检索结果-南通市图书馆

基于Faster R-CNN的多任务增强裂缝图像检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

智能系统学报 2021年第2期16卷 286-293页

作者：毛莺池唐江红王静平萍王龙宝河海大学计算机与信息学院江苏南京211100

针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster RCNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means,K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。

关键词：裂缝图像检测 Faster R-CNN 多任务检测小目标检测迁移学习大坝安全区域建议网络小样本

基于DeepLab v3+的多任务图像拼接篡改检测算法

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

计算机工程 2022年第1期48卷 253-259页

作者：朱昊昱孙俊陈祺东江南大学人工智能与计算机学院江苏无锡214122

在图像拼接篡改检测任务中,受篡改区域尺度多样性及模糊操作的影响,传统分类算法难以提取图像篡改特征。提出一种基于DeepLab v3+的图像拼接篡改检测算法,使用浅层图像特征预测图像的篡改区域边界,提高模型对篡改边界的敏感性。在此基础... 详细信息

在图像拼接篡改检测任务中,受篡改区域尺度多样性及模糊操作的影响,传统分类算法难以提取图像篡改特征。提出一种基于DeepLab v3+的图像拼接篡改检测算法,使用浅层图像特征预测图像的篡改区域边界,提高模型对篡改边界的敏感性。在此基础上,通过多尺度融合特征对图像篡改区域进行分割,并在原空洞空间金字塔模块中融合空间和通道注意力机制,从而提高模型对多尺度篡改区域的适应性。实验结果表明,所提算法能有效检测图像的篡改区域,在CASIA v1.0和Columbia数据集中的分割精度分别为0.7546和0.7278,优于DCT、BAPPY、MFCN等算法。

关键词：图像拼接篡改检测 DeepLab v3+网络多任务检测注意力机制空洞卷积

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

基于深度学习的密集行人检测算法研究

基于深度学习的密集行人检测算法研究

作者：程瑾华中科技大学

学位级别：硕士

随着机器学习和计算机技术的不断发展,利用深度学习技术进行行人检测已经成为主流方法,并逐步开始应用于平安城市、智慧交通等领域。然而在密集场景下行人目标存在类内遮挡和大尺寸变化,严重制约了SSD、Faster RCNN等经典深度学习检测... 详细信息

随着机器学习和计算机技术的不断发展,利用深度学习技术进行行人检测已经成为主流方法,并逐步开始应用于平安城市、智慧交通等领域。然而在密集场景下行人目标存在类内遮挡和大尺寸变化,严重制约了SSD、Faster RCNN等经典深度学习检测方法的精度。为此,本文对基于深度学习的密集行人检测方法进行研究,从多尺度特征融合、多任务检测和渐近定位等方面进行改进,对提高遮挡、尺度变化条件下目标检测的精确性和适应性具有重要意义。本文的工作内容可以归纳为以下几点:第一,提出了一种基于稳定性加权的多尺度特征融合方法(Stability Weightedbased Multi-scale Feature Fusion method,SW-MFF)。对基础网络中不同尺度的五张原始特征图和由最终特征图上采样得到的五张深层特征图进行加权求和,由于后者具有更加抽象稳定的特征表达能力,在融合时提高其所占权重,构造出多尺度卷积特征,再利用其进行目标区域检测。在HUST自制数据集和CUHK公开数据集上进行实验,结果证明,相比于Faster RCNN,该方法在两个数据集上的漏检率分别下降了3.4%和2.6%(FPPI=0.1)。第二,提出了一种目标分类、位置回归和漂移抑制多任务目标检测方法(Object classification,Bounding-box regression,and Drift depression-based Multi Task Detection method,OBD-MTD)。在分类和回归任务之外,针对密集行人目标类内遮挡严重的问题,利用损失函数对预测框与邻近遮挡目标的重叠程度进行建模,通过最小化损失函数达到漂移抑制的目的,并同时应用至检测网络的RPN和RCNN阶段。以SW-MFF作为基准方法进行实验,结果表明,加入多任务检测方法后在HUST和CUHK数据集上的漏检率分别下降了2.3%和1.1%(FPPI=0.1),对于遮挡变化具有更好的精确性和鲁棒性。第三,提出了一种两级RCNN级联的目标渐近定位模型(Cascaded RCNN-based Asymptotic Location Model,CR-ALM)。通过在RPN和RCNN阶段对预测框进行两次修正的基础上,级联第二级RCNN模块,完成对预测框的多次修正,逐步产生更精准定位的预测框集合,据此构造出渐近定位模型。最终将该模型与本文前两种方法集成。以SW-MFF+OBD-MTD作为基准方法进行实验,结果证明,加入渐近定位模型后能够产生更加精确的目标预测框,有效筛除冗余和误检窗口,在HUST和CUHK数据集上的漏检率分别下降了2.2%和1.2%(FPPI=0.1)。

