检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的人体行为识别算法研究

基于机器视觉的人体行为识别算法研究

作者：于佳辉沈阳理工大学

学位级别：硕士

基于连续视频流的人体行为识别是人机交互领域的一项关键技术,其在监控安防、医疗护理和游戏娱乐等领域的应用中都展现出了优异的性能。基于CNN网络的方法是研究的主流方向,CNN分为二维和三维。虽然二维CNN网络的应用性比较好,但是从研... 详细信息

基于连续视频流的人体行为识别是人机交互领域的一项关键技术,其在监控安防、医疗护理和游戏娱乐等领域的应用中都展现出了优异的性能。基于CNN网络的方法是研究的主流方向,CNN分为二维和三维。虽然二维CNN网络的应用性比较好,但是从研究的角度来看,三维CNN网络有着更大的探索空间,是未来的研究热点。在传统的研究中,大多是利用二维CNN网络处理RGB数据集。虽然这种方法性能较好,但是存在着很多不足。例如,在不同光照强度和有遮挡情况下识别率较低,对长时间的连续行为处理效果不佳,RGB行为数据集无法满足日渐复杂的实际应用需求。近些年,研究人员提出了基于三维CNN和LSTM网络的行为识别算法,这在一定程度上提升了算法的性能。然而,三维CNN网络的复杂框架导致了参数过多训练效果不好的问题,传统LSTM网络也无法对视频帧进行针对性的提取和训练。此外,虽然现有的RGB-D公开数据集的规模比较大,但是其与真实场景有一定差别,且这些数据没有经过较好的预处理,不能高效的训练算法。为了解决上述问题,本文引入了稠密连接和注意力机制的思想,分别改进了三维CNN和LSTM网络,在此基础上,提出了一种基于RGB-D数据集的新型融合模型。本文的算法几乎不受光照和遮挡的影响,在不同的复杂环境下都有着较高的识别率;又优化了网络结构,提升了参数使用效率。自制了真实场景的RGB-D数据集,并给出性能较好的预处理方法。本文的主要贡献总结如下。首先,采取双通道的三维CNN网络对RGB和Depth特征进行提取,引入稠密连接的思想实现了参数共享,提升了网络的训练效果和特征提取性能。提出一种用于选择三维卷积核的新实验方法。在此基础上,又采取了实时的特征融合方法,兼顾了两种模态特征的共性,得到了更有效的特征。然后,在LSTM网络中引入软注意力机制,为输入特征向量中的每个元素分配相应的权重,让网络有针对性的学习各个视频帧。这种方法可以去除特征向量中的冗余信息,提高算法对全局长时间特征的处理能力。与三维CNN网络的局部短时间特征处理相结合,使得本文的算法拥有优越的时间信息处理性能。提升了算法对复杂行为和相似行为的识别率。最后,为了更好地训练本文的网络,自建了更加贴近于真实环境的复杂RGBD数据集。在自建数据集、SBU-Kinect数据集和MSR-action-3D数据集上进行多组实验。其中包括在自建数据集上测试多种传统算法和近年来优秀的算法,使用公开数据集测试本文的算法。详细分析并对比多种实验结果,验证了本文提出算法的正确性和有效性。

关键词：人体行为识别深度学习 RGB-D数据集稠密连接软注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的三维点云物体识别方法

基于深度学习的三维点云物体识别方法

作者：王俊飞江汉大学

学位级别：硕士

三维点云物体识别是指通过对三维点云数据进行分析和处理,识别出其中所包含的物体种类,这是计算机视觉领域的一个热门研究方向,被广泛应用于自动驾驶、机器人感知等领域。然而现有的方法存在着特征利用不充分、精度较差、鲁棒性低等问... 详细信息

三维点云物体识别是指通过对三维点云数据进行分析和处理,识别出其中所包含的物体种类,这是计算机视觉领域的一个热门研究方向,被广泛应用于自动驾驶、机器人感知等领域。然而现有的方法存在着特征利用不充分、精度较差、鲁棒性低等问题。针对这些问题,本文提出了两种基于深度学习的三维点云物体识别方法。一个是基于融合注意力机制的动态图卷积神经网络(FA-DGCNN),该模型使用基于融合注意力机制的特征提取模块来获取更具辨识力的特征图。并结合稠密连接的思想,使每个特征提取模块的输入都与之前所有的输出特征直接相连,提高特征重用率和模型性能。另一个是多尺度融合卷积神经网络(MSFCNN),通过最远点采样获取不同点数的点云数据,使用单尺度特征提取模块获取不同尺度的特征信息,使用多尺度特征融合模块将不同尺度的特征信息进行自适应的融合,提高了模型的准确率和鲁棒性。在实验中,两种方法分别在ModelNet40数据集上取得了 93.9%和93.8%的准确率,为三维点云物体识别问题提供了有效的解决方案。

