基于渐进结构感受野和全局注意力的显著性检测

当前的显著性检测算法在复杂场景下难以分割出完整显著性区域以及锐利的边缘细节。针对这一问题,文中提出了一种新颖的特征融合算法。该方法利用全卷积神经网络获取多个层次粗糙的初始特征并结合特征金字塔结构对其深度解析。设计渐进结构感受野模块将特征转换至不同尺度的空间进行优化,实现特征的渐进融合与传递,有选择性地增强显著性区域。采用全局注意力机制消除背景噪声并建立显著性像素之间的长距离依赖,以提高显著性区域的有效性,突出显著性目标,再通过学习融合个层次特征得到显著图。综合实验表明,在绝对误差减小的情况下,F-measure指标远超出其他7种主流方法。所提的显著性模型综合了全卷积神经网络和特征金字塔结构的优点,结合文中设计的渐进结构感受野和全局注意力机制,使得显著图更接近真值图。

轻量化高精度卷积神经网络的安全帽识别方法

由于施工环境的复杂性,基于机器视觉的安全帽识别方法常常出现误检与漏检的情况。为提高复杂环境下安全帽识别的准确率,同时满足实时性要求,提出一种基于视觉感受野特性的轻量化高精度卷积神经网络。该卷积神经网络以RFBnet网络为基础,增加特征金字塔网络模块,使神经网络同时兼顾浅层语义信息和深层语义信息的表示能力,以实现复杂施工环境下不同形态与大小安全帽的识别。采用SE-Ghost模块在保持网络特征提取能力不变的情况下,对主干网络结构进行轻量化。为验证方法的性能,将基于感受野特性的轻量化卷积神经网络和当前主要卷积神经网络进行实验对比,结果表明,所提网络模型的检测准确率较YOLO-v3、RFBnet-300和RFBnet-512网络分别提高了1.60个百分点、3.62个百分点和0.98个百分点,检测速度达到20 frame/s。

轻量化超参数卷积神经网络的安全帽检测算法

目前工地安全帽检测任务中基于深度学习的安全帽识别方法由于底层特征缺少语义与全局信息,从而导致误检与漏检的情况发生。为在保证检测网络具备实时性的情况下,使得网络具有较高的监测性能,本文提出一种轻量化超参数卷积神经网络的安全帽检测算法。该算法以RFB-MobileNet网络为基础,在骨干网络中增加多频谱通道注意力网络(Frequency Channel Attention Networks,FcaNet),增强了网络对于不同尺寸目标特征的提取能力,大幅度提升了算法网络的检测精度,实现了常规施工环境下不同形态大小安全帽的识别。此外,本文将网络中感受野(Receptive Field Block,RFB)模块和FcaNet网络中的常规卷积替换为深度超参数化卷积(Depthwise Over-parameterized Convolutional,DO-Conv),在不增加计算复杂性的情况下,进一步提升模型的检测性能。实验结果表明,本文模型(DO-RFB-Mobilenet)的mAP较RFB-MobileNet的mAP提高了7.08%,检测精度达到74.27%,检测速度达到100帧/秒。

基于双高斯差模型分析神经细胞兴奋性程度改变的原因

视觉研究是神经科学中富有研究成果的领域之一.DOG模型(双高斯差模型)作为描述同心圆结构感受野的经典模型,从信息输入输出角度描述了空间信息的变换过程,运用公式表达了同心圆结构感受野的空间特性.介绍了同心圆结构感受野的特性以及DOG模型的函数特性,并且基于DOG函数的一维表达式对其中兴奋性与抑制性成分空间散布程度以及兴奋性与抑制性成分振幅进行改变,观察图像中神经细胞兴奋程度以及感受野大小的变化,分析其改变的原因.