关键词：密集行人目标检测深度学习特征融合多任务检测渐近定位

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

抗尺度变化和遮挡的行人检测算法研究

抗尺度变化和遮挡的行人检测算法研究

作者：徐书鸿华中科技大学

学位级别：硕士

行人检测是铁路周界异物入侵检测的一项关键技术。近年来,随着计算机技术的不断发展,提出了深度学习方法,显著提高了行人检测算法的性能。受高铁站台行人尺度变化大和遮挡的影响,现有行人检测算法的漏检率高,不能满足铁路周界异物入侵... 详细信息

行人检测是铁路周界异物入侵检测的一项关键技术。近年来,随着计算机技术的不断发展,提出了深度学习方法,显著提高了行人检测算法的性能。受高铁站台行人尺度变化大和遮挡的影响,现有行人检测算法的漏检率高,不能满足铁路周界异物入侵检测应用的要求。本文针对小尺度和遮挡行人漏检率高的问题,利用深度学习方法,开展对多尺度变化和遮挡鲁棒的行人检测算法研究,对提高行人检测算法的性能,保障高铁安全运行有重要的应用价值。本文主要工作内容分为以下几点:(1)针对公开数据集City Persons和自制高铁站台行人数据集Hust Persons,利用Faster RCNN、Retina Net和CSP等经典代表性算法进行实验,在City Persons数据集上的对数平均漏检率分别为16.9%、15.6和11.0%,在Hust Persons数据集上的对数平均漏检率分别为17.6%、17.3和16.2%。实验结果表明,CSP算法的检测效果最好,但对小尺度和遮挡行人的漏检率高,难以满足实际应用要求。(2)针对小尺度行人漏检率高的问题,本文提出了一种基于递归多尺度特征融合的行人检测方法(Recursively Fusion Feature Pedestrian Detection method,RFFPD),通过递归特征金字塔模块、混合注意力增强模块和自适应加权特征拼接模块,使行人检测特征同时具有高层语义信息和浅层纹理细节。在City Persons和Hust Persons数据集上的实验结果表明,相比于CSP方法,RFFPD在小尺度行人子集上的对数平均漏检率分别下降了2.9%和7.4%。(3)针对遮挡行人漏检率高的问题,本文提出了一种面向遮挡行人的多任务检测方法(Multi-Tasks based Occluded Pedestrian Detection method,MTOPD)。MTOPD在CSP网络的基础上增加二阶段分类网络、密度预测分支和最邻近行人预测分支。对CSP网络的检测结果,二阶段分类网络提取对应特征,在抑制背景的同时提高行人的置信度。密度预测分支预测行人密度,根据行人密度动态调整NMS阈值。最邻近行人预测分支预测最邻近行人距离,根据距离更新候选框置信度,在抑制相同行人的邻近框的同时,能保留邻近行人的检测框。在City Persons和Hust Persons数据集上的实验结果表明,相比于CSP方法,MTOPD在严重遮挡行人子集上的对数平均漏检率分别下降了1.9%和4.0%。综合上述,本文针对小尺度和遮挡行人检测漏检率高的问题,分别提出了两种不同的检测方法,并对两种方法进行了有效结合。实验结果表明,本文提出的方法显著降低了多尺度和遮挡行人检测的漏检率,具有高铁站台密集行人检测的实际应用价值。

关键词：高铁站台密集行人检测特征融合多任务检测非极大值抑制

融合视频图像和雷达点云数据的自动驾驶环境信息感知研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合视频图像和雷达点云数据的自动驾驶环境信息感知研究

