高分辨率遥感图像中建筑物提取的边界精细化卷积神经网络

随着遥感图像解译在城乡规划和数字化城市建设等领域的广泛应用,对遥感图像中的建筑物进行完整地、准确地检测具有非常重要的研究意义和应用价值。近年来,深度学习技术被广泛应用于遥感图像中的建筑物提取。然而,如何从高分辨率遥感图像中完全地、准确地提取建筑物仍然面临着巨大的挑战。因此,文章提出了一种边界精细化的建筑物提取方法,命名为BR-Mask R-CNN。首先,文章采用多特征融合网络ResNeXt101-FPN作为主干特征提取网络,以提高小型建筑物的提取精度。然后,利用边界精细化掩码分支将边界保护分支和Mask分支集成起来,以保护建筑物的边界信息,并实现更加准确的掩码预测。最后,文章在两个公开的建筑物提取数据集上验证了所提出方法的有效性,实验结果表明该文的方法在许多评价指标上都有较好的效果。

基于改进Mask RCNN和Kinect的服务机器人物品识别系统

服务机器人在近年来得到了快速的发展,其应用的算法也在不断地更迭,目标检测算法便是其中之一。在保证目标检测精度的前提下,目标检测速度决定着机器人目标物抓取的效率。因此将远距离小目标场景作为测试场景,改进现有网络模型,目的是在保证检测精度的前提下提升检测速度。掩码区域卷积神经网络(Mask RCNN)是目前目标检测领域应用较广的算法,通过对其网络结构研究发现,掩码分支和过多的全连接层会占用大量网络检测时间;同时,Mask RCNN提取到的特征图具有较高的维度,其会占用大量的计算内存,产生大量的计算任务。为此,Mask RCNN进行改进,如去掉掩码分支和多余的全链接层;将头部轻量化区域卷积神经网络(LH-RCNN)引入到Mask RCNN中;调整区域建议网络(RPN)中锚点(Anchor)的比例。最后,本文在带有KinectⅡ的家庭服务机器人平台上对改进的Mask RCNN进行测试,测试结果表明,与原始的Mask RCNN相比,改进的Mask RCNN在保证检测精度的同时,可以大幅提高算法运行的速度,检测时间缩短2倍以上,提高服务机器人目标抓取任务的效率。

改进Mask R-CNN算法的带钢表面缺陷检测

在带钢的生产过程中可能会因为生产工艺的问题导致带钢表面出现缺陷,传统的带钢表面检测方法存在检测速度慢、检测精度低等问题。在计算机深度学习快速发展的今天,为实现带钢表面缺陷快速有效的检测,提出改进的掩码区域卷积神经网络(MaskR-CNN)算法,使用k-meansII聚类算法改进区域建议网络(RPN)锚框生成方法;同时调整MaskR-CNN模型的网络结构,去掉掩码分支,提高了模型的缺陷检测速度。实验在NEU-DET数据集的5种缺陷检测中将原算法的均值平均精度(mAP)从0.8102提升到0.9602,检测速度达到5.9 frame/s。并且能够实现对缺陷目标的检测和实例分割,以便研究人员观测缺陷的大小和形状,从而改进工艺。相比于目前其他深度学习的缺陷检测算法,更能满足带钢的生产检测要求。

基于深度学习的图像实例分割

提出了一种基于深度学习的精确图像分割方法。在Mask-R-CNN网络基础上给出一种实例分割网络。针对精确边界分割问题,提出通过重新设计掩码分支结构,来改善边界分割精度。在掩码分支上使用了前后层特征融合的方法可以更好的保留边缘信息。进一步通过增大RoIAlign层的分辨率,得到了更加精确的边界信息。在不影响算法精度的前提下采用深度可分离卷积减少了训练参数,提高了分割算法的效率。实验时通过比较mAP(平均准确率)的结果和检测定量图片需要的时间以及消耗的内存表明该算法的精确性和高效性。