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

医学图像中的小目标检测关键技术研究与实现

医学图像中的小目标检测关键技术研究与实现

作者：何鎏电子科技大学

学位级别：硕士

目标检测一直是计算机视觉领域的基础任务。针对一般性目标的检测方法并不能有效地解决小目标检测问题。对于小目标检测而言,由于小目标分辨率低、图像模糊、携带的信息少等特点导致的小目标检测效果不佳。同时由于在医学图像领域的可... 详细信息

目标检测一直是计算机视觉领域的基础任务。针对一般性目标的检测方法并不能有效地解决小目标检测问题。对于小目标检测而言,由于小目标分辨率低、图像模糊、携带的信息少等特点导致的小目标检测效果不佳。同时由于在医学图像领域的可用数据稀少、检测背景复杂,和其他领域的目标检测相比检测难度较大。本文针对基于卷积神经网络的目标检测方法进行了研究与分析,在Faster R-CNN（Faster Region-Convolutional Neural Networks）的基础上提出了改进后的用于医学图像的小目标检测方法。本文针对医学图像中的小目标检测,具体做了以下的研究:1.进行了医学图像预处理操作。使用了包括图像格式转化、图像分割、图像数据增强、图像筛选等数据预处理操作对搜集到的医学图像进行预处理。医学图像的预处理是医学图像检测的重要环节,深度学习算法是一种对数据的依赖和需求量很大的算法,虽然公开的数据集上有一些医学图像,但是这部分数据由于格式和形成方式等问题,不能直接用于深度学习模型的训练。2.提出了基于RPN（Region Proposal Network）改进的小目标定位方法。使用了优化后的GIoU（Generalized Intersection over Union）替代原来的smoothL1作为RPN回归分支的损失函数。Faster R-CNN在提取候选区域时使用的是RPN,分析PRN的回归过程时发现使用IoU（Intersection over Union）作为损失函数会比原来的损失函数smoothL1表现更好,但是又由于IoU直接作为损失函数会存在严重问题,而GIoU的出现恰好对可能出现的问题进行了弥补,经过对比验证,优化后的GIoU作为RPN回归分支的损失函数时表现优于直接使用IoU也优于原来的损失函数smoothL1,因此我们将RPN回归分支的损失函数替换为优化后的GIoU。3.提出了基于改进的Faster R-CNN的医学图像小目标检测方法。使用了多尺度特征图的方法改进了识别网络,通过对前面若干次卷积得到的特征图经过ROI（Region of Interest）池化后拼接在一起,从而提高了小目标区域特征图的分辨率。然后再输入到识别网络,进行对象识别。有效解决了Faster R-CNN对小目标识别率不高甚至无法识别的问题。通过最后的对比试验表明,本文提出的改进后的小目标检测方法在准确率和召回率上,都取得了较好的检测效果。同时以本文的小目标检测算法为核心进行了医学图像检测管理系统的设计与实现。

关键词：医学图像处理小目标检测卷积神经网络多尺度特征图交并比

基于深度学习的遥感图像建筑物朝向性检测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的遥感图像建筑物朝向性检测研究

作者：陈永亮重庆大学

学位级别：硕士

建筑物是城镇区域治理中的关键元素,光学超高分辨率遥感图像中的建筑物检测是航天航空影像分析中的重要内容。在遥感技术不断发展、获得的观测数据更为精细的情况下,利用计算机技术实现准确、快速的建筑物检测在学术和工程方面有着重要... 详细信息