作者：吴迪北京交通大学

学位级别：硕士

精准、高效的行驶环境信息感知为自动驾驶车辆提供准确的实时环境信息,保证车辆安全行驶。由于复杂多变的交通场景,单一传感器难以满足车辆安全性和可靠性的要求。随着感知技术的发展,融合多源传感器,快速准确地感知环境信息成为自动驾... 详细信息

精准、高效的行驶环境信息感知为自动驾驶车辆提供准确的实时环境信息,保证车辆安全行驶。由于复杂多变的交通场景,单一传感器难以满足车辆安全性和可靠性的要求。随着感知技术的发展,融合多源传感器,快速准确地感知环境信息成为自动驾驶领域的研究热点和难点。因此,本文在公开数据集和自有实验数据的基础上,基于视频图像和雷达点云数据,开展车辆检测、车道线检测、可行驶区域检测、3D目标检测等环境信息感知研究,具有重要的研究意义和工程价值。主要研究内容如下:(1)针对传统的检测模型需要为每个任务单独设计不同的模型,模型结构冗余的问题,基于模块化设计的思路,将模型设计为主干特征提取网络和检测分支两个部分,通过搭配不同的检测分支,实现车道检测、车辆检测和可行驶区域检测。首先,基于CSPdarknet53卷积神经网络构建主干特征提取模型,提取图像特征;其次,针对车辆、车道线以及可行驶区域的特点,分别设计不同的检测分支,实现各类检测任务;然后,在各检测任务的公开数据集上验证模型的检测性能,结果表明各任务感知精度得到有效提升。(2)针对单一检测模型难以满足快速检测要求的难题,在单任务检测研究的基础上提出一种可应用于自动驾驶场景下的多任务集成检测模型DRMNet(Dual-resolution Multi-task Network),可同时完成车辆检测、车道线检测、可行驶区域检测任务。首先,设计模型主体为双路结构,分别为用于提取浅层特征信息的细节分支和用于提取抽象特征信息的深层语义分支;其次,为了更好融合提取到的浅层细节信息和深层语义信息,设计了多尺度特征图融合模块MFFM(Multiscale feature fusion module);然后,在公开数据集BDD100K和自有数据进行了实验,所提出的模型在车辆目标检测任务中召回率为89.3%,m AP为77.3%、车道线检测任务中准确率为78.4%,可行驶区域检测任务中m Io U为92.7%,检测速度达35 FPS。结果表明模型检测精度和检测效率超过了目前已有的多任务集成算法模型,并且具有良好的泛化能力。(3)针对2D目标检测结果无法检测完整空间信息的瓶颈,基于数据层融合的理念,提出了一种融合特征金字塔结构FPN和视锥体注意力模块的3D目标检测方法。首先,利用图像的检测结果,裁剪冗余点云生成视锥体数据,并添加语义信息;其次,线性调整生成视锥体序列的步长和高度,使其变化符合点云分布规律;然后,在模型结构上添加FPN(Feature Pyramid Network)结构和视锥体注意力模块,增加多尺度信息,提高特征提取能力;接着,在KITTI数据集上进行实验,证明所提出的方法,可以有效获取目标空间信息。(4)针对数据层融合模型中存在串行结构检测效率低的问题,基于特征层融合的思想,提出了图像与点云深度融合的3D目标检测模型。首先,在数据层,利用投影矩阵将图像RGB信息投影到点云中,生成带RGB信息的BEV视图。其次,设计并行双分支结构,分别提取图像和点云,在不同的模型深度进行特征的融合,完成3D目标检测。然后,在KITTI数据集上进行实验,实验结果证明所提出模型的检测精度获得有效提升,并且检测效率得到提高。

关键词：自动驾驶感知算法数据融合多任务检测 3D目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

统一电能质量控制器的仿真及实验研究

统一电能质量控制器的仿真及实验研究

作者：姜鹏北京交通大学

学位级别：硕士

随着我国国民经济和科学技术的飞速发展,对电能的需求量逐年增长,与此同时电能质量问题也越来越突出。电能质量综合治理技术是以电力电子技术为基础,电力系统、信号处理和控制理论等多学科相互交叉的新技术。统一电能质量控制器(UPQC)... 详细信息

