基于改进残差和注意力的CT肺癌辅助诊断

为了提高结节检测和肺癌诊断的性能,本文提出一种改进的卷积神经网络(CNN)模型用于这2个步骤的结节特征提取。该模型以一种改进U-Net网络作为基础网络,并引入了ResNeXt模块和注意力机制,在保持模型复杂度的同时,提高网络学习多种形状和大小的结节特征的能力。实验结果表明:该模型在DSB数据集上表现良好,结节检测的灵敏度和特异性分别达到了99.15%和99.99%,肺癌诊断的准确率和AUC值分别达到了80.43%和0.86。可见,本文方法对于多种多样的结节特征具有高度敏感性,具有一定的临床价值。

基于ResNeXt卷积神经网络的轨道目标检测实验设计

文章以列车行驶前方障碍物检测为例,介绍了根据所搭建的轨道目标智能检测实验平台设计和改进深度神经网络模型,并将其应用于实际场景的做法。选择了ResNeXt主干特征提取网络,使模型的特征提取能力更强;采用了自适应特征融合优化方法和注意力机制,大幅度提升了算法在铁路环境中的检测性能。

基于卷积语义增强的细粒度图像分类方法

细粒度图像分类是指基于已划分的基本类别而进行的更细粒度的子类别划分。由于细粒度图像分类具有类间差异小、类内差异大的数据特征,使其成为了一项非常具有挑战性的研究任务。通过对现有细粒度图像分类算法和模型的分析研究,提出一种基于卷积增强多尺度特征语义的弱监督细粒度分类方法。该方法通过卷积关联高低层特征,运用高层特征语义突出底层有意义的特征,抑制语义无效的底层特征,进而获得更具表达能力的多尺度特征。在以ResNeXt-101网络作为骨干网络和特征提取网络的基础上,在3个常用的细粒度图像数据集上对该方法进行实验验证,取得的分类正确率分别为88.3%、93.7%和94.3%。实验结果表明,与增强全局特征子特征的语义方法SEF、采用并行卷积块的多层特征融合方法MFF等其他多个主流细粒度分类算法相比,所提方法取得了更好的分类效果。

基于改进Faster R-CNN的水母检测与识别算法

提出一种基于改进Faster R-CNN水母检测与识别算法。首先,建立了包含7种水母的数据集;然后,针对ResNeXt(C=32)用于目标检测时出现计算量较大的问题,在保证精确度的前提下,将分支数C设置为8以降低计算量;最后,为解决水母检测时出现的检测精度低和小个体无法检测的问题,在残差网络中引入膨胀卷积。实验结果表明:该算法较VGG16、ResNet101、ResNeXt(C=32)和ResNeXt(C=8)方法,mAP值分别提高了3.15%、2.09%、3.01%和2.36%;F 1-score分别提高了2.53%、1.99%、2.01%和2.31%;loss损失函数收敛值更优,收敛精度趋近于0。P-R曲线、可视化效果分析和水母视频检测的结果证明:该算法的水母检测准确率和水母检测数量明显优于其他算法,检测精度较高,基本可以达到实时监测的要求。

基于视频分析的空管员违规行为识别方法

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型(AR-ResNeXt),基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。

基于卷积神经网络的群猪图像实例分割方法

针对群养饲喂模式下猪群易因聚集遮挡、猪体黏连而影响图像分割的问题,本文对无锚框单阶段实例分割Blend Mask算法进行了相应的改进,提出了一种基于卷积神经网络的群猪图像实例分割算法。将原主干网络由ResNet-101升级为ResNext-101,在网络不加深不加宽的情况下,提升模型准确率的同时还减少超参数的数量;在检测模块中引入可变形卷积来提高原网络对猪身粘连区域的表征能力;最后对损失函数进行优化,以提升分割精度。实验数据采集自广州广垦、湖南唐人神2个猪场,在此数据集上进行模型训练和测试,对改进前后的Blend Mask算法进行测试对比,改进后的Blend Mask算法的分割准确率在同一数据集上均有所提升,由于群猪聚集遮挡问题导致的误检、漏检问题也有所改进。

