结构,引入五官可变形部件,将人脸检测与五官定位同时进行,提高人脸检测精度并降低人脸检测对面部关键点定位的影响。在进行内部关键点定位时,采用由粗到细的算法思想,将两层不同的网络级联实现对内外关键点的定位。利用FDDB数据集进行测试,无论在人脸检测,还是面部关键点定位上,所提出的卷积网络结构准确度和检测速度均高于其他算法,在非限定环境下表现出很好的鲁棒性。

基于级联卷积网络的人脸特征点检测

人脸特征点检测是人脸识别和分析领域的关键步骤,同时也是人脸表情识别、头部姿态估计、人脸身份鉴定等相关技术的基础。由于脸部姿势和表情的不断变化以及遮挡问题的存在,人脸特征点检测依旧是一个具有挑战性的难题。文中提出用由粗到精的多任务级联神经网络模型来提升人脸检测和特征点定位的精度,使模型具有更好的鲁棒性。整个网络框架采用三阶段级联网络,由粗到精的检测人脸和定位特征点位置。首先采用脸部校正方法预处理人脸图片,主要是校正人脸偏转角度;然后使用两个小型网络来预测人脸框及定位人脸特征点;最后根据网络预测的特征点位置,对局部区域进行裁剪,然后再对局部区域预测单个特征点,使得特征点的定位更加准确。为了更好地评估文中提出的方法,在AFW、AFLW等数据集上做了对照实验,相比较TCNN网络模型,文中方法在AFW中错误率降低了1.19%,在AFLW中错误率降低了0.8%。

串行级联卷积码迭代编译码仿真与分析

串行级联卷积码SCCC(SeriallyConcatenatedConvolutionalCodes)是近年来提出的一种性能较好的信道编码方式,它由两个串行的反馈系统卷积码RSC(RecursiveSystematicConvolutionalcodes)和一个内交织器构成。通过计算机仿真,分析了在进行SCCC码设计时,参数的选择对于SCCC码纠错性能的影响,提出了设计SCCC码时选择参数的方法。

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。

基于级联卷积神经网络的荧光免疫层析图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。