基于深度可分离空洞卷积金字塔的变压器渗漏油检测

为了降低影响并提高对变压器渗漏油巡检图像的检测效率,提出一种基于深度可分离空洞卷积金字塔的变压器渗漏油检测模型。首先,将空洞金字塔中普通卷积块修改为深度可分离卷积块,以此扩大金字塔感受野,使特征提取网络提取到的特征图语义信息更加丰富;然后,改进了特征提取阶段低阶语义特征与高阶语义特征融合过程,进一步增强特征提取网络产生特征图的语义信息;最后,为了避免经过多次卷积、池化操作后特征图语义信息的损失,在融合过程中引入空间注意力机制和通道注意力机制,进一步增强特征图中的语义信息。与UNet(convolutional networks for biomedical image segmentation)、PSPNet(pyramid scene parseing network)、DeepLabv3+(encoder-decoder with atrous separable convolution for semantic image segmentation)和MCNN(multi-class convolutional neural network)等算法进行对比实验发现,本文所提出网络检测模型效果好,查准率达到了76.85%,平均交并比达到了64.63%,召回率达到了73.56%,检测速率达到了30 f/s。为了验证本文提出方法的有效性,设计了消融实验,与基础网络模型相比,查准率提高了9.33%,平均交并比提高了7.15%,召回率提高了5.66%。

基于多尺度深度可分离卷积的低照度图像增强算法

为解决低照度图像颜色失真、对比度低以及现有增强算法存在的细节丢失严重、参数过多等问题,提出基于多尺度深度可分离卷积的低照度图像增强算法。首先,设计多尺度混合空洞卷积模块,在扩大感受野的同时解决网格效应;其次,设计多尺度特征提取模块,提取不同尺度的特征信息;最后,对不同尺寸的特征图使用2种模块,将低层空间信息与高层语义信息充分融合,获得最终输出。用深度可分离卷积代替标准卷积可大大减少网络参数量与计算量。实验结果表明,所提算法能有效地提高图像的亮度和对比度,减少模型参数量,且图像纹理细节及色彩恢复较好。

基于深度可分离与空洞卷积的轻量化小麦生育进程监测模型研究

小麦的栽培管理措施依赖于其生育进程的监测,而传统人工观测小麦生育信息的获取方式,不仅效率低而且无法满足实时、快速的监测需求。为了解决上述问题,本研究提出一种基于深度可分离和空洞卷积的轻量化小麦生育进程监测方法,开展对小麦生育进程自动识别的研究。通过对试验田小麦完整生育周期内物候特征的持续拍摄,得到小麦各生育期分类图像数据集,并使用去中心化、错位缩放、翻转变换的图像增强方式对小麦生育期数据集进行扩充;通过使用深度可分离卷积有效地降低了模型的参数量和训练时间,在此基础上加入空洞卷积技术扩大网络中的感受野,提高网络对边缘的特征学习能力,并借助残差网络的技术逐步加深神经网络的深度,构建小麦生育进程监测模型。结果表明,本研究提出的监测模型在识别准确率方面高于经典的VGG16、InceptionV3、ResNet50模型,达到了98.6%。参数规模降低至1.3 MB,相比于轻量级模型MobileNetV2降低了58%,同等环境下在识别速度方面较MobileNetV2提高了47%;同时,利用TensorFlow Serving对监测模型进行部署,遵循前后端分离,采用SpringBoot及BootStrap等技术框架,开发了小麦生育进程智能监测服务系统,系统具有很好的松耦合性和灵活性。本研究为小麦生育进程智能化识别提供了技术支撑,也为低分类场景设计轻量且高效的卷积神经网络模型提供了可借鉴的方法。

基于深度可分离卷积和多级特征金字塔网络的行人检测

为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。

基于深度可分离卷积和改进空间金字塔的高分辨率遥感影像变化检测

建筑物变化检测是变化检测领域的一个重要研究方向,目前的众多建筑物变化检测方法大多参数量较大,变化检测精度不高。文章提出了一种结合深度可分离卷积和改进空间金字塔的模型。该方法上采样部分以深度可分离卷积代替传统卷积模块,即以逐通道卷积和逐点卷积的方式代替传统卷积模式,在保持精度的同时有效降低了参数量。增加改进空间金字塔结构以结合多尺度特征信息,增加影像多特征表达。实验结果表明。文章提出的方法可以有效提高建筑物数据集中的变化检测准确度。