基于SOLOV2改进的实例分割算法研究

实例分割在图像分类的基础上为每一个物体生成像素级别的分割掩码,是当前计算机视觉领域热门研究课题,也是极具挑战性的任务之一。针对当前算法存在的分割精度和鲁棒性不高等问题,提出了一种改进的SOLOV2算法。首先,以FCN(Fully Convolutional Networks for Semantic Segmentation)算法为整体框架,采用ResNext作为骨干网络,在不增加网络参数量和计算量的前提下可以有效提升网络的精度;其次,采用改进的NAS-FPN(Neural Architecture Search Feature Pyramid Network)作为特征金字塔网络结构,这是一种可以在FPN中进行特征图的搜索和组合结构,使网络可以重新搜索并融合已经提取的特征图,以此来解决网络不能充分感知特征图从而导致网络精度不高的问题;最后,通过调整超参数得到整个分割网络模型。通过在COCO2017数据集上与BDD100K数据集上进行实验分析比较可知,改进的基于SOLOV2实例分割算法精度达到41.8%,在兼顾实时性的同时网络精度提升了2.1%。通过实验证明改进的算法可以适应多种交通场景,可以完成交通场景目标的检测与分割。

基于改进SOLOv2的煤矿图像实例分割方法

现有的图像分割方法用于清晰度较好的煤矿井下图像时效果良好,但应用于环境复杂的煤矿井下时,获取的图像大多较模糊且目标物体轮廓不清晰,从而影响目标物体的分割精度。针对上述问题,提出了一种基于改进SOLOv2的煤矿图像实例分割方法。将SOLOv2模型的ResNet-50网络替换为ResNeXt-18网络,从而精简网络层数,提升模型的推理速度;引入坐标注意力(CA)模块,以提升模型特征提取能力,保留精确的位置信息,提高模型的图像分割精度;采用ACON-C激活函数替换ReLU激活函数,从而使神经元之间的特征得以充分组合,增强模型的特征表达能力,进一步提高模型的图像分割精度。将改进SOLOv2模型部署在嵌入式平台上进行煤矿图像分割实验,相较于SOLOv2模型,改进SOLOv2模型的Mask AP(掩膜平均精度)提高了1.1%,模型权重文件减小了83.2 MiB,推理速度提高了5.30帧/s,达26.10帧/s,在煤矿图像分割精度和推理速度上均有一定提升。

基于非对称卷积−压缩激发−次代残差网络的人脸关键点检测

级联深度卷积神经网络(DCNN)算法为首先在人脸关键点检测中使用卷积神经网络(CNN)的模型,CNN的使用使得检测精度得到极大的提升。针对该策略需要对相邻阶段间的数据反复进行回归处理使得算法流程十分复杂的问题,提出基于非对称卷积−压缩激发−次代残差网络(AC-SE-ResNeXt)的人脸关键点检测算法。所提算法仅使用单阶段回归,既避免了级联策略中多阶段回归的算法流程复杂性,又解决了相邻阶段间数据需要进行预处理的问题。为了不降低精度,在次代残差网络(ResNeXt)块的基础上添加了非对称卷积(AC)模块和压缩激发(SE)模块,构建了AC-SE-ResNeXt网络模型。同时,为了能够精确拟合在不同光照、姿态、表情等复杂环境下的人脸,将AC-SEResNeXt网络模型加深到101层。对训练好的模型分别在数据集BioID和LFPW上进行测试,其中该模型在BioID数据集上的人脸五点关键点检测的综合平均误差率为1.99%,在LFPW数据集上的人脸五点关键点检测的综合平均误差率为2.3%。实验结果表明,所改进的算法不但简化了算法流程使之能进行端到端处理,而且其精度与级联DCNN算法相当,鲁棒性也有明显提升。

改进Mask R-CNN的细粒度车型识别算法

针对车辆型号繁多、部分型号间差异较小带来车辆分类困难的问题,构建一种基于改进的Mask R-CNN细粒度车辆型号识别算法。改进后的算法采用聚合残差-特征金字塔网络(ResNeXt-FPN)提取特征图;调整了区域建议网络(RPN)中锚(Anchor)的尺寸大小;用Soft-NMS代替了非极大值抑制算法(NMS),以提高检测精度;去除掩码分支,节省了预测时间。为了验证算法改进的效果,将其与最新的目标检测算法进行对比。实验结果证明,改进的算法提高了车辆识别的准确率,比原始算法准确率提升了2%。

