检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于多层特征融合的多光谱行人检测方法

计算机工程与设计 2023年第5期44卷 1579-1585页

作者：罗萍王涛彭云奉重庆邮电大学自动化学院重庆400065

针对行人检测模型在全天候场景下特征提取能力差、检测准确率低的问题,提出一种基于多层特征融合的多光谱行人检测方法。设计一种基于通道注意力机制的可见光与红外特征的融合方式,提升模型的特征融合效率;采用多层融合特征设计特征金... 详细信息

针对行人检测模型在全天候场景下特征提取能力差、检测准确率低的问题,提出一种基于多层特征融合的多光谱行人检测方法。设计一种基于通道注意力机制的可见光与红外特征的融合方式,提升模型的特征融合效率;采用多层融合特征设计特征金字塔网络,提升模型的特征提取能力;引入自适应特征融合机制对检测层进行特征图尺度调整,降低尺度冲突对模型性能的影响。在KAIST数据集上进行实验,其结果表明,模型的检测性能有一定提升。

关键词：行人检测全天候场景特征提取多层特征融合多光谱通道注意力机制特征金字塔网络自适应特征融合机制

在线全文

学校读者我要写书评

暂无评论

多层特征融合与混合注意力的物体位姿估计

组合机床与自动化加工技术 2024年第6期 32-36+41页

作者：白一凡党选举桂林电子科技大学电子工程与自动化学院桂林电子科技大学广西智能综合自动化高校重点实验室

在工业机器人抓取过程中，针对物体无纹理、存在遮挡、场景杂乱的情况下的6D位姿精确估计问题，提出一种多层特征融合与混合空间通道注意力的物体6D位姿估计算法。设计了一种垂直连接的双向特征融合金字塔网络，实现多层特征融合，提升... 详细信息

在工业机器人抓取过程中，针对物体无纹理、存在遮挡、场景杂乱的情况下的6D位姿精确估计问题，提出一种多层特征融合与混合空间通道注意力的物体6D位姿估计算法。设计了一种垂直连接的双向特征融合金字塔网络，实现多层特征融合，提升对目标关键点的检测性能。嵌入混合空间通道注意力机制，聚焦空间和通道两个维度上的特征信息，增强模型的局部表征能力。在LineMod数据集及Occlusion LineMod遮挡数据集上的实验结果表明所提出算法的优越性及有效性，且能够有效处理背景杂乱及遮挡问题。

关键词：工业机器人遮挡物体多层特征融合混合注意力位姿估计

基于模态特性与多层特征融合的红外与可见光图像融合算法研究

在线全文

学校读者我要写书评

暂无评论

基于模态特性与多层特征融合的红外与可见光图像融合算法研究

作者：吴学强江西财经大学

学位级别：硕士

随着硬件设备的发展,传感器技术也在飞速进步。不同的传感器由于其工作原理的不同,所捕获的图像内容也有所不相同,因此,在有些场景中会利用不同的传感器去获取不同方面的信息。也正是因为传感器反馈的场景信息各不相同,它们之间可以提... 详细信息

