面向存算一体芯片的非极大值抑制算法的量化部署

近年来,一种基于神经网络的非极大值抑制算法取得了媲美传统非极大值抑制算法的结果,并因其主要采用卷积算子和全连接算子而有望部署于存算一体芯片上。然而,目前以新型阻变存储器(RRAM)为代表的存算一体芯片大多只能支持5比特以下的位宽,基于神经网络的非极大值抑制算法能否在低位宽的存算一体芯片上获取同等性能仍待研究。

基于非极大值抑制的圆目标亚像素中心定位

圆形目标在基于图像的测量系统中应用广泛,针对圆目标中心的高定位精度和快速提取的要求,提出了一种基于非极大值抑制的亚像素中心定位方法。该方法利用Sobel算子进行边缘检测,通过改进非极大值抑制方法获取连续细化的边缘,实现了像素级边缘定位,采用Zernike正交矩对边缘点进行亚像素级定位,并用最小二乘法进行二次拟合来获取精确的标志点的中心坐标。仿真图像和实测图像的实验结果验证了该方法的有效性和准确性,其定位精度可以达到0.02像素,通过测试算法的运行时间,证明该算法具有很好的实时性。

一种自适应非极大值抑制边缘检测算法及FPGA设计实现

边缘检测是机器视觉和计算机视觉处理的基础性工具,其效率和效果直接影响了后续图像处理的质量及视觉系统的整体响应时间.用FPGA平台固化边缘检测算法可以大大提高算法的效率.Sobel算法计算简单,但其检测出来的边缘粗,同时现有FPGA平台上采用的固定域值、经验阈值的实现方案通用性较差.为此,本文采用非极大值抑制方法来改进Sobel算子,并运用一种基于梯度直方图的二阶导数最大值的阈值选取策略使算法具自适应性.在FPGA平台上,采用流水线及分布式策略设计出边缘检测算法的并行运算电路.仿真结果表明与现有FPGA平台上的Canny与Sobel算法相比,改进后的边缘检测方案在保证实时性的前提下,提高了边缘检测的质量,具备了自适应性、FPGA门资源占用少等特性.

行人检测中非极大值抑制算法的改进

行人检测是计算机视觉领域的难点和热点问题。行人检测可大致划分为3个部分:特征提取、分类和非极大值抑制(Non-maximum Suppression,NMS)。当前的研究工作主要集中在特征提取、特征学习和分类器等方向,而非极大值抑制方向鲜有改进。目前常用的非极大值抑制算法是贪心策略,抑制时只使用了单一的重合面积信息。针对该问题,在ACF(Aggregate Channel Features)检测算法的基础上,对非极大值抑制进行了3项改进,显著地提升了算法的精度,并且算法的时间消耗只有略微的增加。在INRIA数据集上,单独使用引入尺度比的动态面积阈值NMS时能降低平均对数漏检率(MR)0.99%;单独使用保留外围检测分数相近的检测窗口的策略时NMS能降低MR 1.25%;两者结合可降低MR 2.5%;结合后,再对已经被抑制的检测窗口重复抑制,MR降低了2.63%,达到14.22%。

一种改进约束条件的简化非极大值抑制

以简化非极大值抑制为代表的后处理在基于滑动窗口法的目标检测中发挥着重要作用.针对传统简化非极大值抑制约束条件单一、消除重复检测不充分的问题,提出了一种改进的简化非极大值抑制,即在传统简化非极大值抑制仅计算交集面积对候选检测边界框的覆盖比例的基础上,增加"抑制完全覆盖检测"约束和"PASCAL VOC重叠判据"约束,分别对应计算交集面积对选中检测边界框的覆盖比例和对并集面积的重叠比例.实验结果表明,该改进的简化非极大值抑制能有效消除误检,显著提升目标检测方法性能.

