基于改进SegNet网络的障碍物检测算法研究

为了提高自动驾驶车辆的多类障碍物检测的精度,提出一种改进的SegNet神经网络算法。该算法在SegNet网络的基础上结合残差网络和多尺度融合算法,提高分类的准确性。对网络训练策略进行改进,采用自设置对比度归一化算法、学习率调整算法和类平衡算法提高网络的鲁棒性和收敛速度。通过在不同场景下进行实验,结果表明,相较于SegNet神经网络,改进后的SegNet神经网络的像素平均精度(PPA)从85%提高至97%;平均交并比(MIOU)从76%提升至90%。

基于AD-SegNet模型的苗族服饰图案分割方法研究

针对苗族服饰图案纹理多元化、形状不规则问题,提出了注意力特征融合的深度过参数化卷积语义分割网络(a deep over-parameterized convolutional semantic segmentation network for attentional feature fusion,AD-SegNet)模型。在传统卷积操作中增加深度卷积操作,加快了模型的收敛速度,提高了模型的分割性能。针对苗族服饰图案色彩差异大的问题,引入了注意力特征融合(attentional feature fusion,AFF),通过融合不同卷积层输出之间的特征信息,加强对特征信息的提取,减少色彩差异给网络学习带来的影响。实验结果表明,AD-SegNet模型性能优于其他对比模型,能有效对苗族服饰图案进行分割,与语义分割网络(semantic segmentation network,SegNet)基准模型相比,在像素准确率(pixel accuracy,PA)、交并比(intersection over union,IoU)、戴斯相似系数几个指标上分别提升了0.0447、0.0921、0.0542,为少数民族服饰图案分割研究提供了有效可行的方法。

构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器(VoV-GSCSP),保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA(efficient multi-scale attention module with cross-spatial learning)建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,m PA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的养殖水体鱼类监测场景中精准分割鱼类形态特征,可为鱼类表型智能测量提供技术支持。

基于改进的IIE-SegNet的快速图像语义分割方法

针对IIE-SegNet计算复杂度高、计算量大等问题,本文提出一种基于IIE-SegNet的改进方法。编码结构中引入经ImageNet训练过的VGG16和多尺度空洞卷积空间金字塔池化来获得丰富的编码信息;解码结构中,设计全局加平均模块来解决IIE-SegNet计算量大的问题;研究Focal损失函数来解决正、负采样不平衡的问题。实验结果表明:与IIE-SegNet相比,本方法在PASCAL VOC 2012数据集上的语义分割速度更快,平均每次迭代快0.6 s左右,测试单张图像的时间平均减少了0.94 s;分割精度更高,MIoU提升了2.1%。在扩展的PASCAL VOC 2012(Exp-PASCAL VOC 2012)数据集上的语义分割速度更快,平均每次迭代快0.4 s左右,测试单张图像的时间平均减少了0.92 s;分割精度更高,MPA和MIoU分别提升了2.6%和2.8%,特别是对于小尺度目标分割边界更清晰,性能得到了很大的提升。

基于改进SegNet网络的遥感影像建筑物信息提取

建筑物是人类生活的重要场所,利用遥感影像准确快速地提取建筑物信息是在更精细的尺度上分析人类活动的重要途径。用传统的监督分类等方法提取复杂的建筑物结构信息,在精度和准确度上效果较差。因此,本文对SegNet网络进行改进,在SegNet网络中引用跳层连接结构补充解码器层的目标细节信息,同时,引用ASPP模块增强网络对多尺度目标的捕捉能力。用改进后的SegNet网络在WHU遥感影像建筑物中进行试验,并与U-Net网络、SegNet网络和SVM方法进行对比。试验结果表明:改进后的SegNet网络总体精度和准确度分别为95.14%和98.35%,精度明显高于对比试验方法。