随着硬件设备的发展,传感器技术也在飞速进步。不同的传感器由于其工作原理的不同,所捕获的图像内容也有所不相同,因此,在有些场景中会利用不同的传感器去获取不同方面的信息。也正是因为传感器反馈的场景信息各不相同,它们之间可以提供互补信息,为计算机视觉任务提供更全面的信息。例如,红外传感器通过捕获环境中的热射线数据,利用红外影像较高的反差度将显著对象与背景物体分离。而可见光传感器可以捕获环境中的光反射数据,所形成的可见光图像拥有比较丰富的纹理信息,但是却不能突出红外影像的显著对象。为了获得同一场景的完整信息,需要将红外与可见光两种模态的图像进行融合,去除冗余信息保留互补信息,获得具有单场景多传感器源的单幅图像,从而为人们提供更好的视觉感知和决策支持。传统红外与可见光图像融合方法通常采用将图像分解为高频信息和低频信息的方式,然后可以通过高频信息来获取场景中的细节纹理和图像的整体轮廓,通过低频信息来获取场景中的图像亮度分布,最后将这些信息互补融合。然而,这种方式由于未考虑到两种图像特征的区别,可能会导致融合结果出现对比度低、纹理丢失、存在伪影等问题。随着深度学习技术的发展,更多的学者开始研究用深度学习技术来处理红外与可见光图像融合任务,虽然已经获得了很大的进展,但仍还存在一些问题未被解决。例如,有些深度学习方法在对两种图像进行特征提取时没有考虑不同模态特征的差异性,从而导致融合图像出现特征信息丢失以及显著目标亮度下降的现象。此外在两种特征融合的过程中未能充分利用各个层次的特征,可能会导致融合图像出现信息缺失或不准确的问题。基于上述讨论,本文旨在弥补红外与可见光图像融合任务中深度学习方法的不足,提出了两个新的深度融合网络,主要工作总结如下。(1)由于部分深度学习方法未考虑不同模态图像的特性差别,本文提出了一种基于模态特征注意力的红外与可见光图像融合网络。该网络主要包括特征提取、特征融合和融合图像重建三个阶段。在特征融合阶段,本文构建了一个注意力特征融合模块(Attention feature fusion module,AFFM),可促进多模态互补特征的有效融合,并通过多次迭代提高融合性能。此外,为了更好地监督网络的训练,本文提出一种全新的基于小波分解的损失函数以及显著性损失函数来约束网络的融合结果,使得最终的融合结果既包含可见光图像中的丰富纹理信息又包含红外图像中的显著目标。通过在TNO数据集上进行的主客观对比实验以及消融实验,充分证明了所提出的方法相比目前一些先进的方法获得了更好的融合结果。(2)由于部分深度学习方法没有充分考虑多模态图像不同层次特征信息的差异性,为了有效地融合不同层次的信息,本文提出了一种基于多层特征融合的红外与可见光图像双编码器融合网络,该网络可以在不同层次有效地融合源图像的特征。本文提出了一个深度语义信息融合模块(Deep semantic information fusion module,DSIFM)来合并不同尺度的深层特征。另外,考虑到红外和可见光特征的差异,设计了一种浅中层信息融合模块(Shallow-middle information fusion module,SMIFM),将通过两个编码器获得的浅层和中层特征与网络传递的深层特征进行整合。此外,为了使得融合结果能够更好地保留源图像的显著目标信息和纹理特征,定义了一种包含敏感度损失和结构相似性损失的联合损失函数来监督网络的训练。通过在TNO数据集和Load Scene数据集上进行的大量主客观实验,获得的定性和定量的实验结果均证实了所提出方法的优越性。

关键词：红外与可见光图像融合模态特征注意力显著性损失多层特征融合深度语义信息融合

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

基于多层特征融合的显著性目标检测算法研究

基于多层特征融合的显著性目标检测算法研究

作者：李夏露南京邮电大学

学位级别：硕士

显著性目标检测是从图像中提取出最具有吸引力的目标,经常作为各种视觉任务的重要预处理或中间步骤,是计算机视觉领域的重要研究课题。目前基于深度卷积神经网络的检测方法已经取得了不错的成果。然而,如何充分利用提取特征的多尺度信息... 详细信息

显著性目标检测是从图像中提取出最具有吸引力的目标,经常作为各种视觉任务的重要预处理或中间步骤,是计算机视觉领域的重要研究课题。目前基于深度卷积神经网络的检测方法已经取得了不错的成果。然而,如何充分利用提取特征的多尺度信息,并且采用何种合适的特征融合方式来处理特征映射去提高检测精度仍是值得挑战的问题。本文主要研究基于多种特征融合的SOD算法,主要的研究工作和成果有:(1)针对目前大多数基于全卷积神经网络的检测算法中只结合单层特征而出现图像目标区域模糊不清的检测结果,提出了一个新的邻接辅助显著性目标检测网络(AANet)。首先,针对每层特征提取设计了并行连接特征增强模块(PFEM),通过将不同的膨胀卷积分支并行连接来提高特征的密集程度,并加入了通道注意流,来充分提取特征的上下文信息。然后通过邻接辅助模块(AAM)将抽象程度接近但是具有不同特征性质的相邻层特征融合在一起,以消除特征的歧义和噪声。并且为了获得更加细致的特征以得到更准确的目标边界,在邻接辅助模块的基础上设计了邻接解码器,它将相邻层的特征级联后提取其空间注意后再和AAM的输出结合。将每级从邻接解码模块(AAM＿D)得到的具有语义信息和空间细节的特征都进行输出作为显著预测图来进行多级特征联合监督。在六个基准数据集上进行了测试,在不同的评价指标下,该方法相比类似前人方法得到了更好的结果。(2)在第三章算法中,通过融合网络已经能够取得较好的检测结果。但是仅仅采用单流框架去提取、融合特征的方法,利用图片的信息较为单一。为充分地探索和利用图像中的信息以检测出图像中的显著目标,提出了一种双输入的用于显著性目标检测的双流编码解码网络(DEDNet)。首先将原图像(rgb)流、经过处理的得到粗略显著性(C-sal)流输入到编码器中得到多层的特征,模型在解码的过程中,粗略显著流显示地指导模型的特征提取,帮助快速定位;而rgb流中信息也可以为粗略显著流做出信息补充。为有效捕捉主要的显著区域、抑制背景噪声,设计了全局注意引导模块(GAGM)以增强全局特征。另外在考虑双流的交互时,设计了信息交互引导模块(IIGM)以解决两个流的交互融合问题。当都具有有效信息时它们结合补充信息,增加更多可靠的相关像素,抑制偏差做出一致的预测;当存信息偏差时能综合有用信息做出正确的取舍。另外解码部分由多重特征融合解码模块(IFM)级联组成,它融合了来自对应编码层特征、上层解码层、与另一流的交互后的特征以及全局信息,最终两流解码融合后的特征用来输出最后的预测图。在6个常用的基准数据集上,将提出的DEDNet方法与其他13种经典方法在F和MAE评价指标上进行了比较,证明了该网络结构的有效性。