随着我国国民经济和科学技术的飞速发展,对电能的需求量逐年增长,与此同时电能质量问题也越来越突出。电能质量综合治理技术是以电力电子技术为基础,电力系统、信号处理和控制理论等多学科相互交叉的新技术。统一电能质量控制器(UPQC)是一种电能质量综合治理的基础装置之一。它既可以补偿电流畸变和无功功率,又可以快速补偿供电电压中的骤升、骤降、波动、闪变和各相电压的不平衡以及故障时的短时供电中断、实现动态电压恢复。为此,本文结合国家电网公司科技部重点科技项目《大容量统一电能质量控制器关键技术及装备》,对配电系统中的统一电能质量控制器进行了研究,该装置样机的容量为240KVA。本文首先对三相三线制统一电能质量控制器的拓扑结构和主回路拓扑进行分析,并建立UPQC的数学模型。在分析各种检测算法的基础上,确定了使用多任务检测方法。确立了对统一电能质量控制器中串并联单元进行分别控制的思想,以补偿负载侧谐波和无功电流、补偿网测电压为目的的控制策略。详细讨论了240KVA容量三相三线制UPQC控制系统设计,运用PSCAD仿真软件搭建了仿真模型,对三相三线UPQC在各种工况下的运行进行了较全面的仿真研究,详细分析验证了UPQC的系统性能,仿真结果表明采用的检测算法和串并联侧控制策略是有效的。本文最后通过对240KVAUPQC试验样机的实验验证了仿真结果的正确性,证明了UPQC较好地实现了对电网输入电流及负载输入电压的综合电能质量调节。

关键词：电能质量统一电能质量调节器UPQC 多任务检测 PSCAD仿真

基于深度学习的多类别指针式表计自动读数方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的多类别指针式表计自动读数方法研究

作者：郭敏南京理工大学

学位级别：硕士

指针式表计自动读数是一个复杂的机器视觉问题,由于指针式表计种类繁多,通用自动读数算法的研制具有很大的挑战性。本文对基于深度学习的多类别指针式表计自动读数方法进行研究,同时考虑到模型的工业部署问题,对网络进行轻量化设计,降... 详细信息

指针式表计自动读数是一个复杂的机器视觉问题,由于指针式表计种类繁多,通用自动读数算法的研制具有很大的挑战性。本文对基于深度学习的多类别指针式表计自动读数方法进行研究,同时考虑到模型的工业部署问题,对网络进行轻量化设计,降低整体读数模型的参数量和模型推理时间。本文的主要工作及贡献如下:1、对现有的读数算法进行研究,提出了一种新的基于深度学习的指针式表计读数框架:通过检测指针式表计三类关键点（表盘中心点、指针端点、刻度点）和自动识别刻度数字获取量程信息两步得到最终读数。对新的读数框架中需要用到的关键点检测任务和刻度数字检测任务进行研究,在Center Net的基础上提出了Center Net-multi多任务检测模型,利用一个模型同时实现指针式表计的三类关键点检测以及刻度数字检测。实验表明,该模型对关键点检测的平均精确率为95.3%,刻度数字的检测精度AP更是高达99.08%,该模型具有良好的检测性能。2、研究了基于STN-CRNN网络模型的刻度数字识别算法,该网络主要包括两个部分:STN刻度数字图片矫正网络和CRNN无分割文本识别网络。在自建的数据集上,STN-CRNN获得了96.14%的识别准确率。结合Center Net-multi检测到的关键点信息对读数进行计算,在总计41类包括5类不等分量程的指针式表计数据集中,基于CenterNet-multi和STN-CRNN的两阶段读数算法在误差为±5%时获得了86.43%的读数准确率,验证了本文提出的读数框架的有效性。3、对多任务检测模型进行轻量化设计,提出了轻量化网络PGMDet:分别选用Ghost Net和Mobile Net V2作为特征提取层;结合SE注意力机制、FPN和转置卷积层设计了SFN层用作特征融合和上采样;最后采用深度可分离卷积对检测头进行轻量化。PGMDet模型大小为18.65MB,远小于Center Net-multi的120.18MB。此外,关键点检测的平均精确率和刻度数字检测的AP与Center Net-multi相比下降幅度均在1%以内。4、对CRNN网络进行优化设计,设计了CRNN-NEW模型。基于NCNN框架将CRNN-NEW和PGMDet部署到Android平台,实现指针式表计读数模型在手机端的部署,最后经测试,软件的读数识别速度可以达到7.4帧/秒。

