检索结果-南通市图书馆

系统工程与电子技术 2022年第8期44卷 2437-2447页

作者：张涛杨小冈卢瑞涛谢学立刘闯火箭军工程大学导弹工程学院陕西西安710025

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题,提出基于关键点的遥感图像舰船目标检测方法,通过预估舰船中心点实现目标检测。首先,引入深度可分离卷积降低参数冗余,结合SimAM无参注意力机制,增强对舰船... 详细信息

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题,提出基于关键点的遥感图像舰船目标检测方法,通过预估舰船中心点实现目标检测。首先,引入深度可分离卷积降低参数冗余,结合SimAM无参注意力机制,增强对舰船目标的关注度。其次,引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图,增强网络对旋转目标的适应能力。最后,考虑到遥感图像舰船目标任意方向密集排列,但舰船目标中心点不变的特点,采用直接预测目标的中心点,再回归偏移量、目标尺度和角度的思路,摆脱锚框遍历机制,提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验,实验结果充分说明了本文方法的有效性和先进性。

关键词：任意方向舰船检测中心点估计 SimAM注意力方向不变模型

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的道路元素检测技术研究

基于深度学习的道路元素检测技术研究

引用

作者：景雅虹东北石油大学

学位级别：硕士

近年来,深度学习与实际应用结合愈发紧密,其中基于深度学习的道路元素检测技术成为研究热点之一,但遇到的问题也较为严峻——无法同时满足高检测精度和实时检测的需求。此外,对于应用在真实场景中的道路元素检测算法,从成本和实际需求考... 详细信息

近年来,深度学习与实际应用结合愈发紧密,其中基于深度学习的道路元素检测技术成为研究热点之一,但遇到的问题也较为严峻——无法同时满足高检测精度和实时检测的需求。此外,对于应用在真实场景中的道路元素检测算法,从成本和实际需求考虑,需要其具有较高的可扩展性——随时满足增加或减少能检测的目标类别的需求。因此,为了在实时检测的基础上,达到较高的检测精度,本文从交通图像增广和基于深度学习的道路元素检测模型架构优化两方面进行研究,具体如下:1.提出了基于随机图像混合的交通图像增广方法。本文使用真实交通场景下的图像进行学习,但这类图像中的道路元素所处环境通常较为复杂,出现大量噪声,例如,阴天等恶劣天气下采集的图像,由于光线不足导致图像内各道路元素的特征区分度不够,模型无法充分地学习,修复这类图像较为耗时且效果无法保证。此外,采集的交通图像无法涵盖道路元素可能出现的所有情况,不能保证模型的鲁棒性。因此,在频域内对图像进行基于混合邻域分布的交通图像增广处理,随机地拼接两到四张交通图像,舍弃(裁切)部分图像信息,强迫模型从局部识别道路元素,增强模型的定位能力。再在空间域内对图像进行透视变换,改变像素位置,增加更多不常见的道路元素形态,最后将其转换到HSV颜色空间内,降低阴影等噪声的影响,保证了道路元素的多样性,为提高模型的鲁棒性和检测精度做出了极大的贡献。2.设计并构建了基于一阶段框架的道路元素检测模型。对真实环境下的道路元素进行检测时,既要对出现的物体及时给出反馈,又要尽可能地准确判断其位置,因此需要从多个方面来提升模型的推理速度和检测精度。所以,针对诸多需求,提出CSPEfficient Net模型。首先,以Efficient Net作为特征提取网络的基础,确保精确的特征提取;再融入跨阶段局部网络思想,提升整个网络的运行效率。其次,结合注意力机制与特征融合,从优化特征的角度出发,对特征进行加权操作,使得模型学习更有意义的特征。最后,鉴于传统的分类和回归损失函数无法应对类别极端不平衡现象,且不利于小物体的检测,因此本文一方面使用中心点代替锚框来检测物体,另一方面使用预测的高斯热图、中心点偏移距离与预测的道路元素尺寸进行损失函数计算。3.使用驾驶视角和无人机视角的数据集分别进行训练与测试,充分证明了CSPEfficient Net的适用性和扩展性;对每一部分的研究进行大量的消融实验,从而验证CSPEfficient Net每一部件的有效性。本文提出的CSPEfficient Net,结合了CSPNet与Efficient Net两个网络的优势,可应用于低配GPU,通过大量实验证明,在用于实时对象检测任务的低配GPU的推断率和准确性方面都有着较强的优势。

关键词：深度学习道路元素检测一阶段算法特征加权中心点估计

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种交通标志检测与识别的卷积神经网络方法

一种交通标志检测与识别的卷积神经网络方法

引用

作者：韦理静湖南大学

学位级别：硕士

在智慧交通系统领域中,交通标志检测和识别是重要的研究课题,它可以辅助驾驶员或者自主驾驶系统掌握路况信息和明确驾驶行为限制,有效地保证驾驶安全、减少交通事故。然而,基于图像处理技术的传统检测方法存在较大局限性,难以适应复杂... 详细信息

在智慧交通系统领域中,交通标志检测和识别是重要的研究课题,它可以辅助驾驶员或者自主驾驶系统掌握路况信息和明确驾驶行为限制,有效地保证驾驶安全、减少交通事故。然而,基于图像处理技术的传统检测方法存在较大局限性,难以适应复杂多变的交通场景,无法满足实际需求。随着深度学习的兴起,基于卷积神经网络的交通标志检测方法发展快速并逐渐成为了主流的研究方向,但仍然面临很多挑战。本文对交通标志检测存在的难点和现有方法存在的不足进行了回归和总结。针对交通标志检测存在的小尺寸、多尺度、相似外观、兼顾检测性能和效率等问题,本文提出了一种卷积神经网络检测方法,实现在大而复杂的交通场景中,准确且快速地进行交通标志检测和识别。论文的主要的工作如下:(1)由于一个需要完成复杂任务的神经网络通常难以兼顾检测性能和检测效率,因此,本文将交通标志检测分划分为定位和分类两个更具体的任务,并设计了两个独立的神经网络,定位神经网络和分类神经网络,来分别完成这两个子任务。实验结果表明,虽然使用了两个独立的神经网络无法实现端到端,但它们花费的训练更短,推理速度更快,检测效果更好。(2)为了实现在高像素的图像中快速地定位交通标志,本文采用了fire模块来搭建轻量高效的定位神经网络,以减小神经网络的本身的复杂度;采用了基于中心点估计的检测框架,以简化候选区域生成流程;并适当地对神经网络的输入图像进行了降采样,以减小神经网络的输入规模。此外,本文对fire模块进行了改进,并通过融合不同层次的特征图来提取多尺度信息,使得定位神经网络在改善效率的同时,对小尺寸和多尺度的交通标志仍能达到较高的召回率和定位精度。(3)由于同一子类别的交通标志在外观上非常相似,所以很难将它们准确地进行分类。通过观察发现,交通标志中心区域的图案往往存在不同。因此,本文采用了全局池化来从交通标志中心区域,提取具有更加丰富的鉴别信息的局部特征,以提高分类神经网络的准确性。实验结果表明,局部特征可有效地改善神经网络的分类性能,而且,对比常规卷积,全局池化对分类准确度的提升效果更佳。最后,本文选用了大规模交通标志数据集TT100K对本文所提方法进行测试和评估。实验结果表明,本文所提方法在性能和效率上都超过了很多已有的领先的检测方法,对小尺寸交通标志的检测性能提升显著。

关键词：卷积神经网络交通标志检测多尺度特征轻量化卷积中心点估计局部特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：