结合反残差块和YOLOv3的目标检测法

为了提高目标检测算法的实时性,提出了一种基于反残差块的轻量级目标检测方法,并将其用于行人检测。利用深度可分离卷积减少模型的参数量和卷积过程的计算量;在深度可分离卷积的基础上构造反残差块,提取高维特征。采用多尺度预测和特征融合相结合的方法,更好地利用深层特征图的语义信息,使得模型对图像中小尺度的行人目标有较好的表征能力。运用K-means聚类方法对INRIA数据集中样本进行聚类分析。通过对比试验表明:改进后的YOLOv3方法在INRIA数据集上能够有效地检测小尺度的目标,与原方法相比在精度上提升了4.26%、召回率提升5%且检测每张图片所需的时间减少了33.6%。

基于正反残差块的人脸表情识别算法

针对传统人脸表情识别算法鲁棒性低,传统表情识别特别依赖人工设计的特征,提出一种改进的人脸表情识别算法。该算法在深度学习中的残差块与反残差块算法基础上,将两种算法融合,利用两种神经块结合起来的深度学习模型,同时配合数据增强、Dropout等技术。实验结果表明,经过优化的算法,在正确率上比原先有一定的提升,在训练稳定性上也有较好的表现,同时具有了更好的鲁棒性。

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。

基于IR-VGG的多分类皮肤病实时诊断

恶性的皮肤病变在早期阶段的治愈率极高,基于深度学习的皮肤病诊断研究近年来受到持续关注,其诊断准确率较高,然而计算资源消耗大,且依赖于医院大型计算设备。为在物联网移动设备上实现快速准确皮肤病诊断,提出一种基于IR-VGG(inverted residual visual geometry group)的多分类皮肤病实时诊断系统,使用轮廓检测算法分割出皮肤病图像病灶区域,并用反转残差块替换VGG16第一层卷积块以降低网络参数权重和内存开销;将原图像和分割后的病灶图像输入IR-VGG网络,通过全局和局部特征提取后,输出皮肤病诊断结果。实验结果表明,IR-VGG网络结构在SkinData-1和SkinData-2皮肤病数据集上的准确率分别可达到94.71%和85.28%,并且可以有效降低复杂度,使诊断系统较容易在物联网移动设备上进行皮肤病实时诊断。