基于自适应非极大值抑制的SIFT改进算法

针对图像配准中尺度不变特征变换(SIFT)算法解算速率慢的问题,提出了基于非极大值抑制的改进算法。该算法扩大了极值检测区域半径,对SIFT关键点进行筛选,实现了关键点的优化分布。还提出一种自适应确定检测区域半径的方法,来更精确地控制关键点的数目和分布。仿真试验结果表明,该算法能在一系列不同的图像变换下表现出稳定的配准结果,解算速率较标准SIFT算法提升显著。

基于非极大值抑制的SUSAN算法改进及硬件实现

基于FPGA的嵌入式双目立体视觉系统中要求其边缘检测算法具备抗噪能力强、定位精度高、实时性好、易于硬件实现的特点。本文在SUSAN算法的基础上,提出了一种能够满足上述要求的改进边缘检测算法,先用SUSAN算法计算图像的初始响应和法线方向,再进行基于USAN重心与中心点距离阈值的非极大值抑制,最后进行边缘连接,得到边缘图像。该算法各模块采用Verilog HDL语言编程,并在FPGA中验证实现;边缘检测结果用于立体匹配,匹配效果良好,完全满足设计要求。

一种改进非极大值抑制的Canny边缘检测算法

在传统Canny算法的非极大值抑制过程中,由于对比点的选择存在随意性而导致边缘检测不准确。针对此问题,提出了一种改进非极大值抑制过程的Canny边缘检测算法,利用目标像素点梯度方向周围4个像素点和邻域相关系数,在梯度方向上进行插值,代替传统算法中直接以梯度方向周围的邻近像素点作为对比点,实现新的非极大值抑制过程。通过实验证明:改进的边缘检测算法在边缘检测及虚假边缘抑制的性能方面有所提升。

一种基于改进非极大值抑制的农作物病斑检测方法

针对传统边缘检测算子在植物病斑检测过程中抗噪性能差、自适应能力较弱、处理过程中采用的非极大值抑制方法容易导致伪噪声边缘出现等问题,提出了一种线性插值的非极大值抑制改进方法.该方法首先在预处理过程中使用改进的形态学滤波法替代高斯滤波,然后通过引入插值因子与邻域相关系数,将8个邻域简化为4个邻域,进行计算插值的梯度幅值与目标点的比较,替代传统方法中直接沿着梯度方向与邻域值相比较.实验结果表明:改进后的方法在抑制伪边缘点出现与适应性方面有了较好的提升,对病斑部分的分割具有非常好的有效性、准确性和鲁棒性.

使用GIoU改进非极大值抑制的目标检测算法

针对单阈值-非极大值抑制算法中出现的目标漏检和重复检测问题,本文提出了一种使用全局交并比指标GIoU(Generalized Intersection over Union)衡量目标相似度的双阈值非极大值抑制算法GDT-NMS(Generalized Dual Threshold NMS,GDT-NMS).使用双阈值改进NMS算法和soft-NMS算法,抑制多余的检测框;在此基础上,使用GIoU替换传统的IoU计算目标间的相似度,使目标的定位更加准确;进一步,使用非线性函数赋予检测框不同比例的权值惩罚,使检测框的得分随距离呈非线性变化,目标区分度更高.改进算法在PASCAL VOC和MSCOCO上的检测精度分别为74.8%和25.9%,与使用NMS算法作为后处理的Faster R-CNN算法相比,性能分别提升了1.6%和1.5%.同时本文算法具有较快的检测速度.

基于双阈值-非极大值抑制的Faster R-CNN改进算法

根据目标检测算法中出现的目标漏检和重复检测问题,本文提出了一种基于双阈值-非极大值抑制的Faster R-CNN改进算法。算法首先利用深层卷积网络架构提取目标的多层卷积特征,然后通过提出的双阈值-非极大值抑制(DT-NMS)算法在RPN阶段提取目标候选区域的深层信息,最后使用了双线性插值方法来改进原Ro I pooling层中的最近邻插值法,使算法在检测数据集上对目标的定位更加准确。实验结果表明,DT-NMS算法既有效地平衡了单阈值算法对目标漏检问题和目标误检问题的关系,又针对性地减小了同一目标被多次检测的概率。与soft-NMS算法相比,本文算法在PASCAL VOC2007上的重复检测率降低了2.4%,多次检测的目标错分率降低了2%。与Faster R-CNN算法相比,本文算法在PASCAL VOC2007上检测精度达到74.7%,性能提升了1.5%。在MSCOCO数据集上性能提升了1.4%。同时本文算法具有较快的检测速度,达到16 FPS。