建筑物是城镇区域治理中的关键元素,光学超高分辨率遥感图像中的建筑物检测是航天航空影像分析中的重要内容。在遥感技术不断发展、获得的观测数据更为精细的情况下,利用计算机技术实现准确、快速的建筑物检测在学术和工程方面有着重要意义。获益于深度学习技术在计算机视觉领域中取得的显著成就,基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测(Object detection)方法获得了众多研究者的关注。其提出的多种检测框架也在多数数据集上有鲁棒性佳的表现。常规基于深度学习的目标检测方法由于面向日常场景图像,使用与坐标轴对齐的矩形作为目标物边界框。然而,对于遥感图像,其中的建筑物通常具有朝向性。这使得直接将已有的方法应用于该任务存在理论上的缺陷。本文的主要工作是将朝向回归(Orientation regression)集成于当前常见的、使用坐标轴对齐边界框作为检测结果形式的方法中,构建建筑物朝向性检测模型,以解决建筑物的朝向多样性问题。本文所提出的方法利用CNN进行特征提取和边界框回归。为有利于对网络进行训练,提出的建筑物朝向性检测模型为端到端(end-to-end)结构。在预测环节,构建的模型能够同时输出朝向、方位和尺寸的特性能够使模型获得更紧密的边界框,因此该方法能够在平均精度(mean Average Precision,m AP)上获得更佳的表现。在不同尺寸的遥感图像上的实验表明,该方法相对于常规坐标轴对齐方法有更佳表现。为实现边界框从坐标轴对向任意朝向的转换,本文在提出朝向性检测模型的同时,提出并实现了用于估算平面内具有任意朝向的矩形间交并比的算法。该算法通过常见的深度学习框架可以在图形计算单元(Graphic Processing Unit,GPU)上进行快速实现;为解决遥感图像建筑物朝向性检测数据缺乏问题,在本研究中开发了相关标注工具,并对数据进行了标注。

关键词：建筑物检测遥感图像卷积神经网络朝向回归交并比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的端到端道路裂缝检测技术研究

基于深度学习的端到端道路裂缝检测技术研究

作者：柏嘉洛华中科技大学

学位级别：硕士

随着社会主义现代化的持续推进,我国的基础设施建设也在如火如荼的进行。作为衡量国家现代化水平的重要指标——高速公路,其里程数也在近年来跃居世界第一。然而如此庞大复杂的道路交通网也带来了难以妥善解决的道路养护问题。由于施工... 详细信息

随着社会主义现代化的持续推进,我国的基础设施建设也在如火如荼的进行。作为衡量国家现代化水平的重要指标——高速公路,其里程数也在近年来跃居世界第一。然而如此庞大复杂的道路交通网也带来了难以妥善解决的道路养护问题。由于施工方式、气候条件、行车负载等因素,道路常常会产生裂缝,这为道路交通安全带来了巨大的挑战。因此如何从道路图像上准确地检测出裂缝区域就成为了亟需解决的难题。传统的道路裂缝检测算法容易受到噪声等因素的干扰,而且随着道路材质的变化,检测效果也会大打折扣。近年来基于深度学习的卷积神经网络技术在图像分割领域取得了振奋人心的成绩,因此将卷积神经网络技术应用到道路裂缝检测任务就成为了一个十分值得探索的研究方向。卷积神经网络通常需要大量的标注数据来训练,而当前道路裂缝检测领域的数据量无法满足需求。因此本文首先应用了多种图像变换方法扩增数据集。之后为了解决这些扩增数据相似度较大的问题并进一步扩增数据集,本文提出了一种数据合成方法。该方法首先将裂缝区域从图像上提取出来,经过变换后与不含裂缝的背景图像进行泊松融合。通过该方法可以大量合成分布差异较大的标注数据,这解决了本文对大规模数据的需求。接着本文设计了一个解码器-编码器结构的深度卷积神经网络进行端到端的自动道路裂缝检测。该网络含有108个卷积层,由下采样路径、瓶颈结构和上采样路径构成。其中下采样路径逐步缩小特征图尺寸,从而提取图像特征;瓶颈结构用于减少特征图数量,剔除冗余信息;上采样路径逐步扩大特征图尺寸,从而恢复图像细节,预测目标类别。通过大量的实验,以及与其他相关算法进行对比,本文的算法在多个评价指标上均取得了当前最好成绩,并大幅超越其他算法,证明了本文算法的有效性。

关键词：道路裂缝检测图像合成卷积神经网络图像语义分割交并比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于核相关滤波的多目标追踪