基于深度可分离卷积网络的皮肤镜图像病灶分割方法

针对皮肤镜图像病灶难定位、病灶精准分割难以实现的问题,提出一种基于深度可分离卷积网络的皮肤镜图像病灶分割方法。首先对皮肤镜图像进行黑框移除和毛发移除处理,将图像中有碍确定病灶位置的人工噪声、天然噪声移除;然后在降噪处理的基础上,对图像进行形变、旋转,以扩充数据集;最后构建基于深度可分离卷积、空洞卷积的编解码分割模型,编码部分对图像进行特征提取,解码部分融合特征图,并对图像细节特征进行恢复。实验结果表明,该方法针对皮肤镜图像病灶分割问题可取得较好的分割效果,分割病灶的准确率达到95.24%,与分割模型U-Net相比,准确度提高了6.17%。

多尺度坐标注意力金字塔卷积的面部表情识别

针对传统卷积神经网络对人脸面部表情特征提取能力不足、计算速度较慢等问题,提出了一种多尺度融合注意力的金字塔卷积模型。为了减少网络的参数量,提高网络的计算速度,增大模型的感受野,改进了金字塔卷积结构;为了从多尺度表示面部表情特征,提高模型对面部特征的表示能力,提出了SECA坐标注意力模块;为了节省网络的计算量,解决模型冗余的问题,促进通道间的信息融合,提出了深度可分离混洗方法。实验结果表明,该模型在公开数据集FER2013、CK+和JAFFE上的准确率分别为72.89%、98.55%和94.37%,参数量为1.958×107,与其他网络对比,该网络识别效果更好,准确率更高,同时保持较快的计算速度。

基于空洞卷积的医学图像超分辨率重建算法

为解决现有医学图像超分辨率重建中存在的图像细节模糊、全局信息利用不充分等问题,提出一种基于空洞卷积与改进的混合注意力机制的医学图像超分辨率重建算法。首先,将深度可分离卷积与空洞卷积相结合,使用不同大小的感受野对图像进行不同尺度的特征提取,从而增强特征表达能力;其次,引入边缘通道注意力机制,在提取图像高频特征的同时融合边缘信息,从而提高模型的重建精度;再次,混合L1损失与感知损失函数作为整体损失函数,使重建后的图像效果更符合人类视觉感观。实验结果表明,在放大因子为3时,与基于卷积神经网络的图像超分辨率(SRCNN)算法、VDSR(Very Deep convolutional networks Super-Resolution)相比,所提算法的峰值信噪比(PSNR)平均提高了11.29%与7.85%;结构相似性(SSIM)平均提高了5.25%和2.44%。可见,所提算法能增强医学图像的效果与纹理特征,且对图像整体结构还原更加完整。

融合空洞卷积的轻量化目标检测

为了轻量化模型,便于移动端设备的嵌入,对YOLOv4网络进行了改进.首先,用MobileNetV3作为主干网络,并使用深度可分离卷积替换加强特征提取网络的普通卷积,降低模型参数量;其次,在104×104特征图输出时融合空洞率为2的空洞卷积,与52×52的特征层进行特征融合,获取更多的语义信息和位置信息,细化特征提取能力,提升模型对极小目标的检测性能;最后,将原来的池化层使用3个5×5的Maxpool进行串联,减少计算量,提升检测速度.实验结果表明,在华为云2020数据集上,改进算法的mAP比YM算法提高了2.33%,在公共数据集VOC07+12上,mAP提高了3.12%,FPS比原来的YOLOv4算法提高了一倍多,参数量降低至原来的18%,证明了改进算法的有效性.