基于F1值的非极大值抑制阈值自动选取方法

传统的NMS算法的过滤阈值是人为设定的,由于阈值的选取不当可能会造成漏检和误检。在应用NMS算法时,所有图像的最佳阈值不是完全相同的,根据图像自身信息的不同而发生变化。针对上述问题,提出基于F1值的非极大值抑制阈值自动选取方法,综合考虑检测算法的准确率与召回率,选取使F1值最高的最佳过滤阈值,构建映射关系。测试阶段,利用映射关系和图像信息自动选取对应的过滤阈值。实验结果表明,本文提出的改进版本NMS算法将检测精度mAP值提高了1.1%。与现有的先进算法做对比,证明了本文算法的有效性。

各向异性非极大值抑制在工业目标检测中的应用

在某些固定的工业应用场景中,对目标检测算法的漏检容忍性非常低。然而,提升召回率的同时,目标周围容易规律性地产生一些无重叠的虚景框。传统的非极大值抑制(NMS)策略主要作用是抑制同一目标的多个重复检测框,无法解决上述问题。为此设计了一种各向异性NMS方法来对目标周围不同方向采取不同的抑制策略,从而有效消除规律性的虚景框。固定的工业场景中的目标形状和规律的虚景框往往具有一定关联性。为了促进各向异性NMS在不同方向的精确执行,设计了一种比例交并比(IoU)损失函数用来引导模型拟合目标的形状。此外,针对规则目标使用了一种自动标注的数据集增广方法,在降低人工标注工作量的同时扩大了数据集规模。实验结果表明,所提方法在轧辊凹槽检测数据集上的效果显著,应用于YOLO系列算法时在不降低速度的同时提升了检测精度。目前该算法已成功应用于某冷轧厂轧辊自动抓取的生产线。

重定位非极大值抑制算法

非极大值抑制(Non-Maximum Suppression,NMS)算法作为目标检测任务的后处理算法,其作用是从候选框集合中选出最优边界框并抑制其他候选框。传统NMS算法选取类别置信度最高的候选框作为最优边界框,忽略了类别置信度与定位精度之间的相关性,类别置信度高并不意味着该框的定位精度高。为了解决以上问题,提出一种新的重定位非极大值抑制(Relocation Non-Maximum Suppression,R-NMS)算法。选择类别置信度得分最高的候选框作为最优边界框,利用R-NMS算法提出的一种边界框距离度量方法替代交并比衡量边界框之间的距离。然后,获取最优边界框周围候选框的位置信息,利用位置信息对最优边界框执行重定位操作从而得到新的最优边界框。采用PASCAL VOC2012数据集进行测试,实验结果表明,与传统算法NMS和Soft-NMS相比,R-NMS算法在目标检测器YOLOv3上的mAP分别提高0.7%、0.5%,R-NMS算法在Faster-RCNN上的mAP达到80.83%。该算法能够有效提高目标检测器的检测精度。

融合GRU和非极大值抑制的视频摘要生成模型

现有视频摘要生成模型存在计算量大,冗余帧带来的性能损耗大,模型效果不稳定等问题。基于此,提出融合GRU和非极大值抑制的视频摘要生成模型。所提模型对视频帧之间的特征关系进行建模,在获取帧级重要性得分模块中,提出一种融入GRU和注意力机制的Seq2Seq模型,增强帧与帧之间的时域特征关系影响,并且有效减少模型计算量,提高模型在反向传播时的收敛速度;在获取视频摘要模块中,提出基于非极大值抑制的关键序列生成算法,有效去除冗余帧。通过在多个数据集上与现今主流的视频摘要生成模型比对,显示所提模型在F-score和KFRR两个评估指标上均有不同程度的提升,表明其所生成的视频摘要具有更强的内容概括能力,并且模型在各种数据状况下具有较高的稳定性。