一种改进SegNet网络的路面裂缝分割算法

路面裂缝是威胁公路安全运行的常见潜在隐患,经典路面裂缝分割算法存在不同程度的裂缝断裂、薄细裂缝边缘识别不佳等问题。针对上述问题,提出一种Crack SegFormer路面裂缝分割算法,主要由基于裂缝定位注意力的编码器、多层特征金字塔以及基于裂缝锐化注意力的解码器三部分组成。利用Crack500、Crack200、DeepCrack、CFD 4个公开数据,对CrackSegFormer模型分割裂缝的有效性进行了验证,结果显示所提出的CrackSegFormer模型能够抑制非裂缝特征、保留细微和末梢裂缝特征。相对于经典SegNet网络,所提出模型的准确度、召回率和F1-score三类评价指标分别提升了1.14%,3.61%和4.26%。

基于SegNet_CRF的遥感影像水体提取方法

水体的自动提取对于洪水监测、水资源管理等方面有着重要意义。本文提出了SegNet_CRF语义分割方法,可从遥感影像上自动提取水体。首先,在SegNet编码器和解码器之间植入空洞卷积特征提取块,融合不同尺度的特征,然后在分类后处理中引入条件随机场,对提取结果进行精细化处理,最后与FCN、经典SegNet网络水体提取结果对比,结果表明,SegNet_CRF网络结构在Recall、Precision以及F1-score指标上都有所提高,水体提取结果更加准确完整,抑制噪声能力更强。SegNet_CRF网络可有效地实现水体提取任务。

一种基于改进SegNet模型和融合注意力机制的苗族服饰图案分割算法

针对目前语义分割模型需要消耗大量计算资源,对苗族服饰图案分割精度不高等问题,提出一种在改进的Seg Net模型中嵌入注意力机制模块的算法模型。改进后的Seg Net模型减少了卷积层数,在一定程度上减少了内存资源的消耗;为了提高对服饰图案细小纹理的分割精度,减少细小纹理细节的丢失,使用二分类交叉熵损失函数作为损失函数,提高了服饰图案细小纹理的分割精度;改进的Seg Net模型中嵌入轻量级的注意力模块,使得模型能够关注图像中更多的细节特征,更好地将感兴趣的特征从局部水平关联到全局水平,加强对目标特征信息的提取,减少损失率,提高模型的分割性能。实验结果表明,改进后的算法模型相对于传统相关算法,对苗族服饰图案的分割精度有了一定的提高,分割结果的视觉效果和定量指标上都要优于传统相关算法。

基于改进SegNet网络的遥感图像语义分割方法研究

遥感图像的语义分割在生产和生活中有着广泛的应用。针对常用的语义分割网络SegNet在遥感图像上对小目标和边缘细节分割精度不够理想的问题,对SegNet进行改进,提出EP-SegNet模型。该模型将激活函数由ReLU替换为ELU,以加快收敛速度,避免神经元死亡,去掉编码器最后一层的池化仅作卷积处理以降低空间信息的损耗,构建Bottleneck层以在加深网络的同时减少参数量,引入金字塔池化模块(PPM)以提升网络对全局信息的感知能力。实验结果表明:该模型的准确率为97.48%,高于SegNet模型3.31%,在图像分割中对边缘细节和多尺度目标的分割精度有较明显提升,较之前模型表现更优。

基于LBP纹理与SegNet网络的灾损建筑物提取

高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标,研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象,针对卷积神经网络对于城市建筑物纹理特征信息利用的不足,将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合,采用有监督学习分类的方式训练卷积神经网络,实现震后灾损建筑物自动分类提取,并与传统面向对象提取方法进行对比。实验结果表明,LBP纹理特征与SegNet卷积神经网络模型相结合,对于震后灾损建筑物的提取能提高预测精度,用户精度与生产者精度分别有2%~7%,2%~9%的提升。