关键词：点云物体识别融合注意力稠密连接多尺度融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稠密扩张卷积和自注意力的目标检测算法

基于稠密扩张卷积和自注意力的目标检测算法

作者：石凡玉兰州大学

学位级别：硕士

多类别物体的目标检测是计算机视觉领域中语义分割、实例分割和全景分割等高级别任务的基础,需要精准地识别出数字图像和视频中物体所属的类别并框出其所在的具体位置,广泛应用在智能安全防控和医学诊断等领域中。目前的多类别物体目标... 详细信息

多类别物体的目标检测是计算机视觉领域中语义分割、实例分割和全景分割等高级别任务的基础,需要精准地识别出数字图像和视频中物体所属的类别并框出其所在的具体位置,广泛应用在智能安全防控和医学诊断等领域中。目前的多类别物体目标检测算法对尺寸较小的目标物体识别率较低,容易出现漏检的情况。为了进一步提高检测精度,本文提出了一种基于稠密扩张卷积和自注意力的目标检测算法DASAE。DASAE算法对基础的EfficientDet目标检测算法进行了三点改进,提出了基于稠密连接的扩张卷积模块DASPP和基于自注意力机制的SEAT模块,以及先Adam后SGD的混合优化策略。DASAE算法首先在特征提取网络输出的高分辨率特征图上添加了 DASPP模块,使网络获得更大的感受野,覆盖更密集的特征像素,极大地减少了特征图信息的丢失,有利于捕获更加全局的长距离上下文信息。然后在包含高语义信息的低分辨率特征图上添加了 SEAT模块,获取特征图中每一个像素点与全局信息之间的语义关系,甄别图像中不同空间区域的重要程度,利用学习到的空间权重让网络能够提取到更有效的特征。最后,在整个网络的训练过程中采用了一种混合优化策略:先用Adam优化算法快速降底损失,在损失的下降变得平缓时改用SGD继续训练。本文所提出的DASAE算法在PASCAL VOC 2007测试集上获得的mAP值为84.7%,取得了较高的检测精度。

关键词：目标检测扩张卷积稠密连接自注意力混合优化策略

基于图卷积神经网络和可逆生成模型的零样本图像识别方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积神经网络和可逆生成模型的零样本图像识别方法

作者：朱新威杭州电子科技大学

学位级别：硕士

零样本图像识别旨在解决在没有标注数据的情况下完成目标类别的识别问题。受启发于人类的学习范式,零样本图像识别方法借助类别之间的语义关联性,将从已知类别数据中学习到的知识迁移到未知类别数据,从而完成对未知类别数据的识别任务... 详细信息

零样本图像识别旨在解决在没有标注数据的情况下完成目标类别的识别问题。受启发于人类的学习范式,零样本图像识别方法借助类别之间的语义关联性,将从已知类别数据中学习到的知识迁移到未知类别数据,从而完成对未知类别数据的识别任务。目前大多数零样本图像识别方法试图将图像的视觉特征和类别的语义特征映射到一个共享嵌入空间,然后在共享嵌入空间中使用最近邻搜索算法确定图像的类别标签。由于训练集和测试集中包含的类别不同,且图像特征空间与语义特征空间的流形结构不一致,导致该类方法经常出现投影域漂移、映射偏置和枢纽点等问题。为了缓解上述问题,论文借助类别层级结构关系、图卷积神经网络和可逆生成模型对零样本图像识别问题进行研究,主要包括以下三个方面内容:(1)借助Word Net词典包含的类别层级结构关系和描述文本,论文提出一种基于类别层级结构和多标签语义特征融合的词嵌入算法,将类别和其父类别包含的所有单词的词嵌入加权融合作为当前类别的语义特征。其中,类别层级结构信息可以提高词嵌入特征的语义指向性和判别性,而多标签语义特征融合有助于缓解词嵌入缺乏视觉相关性等问题。(2)针对目前基于图卷积神经网络的零样本图像识别方法普遍存在模型架构单一和类别关系图缺乏多样性等问题,论文提出一种基于多尺度类别关系和稠密链接的图卷积神经网络MDGCN模型,其借助多尺度图卷积操作将不同类型的类别关系图融入图卷积神经网络,并且利用稠密连接技术提升模型的表示能力和泛化能力。(3)针对目前基于生成模型的零样本图像识别方法存在生成数据缺乏多样性和模型表达能力不足等问题,论文采用一种新型的基于条件常规流的可逆生成模型CNFG解决零样本图像识别问题。CNFG模型通过若干个仿射耦合变换,直接将真实数据变换到服从正太分布的隐含变量,而后通过模型的逆向操作生成伪数据实例,该模型具有模型构建简单、目标函数明确和生成数据具有多样性等优点。