一种改进的非极大值抑制算法在YOLOv3模型中的应用研究

YOLOv3目标检测模型在进行候选区域确定时大多使用非极大值抑制算法,这类算法在多目标检测任务可能出现重复检测等问题,针对这一问题,本文在前人研究的soft-NMS算法基础上进行优化,提出I-NMS算法,并将该算法应用到YOLOv3算法中进行建模,通过实验对比验证表明,I-NMS算法有助于解决YOLOv3算法中的重复检测问题。

一种基于自适应非极大值抑制的文本检测算法

场景文本检测是场景文本识别系统的重要步骤,也是一个具有挑战性的问题。与一般对象检测不同,场景文本检测的主要挑战在于自然图像中文本的任意方向,较小的尺寸以及显著不同的宽高比。本文提出了一种名为SANTD(Self-adaptive NMS Text Detection)可端到端训练的文本检测模型,该检测模型可以在单个网络中精确、高效地检测任意方向的场景文本。同时,本文还对非极大值抑制做了修改,使其可自适应地检测文本框附近的密度值。在评估实验中,SANTD在准确率和召回率上都表现出了一定的优势。在数据集ICDAR 2015上,SANTD以11.6fps得到84.3%的f-measure值。

自适应置信度阈值的非限制场景车牌检测算法

针对车牌检测模型泛化性低,在智慧交通的不同应用场景中复用困难的问题,提出一种自适应置信度阈值的非限制场景车牌检测算法。首先,构建多预测头网络模型,利用分割预测头减少模型复用的预处理工作,利用自适应置信度阈值预测头提升模型的检测能力,并利用多尺度融合机制及边框回归预测头来提升模型的泛化能力;其次,采用可微分二值网络训练方法,利用可微分二值变换联合训练分类置信度及置信度阈值来学习模型参数;最后,利用连通感知非极大值抑制(CANMS)方法提升车牌检测的后处理速度,并引入轻量级网络ResNet18作为特征提取骨干网络,以减少模型参数量,进一步地提高检测速度。实验结果表明,在中国城市停车场数据集(CCPD)的6个不同限制条件特点的场景中,所提算法可获得平均99.5%的准确率与99.8%的召回率,并达到每秒70帧的高效检测速率,优于Faster R-CNN、SSD等锚框类算法的性能;在3个补充场景测试集上,所提算法对不同分辨率、不同拍摄距离、不同拍摄俯仰角等非限制场景下的车牌检测精度均高于90%。可见,所提算法在非限制场景下具备良好的检测性能及泛化能力,可以满足模型复用的要求。

基于灰度均值的自适应FAST角点检测优化算法

光照不均、突变引起的灰度变化会影响图像特征检测效果。为此,设计一种基于灰度均值的自适应FAST-9-12角点检测算法。首先,利用特征点的延展性设计一种小面积双重检测模板,减少像素点与中心点的比较次数,提高区域正检率和检测速度;其次,依据图像局部灰度均值,在每个像素点检测模板内自适应调整阈值,避免灰度变化影响检测效果;最后,根据柔性非极大值抑制的思想设计角点半径抑制原则,筛选鲁棒性更强的角点。在Inria遥感影像数据集上的实验结果表明,FAST-9-12角点检测速度比FAST-12-16,FAST-9-16两种模板提高22%左右,因自适应阈值的提取方式不易受光照影响,检测准确率分别提高4.16和3.11个百分点,实现了图像特征快速和精准检测。

基于Edge Boxes和深度学习的非限制条件下人脸检测

针对光线、旋转、遮挡、平移等因素对人脸检测结果产生的干扰,提出一种基于Edge Boxes和深度学习相结合的人脸检测算法。首先采用Edge Boxes算法提取出可能存在人脸的边界框,提取边界框中的图像并调整至合适的大小,作为卷积神经网络的输入,然后利用卷积神经网络对提取出的图像进行特征提取和分类,最后利用非极大抑制算法排除多余人脸检测框,得到人脸的准确位置。该算法应用于LFW和Yale B人脸数据库的检测率分别达到98.7%和98.5%,识别单张人脸的时间均小于0.5 s。实验结果表明,该算法在检测率和检测速率方面较传统算法都有了很大的提高,对于遮挡、光照、旋转等干扰具有更强的鲁棒性。