基于改进的Cascade-RCNN网络的人员检测算法

为解决人员密集情景下行人检测存在大量的目标误检、漏检的情况,本文提出了一种改进的基于Cascade-RCNN的目标检测网络,提高了人员检测的准确率。对目前检测效果较好的Cascade-RCNN做了一些改进:选用ResNeXt101代替ResNet作为骨干网络,以便提取更加充分的特征;为了获得更好的标记框,用kmeans聚类算法得到更符合目标形态的anchor长宽比例,通过WBF算法融合多个模型的结果得到更精确的边界框,同时引入多尺度训练以提高对小尺度目标的检测能力。实验结果表明,在CrowdHuman公开数据集上,用ResNeXt101提取特征其得分提高了3.7%,用kmeans聚类算法生成anchor比例和WBF算法融合多预测框其准确率提升了0.7%和1.2%,最终整体性能较基础Cascade-RCNN提升近6%。

水下图像目标检测技术研究

运用目标检测技术,水下机器人海底打捞技术可替代人工捕捞,解决人工作业危险系数高、经济效益低的问题。该文水下目标检测研究对象为海参、海胆、扇贝、海星四类生物,针对水下图像颜色偏移严重、存在明显跨域等问题,提出了一种基于Cascade-rcnn的海底生物目标检测方法,结合传统图像处理,解决水下图像跨域问题,最终精度达到0.507(iou0.5:0.95 Map)。

基于改进CNN的低剂量CT图像肺结节自动检测

随着空气污染日益严重,肺癌已成为发病率和死亡率增长速度最快的恶性肿瘤之一,严重危害人们的生命和健康。肺癌早期主要表现为肺结节的形式,如果在肺癌早期能够及时发现并治疗,将能够提高肺癌的治疗效果。低剂量螺旋CT具有采集速度快、成本低、辐射低的特点,因此被大量应用于对肺结节的诊断。目前,CT图像的诊断多采用传统的人工诊断方式与CAD系统诊断的方式,但这两种方式存在精确性低、泛化性差的缺点。针对上述问题,文中以医学辅助诊断领域中的肺结节检测问题为研究对象,提出了一种基于改进CNN的低剂量CT图像的肺结节自动检测算法。首先,对CT图像进行预处理,提取肺实质;其次,对cascade-rcnn候选结节筛选网络进行改进,以提取更高质量的目标;然后,提出了改进3D CNN的假阳性减少网络,提高了结节分类的准确性;最后,在LUNA16数据集上进行了实验,结果表明,与现有算法相比,所提算法在检测准确率上有所提升。