关键词：零样本学习词嵌入图卷积神经网络稠密连接生成模型仿射耦合变换

基于多域空洞核的档案文本检测与识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多域空洞核的档案文本检测与识别方法研究

作者：张祥重庆科技学院

学位级别：硕士

自然场景下的文本检测与识别具备广泛的应用价值,该方向受到了研究人员的广泛关注。档案文本识别任务是智慧化办公的步骤之一,与自然场景下的文本检测与识别不同,该任务面临着新的挑战。档案图像具有印章弯曲文本、噪点随机、文档褶皱... 详细信息

自然场景下的文本检测与识别具备广泛的应用价值,该方向受到了研究人员的广泛关注。档案文本识别任务是智慧化办公的步骤之一,与自然场景下的文本检测与识别不同,该任务面临着新的挑战。档案图像具有印章弯曲文本、噪点随机、文档褶皱、边界模糊等特点,因此采用传统的文本方法无法达到实际应用效果。同时,档案文本行的宽度、密度等因素也会影响文本识别率。为了解决上述问题,研究基于泛洪思想的印章弯曲文本检测算法;搭建注意力特征迭代学习与多域空洞核的文本检测网络;设计稠密连接文本识别网络,研究内容包括:(1)针对印章弯曲文本的检测问题,首先设计基于泛洪思想的印章文本检测算法,优化极坐标转换函数,完成弯曲文本到矩形文本的转换。实验结果证明,文本检测模型结合该算法后的印章文本检测率最高可提升32.5%。(2)为了提升档案图像下文本检测精度,首先研究多域空洞核骨干网络,实现文本特征显著化。其次,融合注意力特征迭代学习,提高模型对于文本特征的表达能力,最后,优化档案字符的渐进式扩展方法,解决文本行密度过大难以识别的问题。实验结果证明,融合注意力迭代的多域空洞核文本检测网络可达到97.2%的文本检测率。(3)通过构建稠密连接LSTM网络结构,提出了一种有效的文本识别方法。与传统LSTM相比,稠密连接LSTM在输入之前,将输入信息和状态进行信息融合,该机制提高输入信息和上下文空间的交互能力,提高模型的准确率和稳定性。实验结果表明该方法能够准确识别档案图像中的文本。(4)设计搭建了档案文本检测与识别系统,系统具有多项功能,包括登录注册,印章文本检测、档案文本检测与识别、用户管理功能等功能,在实际的应用场景中具有工程意义。

关键词：多域空洞泛洪算法稠密连接特征迭代

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于频率分离的MRI图像超分辨率重建

基于频率分离的MRI图像超分辨率重建

作者：李浩波吉林大学

学位级别：硕士

MRI图像广泛应用于临床诊断,但是获得高分辨率的MRI图像往往需要更长的扫描时间,或者提升硬件性能。运用图像超分辨重建方法对MRI图像重建能够极大地降低硬件需求,从而提高病患诊疗效率。然而,传统超分辨率重建算法的性能并不能满足医学... 详细信息

MRI图像广泛应用于临床诊断,但是获得高分辨率的MRI图像往往需要更长的扫描时间,或者提升硬件性能。运用图像超分辨重建方法对MRI图像重建能够极大地降低硬件需求,从而提高病患诊疗效率。然而,传统超分辨率重建算法的性能并不能满足医学MRI图像对精确的重建结果的要求,基于深度学习的图像超分辨重建算法虽可以重建出更加真实的图像,但现有超分辨率重建算法模型复杂度高,参数量大,且MRI图像结构复杂,针对于MRI图像超分辨重建的算法较少。因此本文设计了一种基于深度学习的快速且精确的MRI图像超分辨重建算法。此算法基于自适应特征聚合对MRI图像进行超分辨重建,使用稠密连接（Dense Connect）实现特征复用,并构建残差连接（Residual Connect）用于加速网络收敛。MRI图像组织结构复杂,超分辨率重建需要利用MRI所有层次的特征,设计了基于通道注意力机制的自适应特征聚合模块,使得网络可以自动选择重建时所需要的特征,防止了由于特征信息在传递过程中减弱或消失造成的MRI超分辨重建图像不准确的问题出现,并且通过实验证明模型设计的合理性和性能的优越性。为保证超分辨率重建的速度和精度,对上述设计的算法进行优化,构建了一种基于频率分离的MRI图像超分辨重建算法。此算法从频率的角度考虑,引入频率分离模块,通过对不断分离出高频和低频信息进行差别计算,使得在重建过程中更多的关注高频信息;并使用自适应特征聚合模块,聚合所有的高频特征、低频特征、高频分支网络的输出和低频分支网络的输出,实现对不同频率特征的筛选,使得重建后的MRI图像保留更丰富的细节信息;最终,通过多个放大倍数的MRI图像超分辨重建实验证明本文设计的算法能够实现快速且准确的MRI图像超分辨率重建。