改进空洞卷积在自动驾驶任务中的应用研究

空洞卷积在深度学习任务中应用广泛,能节省计算资源。但由于卷积核中插入了空值点,可能导致局部信息丢失,在图像处理任务中会破坏信息的连续性和位置信息。本文基于空洞卷积理论,优化了空洞卷积结构,避免了局部信息丢失,提升了在恶劣天气情况下自动驾驶汽车的预判交通事故风险的能力。经实验验证,本文优化的神经网络模型提升了训练效率、节省了计算资源,同时比传统方法提升了可驾驶区域分割的准确性和盲区车辆的轨迹预测准确性。

基于深度可分离卷积的轻量级时间卷积网络设计

时间卷积网络(TCN)在处理时间序列预测问题时存在计算量大和参数冗余问题,导致其难以应用于存储空间和计算能力受限的手机、平板电脑、笔记本电脑等移动终端。为此,设计一种轻量级时间卷积网络(L-TCN)。采用深度可分离卷积代替TCN中的普通卷积,先通过通道卷积对普通卷积在空间维度上进行分离,以增加网络宽度并扩大特征提取范围,再利用逐点卷积降低普通卷积操作的计算复杂度。实验结果表明,与TCN网络相比,L-TCN在保证时间序列预测精度的同时,能减少网络模型的参数量和计算量,适用于存储空间和计算能力受限的移动终端。

基于深度可分离卷积的卫星影像检测技术研究

卫星影像特定目标识别与定位可为军事侦察领域提供重要战略信息,如何平衡基于深度学习技术遥感目标检测算法的检测精度、参数量大小与检测效率成为当前研究热点。提出算法在Tiny-Yolo-V2算法基础上优化,利用深度可分离卷积概念解藕卷积层,减少模型参数量,提升检测效率。同时,结合特征金字塔思想,增加预测尺度,提高算法检测精度。在DOTA数据集上进行对比实验,结果表明相对Tiny-Yolo-V2算法,提出方法的mAP值提高了0.084,模型参数量减小了49%,检测效率提高了48%,验证了优化策略的有效性。

基于轻量级金字塔网络的种子分选方法研究

针对目前卷积神经网络种子分选方法存在识别精度不高、模型参数量大、推理速度慢且难于部署等问题,提出了基于轻量级金字塔空洞卷积网络的种子分选方法;该网络提出了残差空间金字塔模块,利用不同扩张率的空洞卷积扩大感受野,更有效地提取多尺度特征;再结合深度可分离卷积技术减少模型参数量和计算复杂度;在网络结构中引入轻量级注意力机制模块,利用局部跨通道交互方式关注重要的信息,提高种子关键特征提取能力;实验结果表明,提出网络参数量仅为0.13 M,在玉米和红芸豆数据集上准确率高达96.00%和97.38%,在NVIDIA Quadro板卡上识别单张图片时间仅为4.51 ms,均优于主流轻量级网络MobileNetv2、Shufflenetv2和PPLC-Net等,可以满足工业现场实时识别的要求。

分解多空洞深度卷积的轻量级图像语义分割

为了降低图像语义分割网络的模型复杂度,提出了分解多空洞深度卷积的轻量级图像语义分割模型。首先,针对大小不一的多目标,用感受野不同的金字塔结构提取图像语义特征,在深度卷积过程中对空洞卷积进行分解,以降低参数量和计算量;其次,对不同阶段得到的特征图进行融合,利用子像素卷积进行上采样,将提取的低分率图插入到最后输出的高分辨率特征图中,以改善图像语义分割的精准性;最后,在CamVid数据集上和现有的9种方法进行对比实验,结果表明,该方法参数量和计算量都相对较低,同时语义分割精准性得以提升。

基于注意力机制和多空间金字塔池化的实时目标检测算法

YOLOv4计算复杂度高,空间金字塔池化模块仅一次增强特征融合网络的深层区域特征图的表征能力、检测头网络的特征图难以突出重要通道特征;针对以上问题,提出一种基于注意力机制和多空间金字塔池化的实时目标检测算法;该算法采用多空间金字塔池化,提取局部特征和全局特征,融合多重感受野,加强特征融合网络的浅、中、深层特征图的表征能力;引入压缩激励通道注意力机制,建模通道间的相关性,自适应调整特征图各个通道的权重,从而使网络更加关注重要特征;特征融合和检测头网络中使用深度可分离卷积,减少了网络参数量;实验结果表明,所提算法的均值平均精度均高于其他7种主流对比算法;与YOLOv4相比,参数量、模型大小分别减少了27.85 M和106.25 MB,所提算法在降低复杂度的同时,提高了检测准确度,且该算法的检测速率达到33.70帧/秒,满足实时性要求。