基于核相关滤波的多目标追踪

作者：刘欢大连海事大学

学位级别：硕士

在计算机视觉领域,多目标追踪一直是研究的热点和难点。多目标追踪中,运算数据量大、算法处理速度要求高,从而使得追踪速度和准确性无法较好权衡,为此提出将单目标追踪时具有快速优势的核相关滤波应用于多目标追踪。以期在考虑追踪速度... 详细信息

在计算机视觉领域,多目标追踪一直是研究的热点和难点。多目标追踪中,运算数据量大、算法处理速度要求高,从而使得追踪速度和准确性无法较好权衡,为此提出将单目标追踪时具有快速优势的核相关滤波应用于多目标追踪。以期在考虑追踪速度的同时,能够保证较高的追踪准确性。本文分为以下四个部分:(1)目标检测。由于2D MOT 2015、MOT16数据集目标存在误检和漏检的情况,为此提出使用更快的区域卷积神经目标检测网络(Faster Region-based Convolutional Neural Networks,Faster R-CNN)进行检测,将网络检测得到的结果取代数据集提供的检测结果。(2)目标追踪。为了在多目标追踪中加入目标外观信息,并且综合速度与精度因素,本文采用核相关滤波模型。但是,通过实验发现在进行多目标追踪时,追踪结果并不理想,这是因为核相关滤波算法不支持多尺度。为了克服该问题,本文通过计算检测目标框和预测目标框的交并比方式进行解决,对于符合要求的目标使用检测目标框代替核相关滤波预测框。(3)追踪结果关联。对于第(2)部分的交并比计算,实际是一批检测框与一批预测框的匹配关联,本质是任务分配的最优解问题,本文采用匈牙利算法确定目标间的最优关联。(4)目标重现判断。在目标追踪的过程中会出现目标短暂消失又复现的情况,为了提高模型对此类问题的处理能力,提出使用目标相似性判断方法对出现的“新目标”进行相似性判断,如果相似性小于特定范围就判定为同一个目标。由于核相关滤波和交并比模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。此外,核相关滤波属于位置搜索判定目标的模型、交并比属于重叠区域计算模型,二者结合能够有效解决目标非惯性运动和相机抖动等情况。在公开的2D MOT 2015、MOT16数据集上进行实验:对于目标检测部分,通过实验表明采用Faster R-CNN网络的检测结果能够比原数据集提供的精度高出6%;对于多目标追踪部分,将本方法与其他主流方法相比,在保证具有30 frame/s以上的处理速度的同时追踪准确性依然高出10%以上。为了进一步促进核相关滤波在多目标追踪领域的发展,现将本文源代码开源,获取链接为:https://***/HappyUncle/KCFOUracker。

关键词：机器视觉多目标跟踪核相关滤波交并比

基于随机超曲面的多扩展目标跟踪及性能评价指标研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于随机超曲面的多扩展目标跟踪及性能评价指标研究

作者：岑汉西安电子科技大学

学位级别：硕士

随着传感器性能的不断提高,一个目标不再只产生一个量测,且每个目标对应的多个量测在用于对目标跟踪的同时还能提供该目标的形状等信息,扩展目标跟踪在目标跟踪领域的重要性日益凸显,因此对扩展目标跟踪的研究具有重要的理论意义和实用... 详细信息