关键词：指针式表计读数深度学习多任务检测数字识别轻量化模型

基于深度学习的车载激光雷达点云目标识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的车载激光雷达点云目标识别方法研究

作者：吕尚松吉林化工学院

学位级别：硕士

在自动驾驶中,为保证车辆安全可靠行驶,精准感知车辆周围环境信息是关键。环境感知系统通过采用多种车载传感器来感知和理解汽车周围的环境信息,即通过检测并识别目标车辆、行人、自行车、障碍物等目标,为自动驾驶的决策规划和行为控制... 详细信息

在自动驾驶中,为保证车辆安全可靠行驶,精准感知车辆周围环境信息是关键。环境感知系统通过采用多种车载传感器来感知和理解汽车周围的环境信息,即通过检测并识别目标车辆、行人、自行车、障碍物等目标,为自动驾驶的决策规划和行为控制提供准确、全面的信息,为此对道路目标进行准确识别就显得格外重要。在车载传感器中,激光雷达凭借极高的距离分辨率与角分辨率、强抗干扰能力和优秀的隐蔽性等优势,被广泛认为是自动驾驶的“眼睛”。激光雷达是通过多束激光高频发射来获取反射数据,形成周围环境目标的高清3D的“点云”图像。但是激光雷达所获取的点云数据是稀疏的、无序的,导致难以有效提取目标的特征信息,从而造成对三维目标的误检或漏检。因此,为了满足自动驾驶中对三维点云目标进行高精度和实时性检测的需求,本文开展基于深度学习的车载激光雷达点云目标识别方法研究,提出了一种深浅特征融合的三维点云目标识别方法。具体研究内容如下:第一部分,针对激光雷达获取的点云数据中存有背景噪声和奇异点的问题,采用基于Point Clean Net网络的点云去噪算法,将所获的点云信息进行去噪处理,从而提取出目标的有效信息。第二部分,针对激光雷达三维点云目标存在检测精度不高和实时性差的问题,提出了基于深度学习的三维目标识别方法。(1)针对三维目标点云体素量化过程中出现关键信息易丢失的问题,设计了三维稀疏卷积融合网络。通过对特征图进行多次卷积,得到不同尺度下的非空体素特征。为获取更为丰富的目标特征,将映射到鸟瞰图的特征与多尺度体素特征相融合,从而有效保留三维场景的结构几何信息。(2)针对在深度学习网络中因下采样而造成目标细节信息难以提取的问题,设计了一种区域候选网络,该网络旨在融合深层和浅层特征,以弥补信息丢失,提高细节信息的捕捉能力。在三维目标识别网络中,随着网络卷积层不断增加,特征图的大小和感受野也会发生变化。浅层特征图分辨率高,包含更详尽的纹理信息;深层特征分辨率低,包含更多的语义特征。本文将不同层级的特征映射进行融合,提高点云特征映射的综合表达能力。(3)设计了SE多任务检测头网络。通过网络自适应的学习和获取每个特征通道的重要性,对有用的特征进行凸显,并抑制对当前任务无用的特征,从而提高特征的判别能力。(4)实验研究。在KITTI基准测试中进行,结果表明,相比较其他的目标识别方法,本文提出的方法在检测远距离和被遮挡目标方面表现更出色,并且在较难检测条件下Car类和Cyclist类目标的3D检测精度分别达到了81.19%和65.32%,显示出更卓越的检测性能。综上所述,本文研究内容解决了车载激光雷达点云目标识别高精度和实时性的问题,为车载激光雷达点云目标识别方法研究提供重要的理论参考,为自动驾驶的环境感知方法提供新思路,助推了自动驾驶技术的快速应用与推广。

关键词：三维点云目标识别深度学习深浅特征融合点云去噪多任务检测