基于改进SegNet的电力线自动检测方法

无人机自动巡检是输电线路智能化巡检的重要环节。针对巡检过程中无人机拍摄的视频图像背景复杂、电力线检测精度差、检测速率较低等问题,提出一种基于改进SegNet模型的电力线检测算法。首先,在编码器中引入残差模块和非对称卷积,减小网络计算负担;其次,减少解码层网络层数,并对编码器与解码器进行特征融合,提高检测精度;最后,利用改进SegNet在构建的电力线数据集中进行训练,准确率和交并比均值分别达到了89.4%和86.62%,单张检测时间仅46 ms。实验结果表明,基于改进SegNet模型的电力线检测算法可实现较高精度的实时检测。

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。

基于改进SEGNET模型的图像语义分割

使用原始SEGNET模型对图像进行语义分割时,未对图像中相邻像素点间的关系进行考虑,导致同一目标中像素点类别预测结果不一致。通过在SEGNET结构中加入一条自上而下的通道,使得SEGNET包含的多尺度语义信息更加丰富,从而提升对每个像素点的类别预测精度,在模型中加入生成对抗网络以充分考虑空间中相邻像素点间关系。实验结果表明,该模型的语义分割效果相比原始SEGNET模型显著提升,且可有效解决SEGNET测试中出现的分类错误问题。

基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,提出一种利用改进分割网络(segmentation network,SegNet)算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet算法改为非对称结构对车道线作逐像素提取:利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。将该改进的SegNet算法在CULane数据集和TuSimple数据集上进行了训练与测试,结果表明:对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为94.60%,每帧检测耗时提升53 ms。

基于改进型SegNet的苹果采摘点分割算法研究

针对直接使用SegNet模型处理苹果图像会出现采摘点分割不清晰和分割错误的问题,提出了一种改进的SegNet语义分割模型进行苹果采摘点分割,使其更适应于复杂的自然环境,为采摘机器人提供帮助。在SegNet模型中引入DenseNet的思想,直接连接来自不同网络层的特征图,实现图像特征的多次重用,以提高模型的分割精度。为了验证改进算法的有效性,选取3种不同品种的苹果建立图像数据集,并在PyTorch深度学习框架上进行训练。利用通用的评价指标,将SegNet模型改进前后的测试结果进行对比。试验结果表明,改进的SegNet模型的最佳精确率、召回率、特异性和Dice系数分别为83.10%、84.82%、98.56%和83.95%。相比原模型,改进的SegNet模型识别成功率提高了2.19%,在运算时间几乎不变的情况下,能够更好地实现自然环境下采摘点的分割,为其他种类水果的采摘点分割识别算法提供了研究基础。

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kdtree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kdtree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。

基于改进SegNet模型的斑马线图像语义分割

无论是在智能驾驶系统中,还是在智能导盲系统中,道路标线的检测都是一项重要内容。针对传统斑马线识别方法精度低、速度慢的问题,提出了利用深度可分离卷积网络改进SegNet模型的语义分割方法,通过网络爬虫以及手动数据标注,经过Tensorflow深度学习框架训练,其模拟检测达到了较好的结果。试验结果表明,由自行构建的斑马线数据集,训练后的模型每帧运算速度在59 ms内,对斑马线区域分割的像素精度达98.1%,交并比达91.6%。此运算速度以及分割精度满足大部分智能导航系统的需求,为斑马线识别的机器视觉识别提供了技术支持。

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题,采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割:首先将采集的高原鼠兔图像进行预处理,尺度归一化后制作成与Pascal VOC数据集格式一致的数据集;然后将数据集分为训练集与测试集,采用训练集对SegNet模型训练,测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明:与基于活动轮廓的Chan_Vese模型相比,基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%,过分割率和欠分割率分别降低了87.20%、16.52%。

改进SegNet网络对遥感图像的语义分割

为了更好地对包含丰富地表信息的高分辨率遥感图像进行语义分割,基于SegNet网络,结合金字塔池化(PPM),提出了P-SegNet网络,该网络能更好地对遥感图像的全局特征进行提取,分割效果优于改进前的SegNet网络.在训练集数量为120000张、迭代次数为20次的情况下,P-SegNet网络训练集Accuracy高于SegNet网络0.54%,达到96.36%,同时Loss相比Seg⁃Net网络减少了0.02,达到0.08.

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。