随着传感器性能的不断提高,一个目标不再只产生一个量测,且每个目标对应的多个量测在用于对目标跟踪的同时还能提供该目标的形状等信息,扩展目标跟踪在目标跟踪领域的重要性日益凸显,因此对扩展目标跟踪的研究具有重要的理论意义和实用价值。由于随机集滤波能够有效避免数据关联,已成为扩展目标跟踪领域的主流方法。发挥PHD滤波在扩展目标跟踪中的优势,基于椭圆随机超曲面方法,对多扩展目标质心进行跟踪的同时使用椭圆去估计其扩展形状是本文的主要工作:首先针对扩展目标跟踪问题,介绍了随机集理论框架下的概率假设密度(PHD)滤波及扩展目标概率假设密度(ET-PHD)滤波,然后讨论了两种扩展目标中常用的两种量测划分方法:距离划分与均值偏移划分(MS),并通过仿真实验表明MS方法具有更好的量测划分精度;其后给出了ET-PHD的高斯混合(GM)实现形式及序贯蒙特卡洛(SMC)实现形式。在此基础上,结合椭圆随机超曲面(RHM),实现了MS-ET-PHD对扩展目标扩展形状的估计,该算法利用椭圆RHM形状参数与运动参数能够直接参与滤波更新的特点,并给出两种实现方法,分别是基于椭圆RHM的MS-ET-GM-PHD滤波及MS-ET-SMC-PHD,通过对比仿真实验分析两种算法对椭圆扩展目标形状估计的精度。随后针对机动目标跟踪问题,结合交互多模型(IMM)与基于椭圆RHM的MS-ET-SMC-PHD滤波算法,通过加入模型索引的方式转移粒子的形状参数及运动参数,从而完成PHD滤波算法交互的输入和权值的更新,实现了对机动扩展目标的跟踪及形状估计。最后针对目前形状估计性能评价指标体系存在的缺陷,基于两个有形目标相交和相并面积之比(IOU)提出了一种对椭圆朝向、势估计误差敏感的新的性能评价指标,通过仿真实验说明此性能评价指标的有效性。并以此评价指标分析验证了基于椭圆RHM的IMM-MS-ET-SMC-PHD滤波算法对多机动扩展目标跟踪的有效性和可靠性。

关键词：扩展目标随机超曲面概率假设密度滤波交互多模型交并比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制的遮挡行人检测算法

光学学报 2021年第15期41卷 149-157页

作者：邹梓吟盖绍彦达飞鹏李昱东南大学自动化学院江苏南京210096 东南大学复杂工程系统测量与控制教育部重点实验室江苏南京210096 东南大学深圳研究院广东深圳518063

针对真实场景中因行人相互遮挡难以被精确检测的情况,提出一种基于注意力机制的特征提取增强检测算法。首先,通过添加注意力模块学习特征通道间关系和特征图空间信息,增强对行人目标可视区域的特征提取。其次根据行人数据的实际尺寸,采... 详细信息

针对真实场景中因行人相互遮挡难以被精确检测的情况,提出一种基于注意力机制的特征提取增强检测算法。首先,通过添加注意力模块学习特征通道间关系和特征图空间信息,增强对行人目标可视区域的特征提取。其次根据行人数据的实际尺寸,采用k-means++算法对行人标注进行聚类,确定锚框(anchor)大小及比例。利用距离交并比损失函数(DIOULoss)设计检测器的损失函数,使得检测框的回归更关注候选框与真实框的交并比与两框的中心距离。最后使用新设计的非极大值抑制算法(DSoft-NMS)保留更精确的预测框。所提方法在CityPersons和WiderPerson数据集上进行了实验,结果表明该方法在遮挡行人检测方面具有更高的检测精度,同时网络结构简单,方便后续研究。

关键词：机器视觉遮挡行人检测注意力机制 k-means聚类交并比

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

基于特征生成的零样本目标检测方法研究

基于特征生成的零样本目标检测方法研究

作者：赵世震华中科技大学

学位级别：硕士

目标检测旨在对图片中的目标进行定位和识别,随着深度学习与高精标记数据集的快速发展,该视觉任务取得了重大进展。然而,很多情况难以获得训练样本,这极大限制了识别类别的种类,阻碍了目标检测的实际应用。因此,近几年零样本目标检测得... 详细信息

