基于深度混合卷积的多传感器信息快速融合

为了解决传统方法对多传感器信息进行融合时存在的实时性与精准性不佳的问题,提出基于深度混合卷积的多传感器信息快速融合方法。采用误差反向传播算法去掉全连接层,设计一种深度混合卷积神经网络优化模型。利用离散小波变换处理多传感器信息的连续信号,重建离散小波逆变换信号。通过误差反向传播算法训练神经网络,调整网络层隶属函数参数与网络权重,经参数学习律离线训练深度混合卷积神经网络模型,实现多传感器信息快速融合。仿真阶段,由信息滤波效果、位移与速度估算值结果验证得出,所提方法降噪质量与融合精度较高,信息融合速度较快,能够满足实际的应用需求,具有良好的可行性。

基于混合深度卷积网络的图像超分辨率重建

针对传统图像超分辨率重建方法存在的重建图像模糊、噪声量大、视觉感差等问题,提出了一种基于混合深度卷积网络的图像超分辨率重建方法。首先,在上采样阶段将低分辨率图像放缩至指定大小;然后,在特征提取阶段提取低分辨率图像的初始特征;接着,将提取到的初始特征送入卷积编解码结构进行图像特征去噪;最后,在重建层用空洞卷积进行高维特征提取与运算,重建出高分辨率图像,并且使用残差学习快速优化网络,在降低噪声的同时,使重建图像的清晰度及视觉效果更优。在Set14数据集放大尺度×4的基准下,将所提方法与双三次插值(Bicubic)、锚定邻域回归(A+)、超分辨卷积神经网络(SRCNN)、极深度超分辨网络(VDSR)、编解码网络(REDNet)等超分辨率重建方法进行对比。在超分辨实验中,所提方法与对比方法比较,峰值信噪比(PSNR)分别提升了2.73 dB、1.41 dB、1.24 dB、0.72 dB和1.15 dB,结构相似性(SSIM)分别提高了0.0673,0.0209,0.0197,0.0026和0.0046。实验结果表明,混合深度卷积网络能够有效地对图像进行超分辨率重建。

轻量级深度可分离混合卷积神经网络的目标检测算法

本文在传统的SSD(Single Shot Detection)目标检测算法的基础上,替换原有的大型VGG前馈网络为本文创新提出的轻量级深度可分离混合卷积神经网络Mixmobilenet,使得整体目标检测模型参数量下降。之后加入FPN(Feature Pyramid Network)多尺度特征融合方法和集中损失函数(Focal Loss)。综合上述,本文创新提出轻量级深度可分离混合卷积神经网络的目标检测算法Mixmobi lenet-FFSSD,通过实验表明在PASCAL VOC数据集上准确率达到72.5mAP,参数量仅为6.6M,该目标检测算法在参数量、准确性和实时性方面均具有较好的表现,适合于嵌入式智能设备终端的高效目标检测需求。

基于级联网络的肝脏肿瘤CT图像分割

肝脏肿瘤计算机断层扫描(Computed Tomography,CT)图像分割是肝癌诊断与治疗过程的重要环节。近年来,基于U型结构的卷积神经网络在该分割任务取得了巨大的成功,但仍存在一些挑战,如肿瘤边界分割不精确、小肿瘤难以检测等。为提高肝脏肿瘤的分割精度,提出一种级联网络MCPUNet用于肝脏肿瘤分割任务。MCPUNet引入MDB(MDconv Block)和MP(Mixing Pooling)以获取上下文信息,MDB通过混合深度可分离卷积和坐标注意力机制提取图像的多尺度特征,MP用于下采样减少图像尺寸。实验证明,与原始的U-Net模型相比,该模型在肝脏肿瘤分割任务上的交并比(Intersection over Union,IoU)、准确度和召回率指标分别提高3.8%、2.5%和2.0%,为肝癌诊断和治疗提供了可靠依据。

基于改进YYOOLLOOvv 5的轻量级船舶目标检测算法

针对海上船舶目标检测准确率不高的问题,提出一种基于改进YOLOv5的轻量级船舶目标检测算法YOLOShip。首先将空洞卷积与通道注意力(CA)引入空间金字塔快速池化(SPPF)模块,以融合不同尺度的空间特征细节信息,强化语义信息,提升区分前景与背景的能力;其次将协同注意力与轻量化的混合深度卷积引入特征金字塔网络(FPN)和路径聚合网络(PAN)结构中,以强化网络中的重要特征,获取含有更多细节信息的特征,并提升模型检测能力及定位精度;然后考虑到数据集中目标分布不均匀及尺度变化相对较小的特点,在修改锚框,减少检测头数量以精简模型的同时进一步提升模型性能;最后,引入更加灵活的多项式损失(PolyLoss)以优化二元交叉熵损失(BCE Loss),提升模型收敛速度及模型精度。在SeaShips数据集上的实验结果表明,相较于YOLOv5s,YOLOShip的精确率、召回率、mAP@0.5与mAP@0.5:0.95分别提升4.2、5.7、4.6和8.5个百分点,能在满足检测速度要求的同时得到更优的检测精度,有效地实现了高速、高精度的船舶检测。

混合深度卷积神经网络对人脸年龄的分类

为了提高人脸年龄分类的精度并且减少年龄分类过程所需的时间,提出了由微调深度卷积神经网络(FDCNN)和概率协同表示分类器(PCRC)构成的深度混合模型对人脸年龄分类的方法.首先,在IMDB数据集上将VGG-Face模型微调,得到一个新的深度卷积神经网络模型;然后,用该模型提取人脸图像的年龄特征,并将其送到基于概率协同表示的分类器进行年龄分类;最后,在FG-NET,MORPH和CACD数据集上对由FDCNN和PCRC构成的混合深度模型进行验证.从验证结果可知:PCRC比支持向量机(SVM)平均分类精度高出4.6%,并且对微调的深度模型倒数第二激活层输出的特征进行分类能取得更高的分类精度;与CA-SVR,DeepRank和DeepRank+相比,FDCNN和PCRC构成的混合深度模型的分类平均绝对误差分别低1.24,0.14和0.06;与由DCNN和SVM构成的分类模型相比,该混合深度模型的年龄分类精度高出3.6%.通过与VGG-Face模型各层运算时间分布对比可知该混合深度模型的分类时间大幅减少,因此混合深度卷积神经网络能很好地进行人脸年龄分类.

