基于改进SOLO神经网络钢包起重挂钩的识别测定

为了提高基于计算机视觉的检测钢包挂钩分割的准确性,提出了一种基于改进SOLO网络挂钩的识别方法。首先构造卷积神经网络ResNeXt并将其设计为SOLO的主干网络,用于提取挂钩的特征;其次为了更好地解决挂钩多尺度的问题引入特征金字塔网络(FPN),构造ResNeXt-FPN网络结构;最后将SOLO算法分为类别预测和掩码生成2个分支,在类别预测生成的同时,对挂钩生成对应的实例分割掩码。实验结果表明,改进SOLO算法的平均召回率和精确率分别达到82.10%和97.70%,优于其它公开算法网络。

基于特征与数据增强的城市街景实例分割算法

城市街景分割是智能交通领域中一项关键的技术,对于城市街景环境中的客观因素例如遮挡、小目标等问题,提出一种基于特征增强与数据增强的城市街景实例分割算法DF-SOLO(data augmentation and feature en-hancement SOLO)。针对遮挡问题,通过非对称自编-解码器架构对城市街景图像进行数据增强,与传统方法相比处理后的图像更贴近真实的源数据分布。针对城市街景中的小目标分割问题,引入特征加权和特征融合的思想,特征加权模块在特征处理过程中能够根据特征的重要程度赋予不同的权值,提高对重要特征的利用率;特征融合模块从更细粒度的角度进行多尺度特征融合以解决尺度敏感问题,提高语义特征的描述性。通过在Cityscapes数据集上的实验表明,提出的实例分割算法在保证实时性的同时相较于单阶段SOLO算法和两阶段Mask R-CNN算法的mAP值上分别提升2.1%和2%,改善了对小目标和遮挡目标的分割效果。