目标检测旨在对图片中的目标进行定位和识别,随着深度学习与高精标记数据集的快速发展,该视觉任务取得了重大进展。然而,很多情况难以获得训练样本,这极大限制了识别类别的种类,阻碍了目标检测的实际应用。因此,近几年零样本目标检测得到了广泛的关注。零样本目标检测任务是在测试阶段定位并且识别训练阶段未见过的类别。该任务不需要进行繁重的数据采集,只需要对每个类别进行语义信息标注。与完全监督目标检测相比,零样本目标检测可以大大降低实际应用的标注需求。本文结合目标检测网络和生成对抗网络,在给定语义信息标注下,研究零样本目标检测问题,主要工作反映如下:首先,本文针对零样本目标检测中不可见类与背景混淆的问题,提出了基于语义信息的区域提议网络。通过语义信息和可见类别的视觉特征,使用条件生成对抗网络进行不可见类别的特征合成。最后利用这些合成特征更新区域提议网络中的目标置信度预测器。通过对比现有的方法和消融实验,证明了基于语义信息的区域提议网络能够一定程度上解决不可见类和背景互相混淆的问题,为本文后续的零样本目标检测整体框架的建立提供了基础。其次,本文针对零样本目标检测中的中心点问题,即某一类的语义特征成为大多数类别的最近邻点,提出了用于零样本目标检测的生成迁移网络。该网络将零样本图像识别中的生成式方法引入零样本目标检测框架中。该框架首先利用可见类别数据训练目标检测网络,然后使用可见类别的区域特征以及对应的语义嵌入训练生成网络,接着利用生成网络合成不可见类别的区域特征,最后使用这些合成特征更新零样本目标检测网络的识别分支。通过充分的对比实验和消融实验,证明了本文提出的生成迁移网络实现了较高的零样本目标检测基准性能。最后,与零样本图像识别网络不同,零样本目标检测模型受限于区域特征提取的效果,这些区域特征不仅包含类内特征变化,也包含边界框IoU(交并比,Intersection over Union)变化,所以零样本目标检测网络需要对区域特征的IoU变化具有一定的鲁棒性。基于此,本文提出了一种具有IoU感知的生成对抗网络,该网络可以嵌入上述基于特征生成的零样本目标检测框架中。具有IoU感知的生成对抗网络首先利用标准框特征以及对应的语义嵌入进行标准框特征合成训练,接着再将IoU变化加入标准框特征中。通过充分的对比实验和消融实验,证明了 IoU变化对基于特征生成的零样本目标检测框架的重要性。本文通过引入语义信息和生成对抗网络来解决零样本目标检测中不可见类别与背景混淆问题以及中心点问题,然后提出具有IoU感知的生成对抗网络使得零样本目标检测网络对区域特征的IoU变化具有鲁棒性。本文提出的改进算法及其核心思想为零样本目标检测提供了新颖的视角与思路,对该领域的学术研究具有重要意义。

关键词：零样本目标检测特征生成语义信息中心点生成对抗网络交并比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于核相关滤波的多目标追踪

激光与光电子学进展 2019年第12期56卷 154-161页

作者：刘欢李春庚安居白魏帼任俊丽大连海事大学信息科学技术学院

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据... 详细信息

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

关键词：机器视觉多目标跟踪核相关滤波交并比

采用Ranking Saliency算法改进的交通标志检测方法

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

中国计量大学学报 2019年第2期30卷 138-143页

作者：蔡凯周永霞中国计量大学信息工程学院

目的:交通标志的检测是车载辅助系统的关键环节之一,针对YOLO V3检测算法得到的检测结果存在目标框不精确的问题,提出改进交通标志目标检测算法。方法:YOLO V3是当前目标检测算法中检测召回率高且速度较优的算法,但在定位上不够准确。... 详细信息

目的:交通标志的检测是车载辅助系统的关键环节之一,针对YOLO V3检测算法得到的检测结果存在目标框不精确的问题,提出改进交通标志目标检测算法。方法:YOLO V3是当前目标检测算法中检测召回率高且速度较优的算法,但在定位上不够准确。为解决该问题,本文采用流行排序算法对得到的检测框进行二次修正,从而使得目标定位精度提升。结果:通过结合YOLO V3和流行排序算法使目标检测框的交并比提升了3%~9%。结论:通过YOLO V3和Ranking Saliency的结合能够使得目标检测的定位精度提高。

关键词：计量目标检测 YOLO算法流行排序算法交并比