基于注意力机制和深度卷积神经网络的材质识别方法

材质识别旨在识别自然材质图像中的主要对象及其所属材料类别。针对材质图像数据集通常数据量少、人工标注局部纹理区域困难所导致的材质识别准确率低的问题,提出了一种基于注意力机制和深度卷积神经网络的材质识别方法,该方法的核心是材质识别深度卷积神经网络(MaterialNet)。MaterialNet利用深度残差网络对图像进行特征提取,采用所提出的级联空洞空间金字塔池化的方式引入注意力机制,使网络可以通过端到端训练自适应地关注包含纹理特征的关键区域,从而有效识别材质的局部纹理特征。在FMD材质数据集上进行实验,结果表明,MaterialNet的总体识别准确率可达到82.3%,比当前主流的B-CNN和CNN+FV材质识别方法分别提高了7.2%和4.5%,对多种材质的识别准确率较高且具有参数量少、计算量小等优点。

基于级联可分离空洞残差U-Net的肝脏肿瘤分割

计算机辅助肝脏肿瘤分割可减少医生工作量,提高手术成功率,因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果,该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net(cascaded separable and dilated residual U-Net, CSDResU-Net)的肝脏肿瘤分割方法。CSDResU-Net采用了级联操作,解决了因肿瘤在整幅图像中占比小而造成的肿瘤分割数据不平衡问题;通过在分割网络中整合残差单元、深度可分离卷积和空洞卷积,能够增加卷积核感受野并快速提取更具判别性的肝脏肿瘤图像特征,从而提高肝脏肿瘤分割精度。在国际医学图像计算和计算机辅助干预协会肝脏肿瘤分割数据库上的实验结果表明,CSDResU-Net比基线方法的Dice系数指标提升了1.3%,同时发现空洞率对分割网络的性能表现影响较大。

基于空洞卷积的语义图像分割算法研究

图像语义分割是通过对图像中每个像素点分类别地进行标记,使机器能够自动识别并分割出图像中的不同内容。目前全卷积网络进行图像语义分割时,池化层使感受野增大,造成图像空间尺度信息丢失。使用空洞卷积神经网络对图像语义进行分割,能够消除池化层带来的减小图像尺寸问题,保持图像空间维度信息。文章对密集特征提取以及空间金字塔池化模块进行了优化,提出了一种新的语义分割网络。文章基于PASCAL VOC 2012数据集进行算法有效性的验证,相比于之前的算法分割准确性高11.4%。

Res_ASPP_UNet++:结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题,尝试以UNet++网络为基础,通过将编码器的标准卷积及最大池化替换成深度可分离卷积,以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能,并将改进后的建筑物提取网络称为残差空洞空间金字塔网络(Res_ASPP_UNet++)。为验证Res_ASPP_UNet++网络结构的有效性和适用性,以经过数据增强预处理的WHU和Massachusetts数据集作为数据源,对Res_ASPP_UNet++网络与目前常用的语义分割网络进行了试验和精度评估,并将Res_ASPP_UNet++网络与文献中的研究成果进行了对比。结果表明Res_ASPP_UNet++在模型参数量与精度两个方面均表现出优势,能够在大幅压缩模型参数量的前提下,显著提升建筑物提取精度,提取建筑物的边界更加平滑和精确,对不同尺度的建筑物表现出较强的泛化能力。

一种基于空洞卷积组合的轻量级语义分割方法

编-解码结构的卷积神经网络是近年来出现的一类高准确率的图像语义分割方法,但是参数量大、对算力要求高的特点,束缚了其在无人驾驶、道路监控、遥感分类以及移动端物体检测等算力有限、实时性强的领域中的应用。针对以上问题,首先设计空洞卷积组合模块—NG-APC模块,通过规范空洞率,在扩大感受野的同时解决空洞卷积中的栅格问题;再利用NG-APC模块结合深度可分离卷积搭建编码-解码结构的NA-U-Net。最后利用该网络,提出一种基于空洞卷积组合的轻量级语义分割方法,在保持较高的分割准确率的同时大幅降低卷积模型的参数量和计算量。通过在公开数据集Cityscapes上进行实验,并与经典的FCN-8s、U-Net以及轻量级的ESP-Netv2、Refine Net-LW、LiteSeg进行对比,验证本方法的有效性。