无人机双目视觉鲁棒定位方法

无人机(unmanned aerial vehicle,UAV)在全球定位系统(global positioning system,GPS)信号拒止环境中的应用受到限制,传统视觉同步定位与建图(simultaneous localization and mapping,SLAM)技术一定程度上解决了该问题,但在动态场景和弱纹理场景中定位精度较差。针对该问题提出一种基于双目视觉的多场景鲁棒SLAM方法,重点考虑了真实环境中的动态和弱纹理2类具有挑战性的场景,利用双目相机为UAV在动态和弱纹理场景中提供位姿信息。针对动态场景利用掩膜基于区域的卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)分割潜在动态内容并剔除动态特征,通过计算稠密光流同步相邻帧的掩膜,减小了掩膜的计算成本。对于弱纹理场景,在传统SLAM算法使用的点特征基础上融合了线特征,充分利用了环境中的结构特征。数值模拟和仿真实验证明了本文算法具有更高的鲁棒性和精确性。

基于图像的三维预测及其在水利枢纽中的应用

为了解决传统基于图像的三维重建中鲁棒性较差、信息获取效率低下的问题,使用了卷积神经网络(convolutional neural networks,CNN),将基于区域的掩模卷积网络(region-based convolutional network method,Mask R-CNN)和图卷积(graph convolutional network,GCN)联合实现三维重建,其中Mask R-CNN完成二维感知GCN实现三维形状推断,该方法不需要进行特征提取与匹配以及复杂的几何运算。通过实验验证了该方法的可行性,采用倒角距离(chamfer distance)及法向量距离作为评价指标与基线系统进行了比较,实验显示,倒角距离缩小了0.2~2.238,法向量距离增大了10.11~36.03,体现了优异性。以水利枢纽图作为实例进行三维重建,为稀疏信息及实例图的三维建模提供了新的思路。

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。

边缘优化下的戴口罩人脸实例分割

传统基于人脸关键点的人脸检测方法,在戴口罩的人脸识别中由于口罩大面积遮挡精度大幅下降,而分割算法在边缘特征上误检率较高。为了更精准地定位出戴口罩人脸的有效区域,本文提出了一种融合多阶段边缘分割算法的戴口罩人脸精细实例分割方法。一方面,在掩模区域卷积网络(Mask Region Convolutional Neural Networks,Mask RCNN)中添加了可拆分注意力的思想,增强了不同尺寸特征间的联系和检测性能;另一方面,使用双线性差分孪生网络搭建遮挡字典结合多阶段边缘优化分割方法优化目标边缘信息,逐步实现精细分割。在RMFD戴口罩人脸数据集上进行训练和测试。实验结果表明,RS_Mask R-CNN+边缘分割模型相比于基准Mask R-CNN的平均像素精确度(Pixel Accuracy,MPA)提高了4.11个百分点,目标检测精度达99%以上,在自遮挡以及不同类型口罩的人脸图像上都能取得不错的分割效果。