关键词： MRI图像超分辨率重建自适应特征聚合通道注意力机制频率分离稠密连接

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的海上目标快速检测优化方法

基于深度学习的海上目标快速检测优化方法

作者：张奕聪北京化工大学

学位级别：硕士

监控重点海域的海上舰船目标分布对于发展海洋经济、监管海上交通、保障海上安全和国防建设等方面具有重要意义。但是,舰船目标检测面临着复杂海域的极端环境干扰、卫星光学图像数据繁杂以及舰船目标尺寸极小等问题,因此快速精确地检测... 详细信息

监控重点海域的海上舰船目标分布对于发展海洋经济、监管海上交通、保障海上安全和国防建设等方面具有重要意义。但是,舰船目标检测面临着复杂海域的极端环境干扰、卫星光学图像数据繁杂以及舰船目标尺寸极小等问题,因此快速精确地检测出特定舰船的类别和位置信息已经成为亟待解决的一大难题。近年来,随着深度学习技术在计算机视觉领域的广泛应用,深度学习为舰船目标检测提供了重要的技术基础。本文研究了基于深度学习的海上目标检测方法,针对海上目标具有的复杂极端环境干扰、光学图像数据量大以及目标尺寸较小等问题,提出了一种高效的基于改进稠密结构的面向舰船小目标优化的深度神经网络目标检测框架。本论文的主要工作包括:1、为了提升海上目标的检测速度,本文从优化深度卷积神经网络结构的角度出发,根据舰船小目标检测特点,压缩目标检测框架的模型,设计了一种参数优化的跨层拼接稠密网络结构,该结构采用多卷积层间的稠密连接,对上下文的多通道特征进行拼接与重组,形成跨层特征的重复利用,从而压缩参数量,减少计算复杂度,提升检测速度。实验结果表明,该网络结构可以在维持检测精度的基础上使目标检测框架的参数压缩比达到基准框架的约30%,速度提升约22.6%。2、为了提升海上目标的检测精度,本文在特征提取网络中使用稠密连接结构的基础上融合了残差结构,在所设计的目标检测框架中采用了稠密和残差的混合结构,对跨层特征进行恒等映射,缓解网络加深带来的梯度弥散问题,进一步提升检测精度。实验结果表明,采用该网络结构的目标检测框架比基准框架提高了 9.2%mAP。3、为了进一步提升小尺寸舰船目标的检测精度,本文提出了基于稠密结构的同尺度多层特征融合方法。该方法借助跨层拼接的稠密网络结构,在不同尺度提取多层区域特征的基础上,融合稠密网络卷积层间同尺度的位置特征和类别特征,为预测层提供更丰富的语义信息作为信息补充的手段,进一步发掘了浅层的小目标特征,优化舰船小目标的检测精度。实验结果表明,使用该方法的DEOD在舰船小目标的检测精度上相比于基准框架提高了 26%AP。

关键词：深度学习卷积神经网络目标检测稠密连接特征复用特征融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力特征融合稠密网络的图像去雾算法

东北大学学报（自然科学版） 2022年第12期43卷 1717-1723页

作者：孟红记刘沛谚胡振伟东北大学信息科学与工程学院辽宁沈阳110819

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像... 详细信息

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error, MSE)和边缘误差e_(edge).

关键词：注意力机制特征融合稠密连接空洞卷积自编码器

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

双通道多感知卷积神经网络图像超分辨率重建

东北大学学报（自然科学版） 2020年第11期41卷 1564-1569,1576页

作者：王鑫王翠荣王聪苑迎东北大学计算机科学与工程学院辽宁沈阳110169

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积... 详细信息

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.

关键词：单幅图像超分辨率重建双通道多感知卷积神经网络稠密连接残差网络深度学习