基于级联卷积神经网络的城市交通汽车目标图像检测方法

由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。

基于改进级联卷积神经网络的织物疵点检测

为了改进当前织物检测算法样本数量少、织物疵点检测准确率低和定位精准度差的问题,提出一种端到端的改进的织物疵点检测算法。针对公开数据集样本数量少、样本种类不均衡的问题,采用线下与线上结合的数据增广方式,除了基本的数据增广方法,同时引入复制粘贴以及混合的方式对样本进行扩充与增强;针对特征提取算法提取特征不精确的问题,对特征金字塔进行改进,通过加入可变形卷积、递归特征金字塔、可切换的空洞卷积、全局语义信息的方法扩大感受野、增强语义信息。实验结果验证了算法的有效性,该算法对天池雪浪制造数据集9种布匹疵点进行检测,检测是否具有瑕疵的准确率达到97%以上,疵点定位的平均检测精度为56.7%,样本检测效率为2.4 FPS。相对于基础模型定位精准度提升了10%以上,并且检测效果满足工业上的生产需求。

基于级联卷积神经网络的山羊姿态估计

为了实现单只和多只山羊的姿态估计,试验采集陕西关中地区某山羊养殖场的山羊视频和图片,标注山羊的轮廓、关键部位和连接,构建山羊姿态数据集;将山羊骨架分解为18个关键部位和17个连接,并通过深度卷积神经网络预测、匹配、提取山羊骨架,即采用单分支级联卷积神经网络预测单只山羊的关键部位,并按顺序连接提取山羊骨架,采用双分支级联卷积神经网络同时预测多只山羊的关键部位和连接,再用匈牙利算法进行匹配来提取每只山羊的骨架。结果表明:单分支级联卷积神经网络模型的关键部位正确预测率达到了82.50%;双分支级联卷积神经网络模型关键部位和连接的正确预测率分别是85.32%和83.76%,骨架提取的正确率为78.26%;平均对象关键点相似度为0.85时两个模型的平均召回率和平均准确率均达到80%。说明本试验构建的神经网络模型预测山羊骨架的准确性和效率优良。

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络(Convolutional Neural Network,CNN)和磁共振图像的前列腺癌(Prostate Cancer,PCa)自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化(Batch Normalization,BN)、全局平均池化(Global Average Pooling,GAP)进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.

基于级联卷积神经网络的手势特征提取方法

针对当前手势图像数据集不能均匀、全面地覆盖所有手势参数空间内的各种手势的问题,提出一种基于级联卷积神经网络的手势特征提取方法。该方法通过级联式模型,分层次地对高维度、高自由度的手势参数进行特征感知和提取。首先,将手腕角度参数作为手势参数的全局参数,进行划分和特征提取;然后,将手指角度参数作为局部参数,进行特征提取。为解决局部参数特征提取网络数量过多的问题,减少神经网络的数量和节约训练网络所需的时间与内存开销,采用多分支结构的神经网络模型,将五个手指的局部特征提取网络集成为一个整体。实验结果表明,所提方法在真实训练集上平均分类准确率达到95.13%,测试集平均准确率达到54%,测试集准确率相较于全卷积神经网络的算法提高了4.76个百分点。

一种改进的多任务级联卷积神经网络人脸检测算法

多任务级联的卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)人脸检测算法因兼顾了检测的速度与准确率经常被用在一些人脸识别任务上,但是面对一些复杂的人脸检测任务,该网络检测的实时性与准确性仍然达不到实际要求。为解决这一问题,提出了一种改进的多任务级联卷积神经网络人脸检测算法。该方法对MTCNN中的R-Net和O-Net模块进行了改进,将这两个网络模块的NMS算法优化成Better-NMS算法,即重新对图像候选框的分类置信度进行修改,避免了对于IOU大于预设阈值的人脸候选框的漏检。在WIDER Face和FDDB数据集上,将所提出的改进的级联卷积神经网络人脸检测算法及其他对比算法进行了训练与评测。实验结果表明:该改进算法能在人脸检测过程中更好地排除冗余的候选框,保留精准度更高的回归窗口,可以在不损耗其鲁棒性的同时提高了人脸检测的准确率。

基于优化多任务级联卷积神经网络的多人目标侦测

针对多人目标侦测识别的速度问题,提出了一种优化的多任务级联卷积神经网络(OMTCCNN)。首先,对CelebA数据集进行增样处理;其次,对MTCCNN进行关键点的回归,同时加入Dropout抑制部分神经元,加速侦测时间;最后,通过Arc-SoftMax增大类间距,优化SoftMax分类效果。基于召回率、精确率和运行时间等评价指标的对比,结果表明:优化后的OMTCCNN时间上略有提升,人脸识别在Arc-SoftMax上的分类效果明显,可以用于小范围多人目标侦测。

基于级联卷积神经网络的绝缘子缺陷识别

针对航拍图像绝缘子缺陷检测速度慢且易出现误判的问题,提出一种基于级联卷积神经网络的绝缘子缺陷识别方法。该方法将缺陷识别问题转换成了二级目标检测问题。为便于快速获取输入图像的深层特征,使用了深度可分离卷积和减少卷积层的方式对YOLOV3目标检测算法进行了轻量级的优化。另外,通过倒残差结构和RFB(receptive field block)模块设计,提高了网络检测性能。实验结果表明,所提出的算法在缺陷识别的速度和准确度方面都有明显的提升。