基于注意力机制的改进残差网络的人体行为识别方法

针对ResNeXt网络(残差网络)中存在的对特征提取不充分,以及数据集中背景信息干扰的问题,将ResNeXt网络和注意力机制相结合,提出了一种基于注意力机制的ResNeXt模型。首先,在ResNeXt网络的基础上,将浅层和深层的特征融合生成新型网络结构。其次,将全连接层由全局平均池化层替代,然后在通道空间注意力机制中添加一个条件因子,同时将改进后的注意力机制嵌入上述网络中。最后,在UCF101和HMDB51上分别进行实验,得到了95.2%和65.6%的准确率。研究表明,本文提出的模型可以有效地提取关键特征,充分利用不同层次的特征信息获得较好的准确率。

基于迁移学习的多场景垃圾图像分类方法

垃圾分类回收是资源循环再生链条中重要的一环,传统的人工分类方法效率低,而基于神经网络模型的图像识别技术是实现智能化分类回收的重要策略,具有准确度高、泛化性能好等优点。针对生活垃圾场景的多样性以及垃圾图像数据集缺乏的问题,该文在基于单一背景和复杂背景两种不同垃圾图像场景下,提出一种基于预训练ResNeXt101模型进行迁移学习的方法。利用大规模ImageNet图像数据集训练模型参数,并将参数迁移到垃圾图像数据分类模型中进行训练,解决缺乏大规模标注数据的垃圾图像数据集的分类问题,实现玻璃和纸类等4种可回收物的分类识别以及厨余垃圾中杂质的检测。实验结果表明,利用该模型在真实背景下的垃圾图像分类准确率可以达到87.42%,单一背景下分类准确率达到96.19%,实现了高精度的可回收物识别分类以及厨余垃圾中高效的杂质检测,同时有效提升了模型训练速度。

基于改进深度残差网络的光伏板积灰程度识别

光伏板积灰会降低光伏发电的转换效率,同时易造成光伏板的损坏;因此,对光伏板的积灰进行智能识别具有重大意义。针对以上问题,提出一种基于改进深度残差网络的光伏板积灰程度识别模型。首先,通过分解卷积和微调下采样,对次代残差网络(ResNeXt)50进行改进;然后,融合坐标注意力(CA)机制,将位置信息嵌入到通道注意力中,通过精确的位置信息对通道关系和长期依赖性进行编码,并通过二维全局池操作将特征图像分解为两个一维编码,以增强关注对象的表示;最后,用监督对比(SupCon)学习损失函数替代交叉熵损失函数,从而有效提高识别准确率。实验结果表明,在真实光伏电站4个等级的光伏板积灰程度识别中,改进后的ResNeXt50的识别准确率为90.7%,与原始ResNeXt50相比提升了7.2个百分点。所提模型可满足光伏电站智能运维的基本要求。

基于Self-Attention StyleGAN的皮肤癌图像生成与分类

针对以黑色素瘤为代表的皮肤癌分类任务存在数据集各类样本数量、权重不均衡,且现有的对抗生成网络生成的皮肤癌样本图像质量较差导致临床诊断时难以分辨等问题,提出了一种基于自注意力的样式生成对抗网络(Self-Attention StyleGAN)与SE-ResNeXt-50相结合的皮肤癌图像样本生成与分类框架。该框架在样式生成对抗网络(StyleGAN)的基础上引入了自注意力机制,对生成器的样式控制和噪声输入结构进行了重新设计,并重构了鉴别器对图像生成器进行了调整,从而有效地合成高质量的皮肤癌病变图像。使用SE-ResNeXt-50来对皮肤癌样本图像进行分类,更好地提取样本图像不同层次特征图的信息,从而提高了平衡多类精度(BMA)。实验结果表明,该模型在ISIC2019皮肤癌数据集上生成的样本图像质量较高,且分类BMA达到94.71%。该方法提高了皮肤癌病变图像分类的准确性,帮助皮肤科医生对不同类型的皮肤癌病变进行判断和诊断,并对不同阶段和难以区分的皮肤癌病变进行分析。