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional,MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation,SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution,Batch normal,Hardswish,CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%。同时本研究在50次迭代下与YOLO v5s、RetinaNet、YOLO v4网络模型的检测效果进行了对比,结果表明,YOLO v5-MDC的mAP为99.40%,比YOLO v5s模型降低了0.06个百分点,但模型所占存储空间最小,仅为13.4 MB,比YOLO v5s模型减少了0.6 MB,对于单幅图像的最大检测时间为0.08 s,平均检测时间为0.03 s。综上,本研究所设计模型能有效实现重度粘连小麦籽粒的检测,同时模型检测效率高,所占存储小,可为小麦籽粒检测嵌入式设备研发提供技术支持。

基于改进YOLOv3的PVC皮革瑕疵检方法研究

针对目前PVC皮革瑕疵检测的检测系统中,由于皮革背景花纹的复杂性,在较多的场景中存在检测精度较低下、实时性较差等问题,提出了一种基于改进YOLOv3(You Only Look Once)的PVC皮革瑕疵检测网络YOLO-D(YOLO for Defects)。在YOLOv3特征提取网络的结构基础上,加入MixConv(Mixed Depthwise Convolutional Kernels)混合深度卷积核,以提升精度;通过引入GIoU(Generalized Intersection over Union)损失改进目标边框损失;并且加入标签平滑(Label smoothing),防止过拟合,提高模型的泛化性。在进行PVC皮革瑕疵检测中,YOLO-D在RTX-2070的显卡下平均每张检测时间为18.9ms,相比YOLOv3慢了4.8ms,但检测精度(mAP)为68.5%,相对YOLV3提高了10.9%。YOLO-D在满足PVC皮革瑕疵实时检测的情况下,较大幅度提高了检测的准确性。

改进YOLO v3算法的航拍小汽车检测

为了解决航拍小汽车检测精度和速度问题,论文在YOLO v3算法的基础上,设计了一种新的网络结构,并提出了一种改进YOLO v3算法。首先用混合深度卷积核代替单一卷积核,设计了一种新的特征提取网络。其次,对YOLO v3的FPN网络进行了改进,将深度特征映射和浅层特征映射融合,减小了卷积核的感受野。最后,在设计损失函数时,用GIOU代替IOU计算损失。结果表明,改进后的算法更准确、速度更快。

DeepLabV3_DHC:城市无人机遥感图像语义分割

高分辨率无人机遥感图像具有极为丰富的语义和地物特征,在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题,基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先,利用多种主干网络进行下采样,采集图像的低级特征和高级特征。其次,将原模型的atrous spatial pyramid pooling(ASPP)全部替换成深度可分离混合空洞卷积,同时添加自适应系数,减弱网格效应。之后,抛弃传统上采样的双线性插值法,替换为可学习的密集上采样卷积。最后,在低级特征中串联注意机制。选用多种主干网络进行实验,数据集选用四川省隆昌市地区的部分图像,采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明:所提方法不仅具有较高的分割精度,而且减少了计算量和参数量。

基于多通道的光学相干层析成像视网膜图像自动分类研究

光学相干层析成像(OCT)是获取眼部图像的主要技术手段之一。常见的眼科临床症状有软性玻璃疣,糖尿病性黄斑水肿和脉络膜新生血管性疾病。根据OCT图像的特殊性,通过利用深度神经网络对上述常见病变图像进行自动分类识别,提出了基于OCT视网膜病变图像自动分类的轻量级卷积神经网络—GM-OCTnet,其具有多通道、多尺度和相对轻量化等特点,并且能实现高精度、低误诊或少漏诊。此外,将所提出的模型与传统轻量级模型在OCT数据集中进行了比较。实验表明,利用混合深度分离卷积和轻量型注意力机制替换原始深度卷积和压缩注意力机制,相比传统的GhostNet模型平均准确率提高了2%左右,验证了该方法在OCT视网膜图像自动分类识别的性能和有效性。

基于改进SiamFC的实时目标跟踪算法

针对全卷积孪生神经网络SiamFC在目标跟踪速度以及网络判别能力上有待提升的问题,提出了一种基于改进SiamFC的实时目标跟踪算法。将原网络结构中的第二层卷积层替换为深度可分离卷积,通过减少参数计算量,提高了跟踪速度;为了提高网络判别能力,第三层卷积层使用混合深度卷积,通过不同尺寸的卷积核提取特征,实现多特征融合,提取到鲁棒性更强的特征;采用预处理后的ILSVRC2015数据集,使用随机梯度下降法对网络进行训练,并在OTB2015、VOT2016、ILSVRC2015数据集上对算法性能进行测试。实验结果表明,该算法和SiamFC算法相比,在跟踪成功率、跟踪精度以及跟踪速度上都有一定的提升,并能够满足实时跟踪要求。