一种改进的多任务级联卷积神经网络人脸检测算法

人脸识别是人工智能的重要应用领域之一,人脸检测是人脸识别的关键步骤。由于姿势变化、外物遮挡以及光源方向等多方面因素的影响,人脸检测的准确率不高,并且对于多人图片,往往很难准确地识别出所有人脸。提出了一种改进的多任务级联卷积神经网络的人脸检测算法(IMTCNN):对R-Net层网络集成图片信息卷积残差模块,通过扩大特征图的感受野来获取更多人脸信息,以提升R-Net层网络对人脸目标的检测鲁棒性,并且通过加入反卷积层和最大池化层解决特征融合时维度不一致问题;对O-Net层网络集成图片信息卷积残差模块,进一步提升对多人图片的人脸检测性能,降低人脸检测过程中受外部条件影响产生的误差,同时添加2个卷积池化层使特征融合时维度一致。通过改进R-Net层和O-Net层集成图片信息卷积残差模块,扩大特征图的感受野,对图片进行人脸候选框定、选区筛选以及人脸关键点定位,最终实现人脸检测。试验结果表明,该算法速度快,准确性高,并且可以一次性检测多张人脸,为后续人脸识别打下了良好的基础。

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。

基于级联卷积神经网络的人脸检测算法

为了解决大部分基于深度学习的方法直接提取深度抽象特征,无法在速度与精度上取得均衡问题,该文将传统的级联框架与深度卷积神经网络结合,提出了一种新的基于级联的由浅至深的卷积神经网络人脸检测方法。首先通过融合全脸与部分人脸的全卷积神经网络置信图谱快速定位人脸候选区域,然后采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精确度。所提出的方法与一些代表性的算法对比和分析,在FDDB、AFW权威评测集上达到了可比较的精度,且能快速地进行检测。

尺度无关的级联卷积神经网络人脸检测算法

卷积神经网络在进行图片处理时需要输入固定尺寸大小的图片,该限制会导致原图在缩放过程中损失大部分信息。另外,目前人脸检测算法多用单一结构网络进行特征提取,这就使得算法的泛化能力较弱。针对以上两个问题,提出了一种将级联卷积神经网络与空间金字塔池化相结合的人脸检测算法。该方法将三级卷积神经网络模型连接起来,其中三级神经网络模型之间各不相同,结构从简单到复杂,在不同层次的神经网络上提取不同的人脸特征并筛选图片,完成对图片中人脸区域的检测。同时,在每级网络层次中加入空间金字塔池化层,这种池化策略无须固定尺寸大小的输入,增加了模型输入的尺寸选择。在标准人脸数据集中,该方法相对于传统方法实现了模型的多尺度输入,提升了检测性能,并降低了检测人脸的时间。

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。

基于级联卷积神经网络的荧光免疫层析图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。

基于级联卷积神经网络的彩色图像三维手势估计

估计手的三维姿态是人机交互中重要的组成部分.针对从单个彩色图像估计准确的三维手势困难这一问题,提出了一种基于级联卷积神经网络的估计方法,该级联网络分三阶段,手部掩膜估计、二维手势估计和三维手势估计,三阶段级联网络进行端到端的训练,可以实现相互促进,最终优化三维手势估计的准确性.在两个公共数据集上进行了实验,实验结果表明该级联网络产生了卓越的三维手势估计精度,验证了该级联网络的有效性.

基于级联卷积神经网络的作物病害叶片分割

针对传统卷积神经网络在作物病害叶片图像中分割精度低的问题,提出一种基于级联卷积神经网络(Cascade Convolutional Neural Network,CCNN)的作物病害叶片图像分割方法。该网络由区域病斑检测网络和区域病斑分割网络组成。基于传统VGG16模型构建区域病斑检测网络(Regional Detection Network,RD-net),利用全局池化层代替全连接层,由此减少模型参数,实现叶片病斑区域精确定位。基于Encoder-Decoder模型结构建立区域分割网络(Regional Segmentation Network,RS-net),并利用多尺度卷积核提高原始卷积核的局部感受野,对病斑区域精确分割。在不同环境下的病害叶片图像上进行分割实验,分割精度为87.04%、召回率为78.31%、综合评价指标值为88.22%、单幅图像分割速度为0.23 s。实验结果表明该方法能够满足不同环境下的作物病害叶片图像分割需求,可为进一步的作物病害识别方法研究提供参考。

基于级联卷积神经网络的高效目标检测方法

目标检测作为计算机视觉的重要研究方向,在智慧城市、无人驾驶等领域的作用越来越重要。传统目标检测算法中,根据交并比(Intersection over Union,IOU)的大小判断正负样本,但较低的IOU会引入噪声,降低检测器的精度;较高的IOU会保留少数高质量样本,造成过拟合;并且推荐区域和检测器的IOU阈值相差过大会引起质量不匹配问题。针对上述问题,提出了一种基于级联网络的平行级联检测网络,它由一系列检测器串并联而成,每个检测器设置递增的IOU阈值,从而在每个阶段都会得到一个更高质量的样本分布来训练下一级检测器,并逐步重采样减少过拟合。实验结果表明提出的平行级联检测网络的检测精度优于传统目标检测算法,在目标检测数据集Microsoft COCO上平均准确度(AP)提升了1.5个百分点左右。

基于双网络级联卷积神经网络的设计

传统的卷积神经网络通常采用单一的网络结构进行特征提取,但是单一网络结构提取的特征不够充分,导致图片分类的精度不高。针对这个问题提出了采用两种网络同时进行特征提取,再将两种网络级联在一起,得到两种网络的融合特征,使提取的特征更具有辨别性。双网络级联是采用两条支路进行特征提取,一条支路为传统的CNN,另一条支路为在传统的CNN基础上加上残差操作,在下一次特征图降维前通过级联操作将两条不同的网络支路结合在一起。本网络实验采用101_food和caltech256数据集进行测试,将级联后的网络和两条支路网络进行对比,实验最后表现出较好的结果。