-
题名逐级细化的交通标志识别算法
被引量:4
- 1
-
-
作者
徐丹
张绛丽
于化龙
左欣
高尚
-
机构
江苏科技大学计算机学院
-
出处
《数据采集与处理》
CSCD
北大核心
2018年第3期547-554,共8页
-
基金
国家自然科学基金(61305058
61772244)资助项目
+2 种基金
江苏省自然科学基金(BK20130471
BK20150470)资助项目
江苏省高校自然科学研究面上(16KJB520009)资助项目
-
文摘
针对交通标志识别中存在的识别精度和实时应用之间的矛盾,根据中国交通标志的特点,提出一种逐级细化的交通标志识别算法。首先进行粗分类,构建颜色属性-梯度直方图(Color name-histogram of gradient,CN-HOG)描述子表示每类标志的形状和颜色特征,采用线性支持向量机(Support vector machine,SVM)将交通标分为禁令标志、警告标志、指示标志、解除禁令标志和其他标志5大类;然后进行细分类,采用词袋模型中颜色和形状特征早融合的方式将颜色属性(Color name,CN)和尺度不变特征变换(Scale-invariant feature transform,SIFT)描述子相结合、利用高斯核SVM得到交通标志区域的最终类别标记。在公开数据集上的实验表明本文算法在满足实时应用的同时取得了99.15%的识别精度。
-
关键词
交通标志识别
逐级细化
词袋模型
颜色属性-梯度直方图
-
Keywords
traffic sign recognition
coarse to fine
bag of words
color name histogram of gradient (CNHOG)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名自然场景建筑工程标志信息逐级细化识别算法
被引量:1
- 2
-
-
作者
陈燕
杨志刚
-
机构
江西应用科技学院建筑工程学院
南昌大学
-
出处
《计算机仿真》
北大核心
2021年第8期450-454,共5页
-
基金
江西省教育厅科技项目(GJJ191205)。
-
文摘
为了提高自然场景标志信息识别精度,提出基于图像增强的自然场景建筑工程标志信息逐级细化识别算法。采用基于极大灰度频数抑制结合动态直方图均衡算法,增强处理自然场景建筑工程标志图像,优化标志图像质量;以粗分类形式识别自然场景建筑工程标志图像类型后,由细分类形式识别自然场景建筑工程标志具体信息,实现逐级细化识别工程标志。经实验结果验证:所提方法增强后图像均方根误差与清晰度可满足图像增强应用需求,均方根误差低于0.03,清晰度大于95%;识别自然场景建筑工程标志信息精度较高。
-
关键词
自然场景
工程标志信息
灰度频数
逐级细化
-
Keywords
Natural scene
Engineering sign information
Gray frequency
Step by step refinement
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名双主干伪装目标检测网络
- 3
-
-
作者
史彩娟
赵琳
任弼娟
张昆
孔凡跃
王睿
-
机构
华北理工大学人工智能学院
华北理工大学河北省工业智能感知重点实验室
-
出处
《北京交通大学学报》
CAS
CSCD
北大核心
2024年第2期57-67,共11页
-
基金
唐山市人才项目(A202110011)
华北理工大学杰出青年基金(JQ201715)
河北省科技计划项目(20327218D)。
-
文摘
针对伪装目标检测任务中存在检测精度有限的问题,通过引入双主干网络增加差异化信息,提出一种双主干伪装目标检测网络(Dual Backbone Network,DBNet).设计了双主干特征融合模块、边缘注意力模块和逐级细化模块.双主干特征融合模块将Res2Net50和PVT v2对原始图像提取的多级特征进行有效融合,获取丰富的全局上下文信息和局部上下文信息;边缘注意力模块根据生成的边缘预测图进一步计算边缘注意力图,使网络更加关注伪装目标的边缘细节;在逐级细化模块中,上一层的预测图和特征与当前层的特征依次经过粗预测细化结构和交叉查询注意力结构,该模块在标签监督下能够提供逐渐精确和细化的预测结果 .研究结果表明:在CAMO数据集,DBNet的S_(α)、F_(β)^(ω)和E_(φ)分别为0.877、0.838和0.932,MAE为0.042;在COD10K数据集,DBNet的MAE和E_(φ)分别为0.022和0.932;在NC4K数据集,F_(β)^(ω)和MAE分别为0.843和0.031.所提网络DBNet的检测性能优于其他23个伪装目标检测网络,所设计的3个模块能够有效提升网络对伪装目标的检测能力.
-
关键词
伪装目标检测
双主干网络
边缘注意力
逐级细化
-
Keywords
camouflaged object detection
dual backbone network
edge attention
level-by-level re-finement
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-