关键词：显著性目标检测深度学习多尺度特征多层特征融合双流

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

基于图卷积和多层特征融合的点云分类方法

激光与光电子学进展 2023年第14期60卷 273-280页

作者：田晟龙安洋华南理工大学土木与交通学院广东广州510641

为了解决现有的深度学习点云分类方法对局部特征挖掘不充分的问题并提升不同层级特征融合的质量,提出一种基于图卷积和多层特征融合的点云分类方法。首先,构造K邻域图,在此基础上利用改进的边缘函数提取更细粒度的边特征,并使用基于注... 详细信息

为了解决现有的深度学习点云分类方法对局部特征挖掘不充分的问题并提升不同层级特征融合的质量,提出一种基于图卷积和多层特征融合的点云分类方法。首先,构造K邻域图,在此基础上利用改进的边缘函数提取更细粒度的边特征,并使用基于注意力机制的聚合方法获取更具代表性的局部特征。然后,通过多层特征融合模块调整中间特征的通道权值,引入残差连接融合不同层级的特征,加深网络层之间的信息传递。在标准公开数据集ModelNet40上的实验结果表明,相比其他点云分类方法,所提方法的分类性能更好,总体分类精度为93.2%,并且具有较强的鲁棒性。

关键词：机器视觉深度学习点云分类图卷积多层特征融合

基于多层特征融合可调监督函数卷积神经网络的人脸性别识别

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2019年第3期36卷 940-944页

作者：石学超周亚同池越河北工业大学电子信息工程学院天津市电子材料与器件重点实验室天津300401

为了进一步提高性别识别的准确率,提出了一种基于多层特征融合与可调监督函数机制结合的卷积神经网络(L-MFCNN)模型,并将之用于人脸性别识别。与传统卷积神经网络(CNN)不同,L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相... 详细信息

为了进一步提高性别识别的准确率,提出了一种基于多层特征融合与可调监督函数机制结合的卷积神经网络(L-MFCNN)模型,并将之用于人脸性别识别。与传统卷积神经网络(CNN)不同,L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相结合,融合多层卷积层的特征,不仅利用了深层卷积的整体语义信息,还考虑了浅层卷积的细节局部纹理信息,使得性别识别更加准确。此外L-MFCNN还引入具有可调目标监督函数机制的large-margin softmax loss作为输出层,利用其调节不同的间隔(margin)的机制来有效引导深层卷积网络学习,使得同种性别间的类内间距更小,不同性别间的类间距更大,获得更好的性别识别效果。在多个人脸数据集上的性别识别实验结果表明,L-MFCNN的识别准确率要高于其他传统的卷积网络模型。L-MFCNN模型也为将来的人脸性别识别研究提供了新的思路与方向。

关键词：人脸性别识别多层特征融合卷积神经网络深度学习

在线全文

学校读者我要写书评

暂无评论

基于多层特征融合的视网膜血管分割模型

湖北工业大学学报 2022年第4期37卷 24-28页

作者：刘延龙吴聪湖北工业大学计算机学院湖北武汉430068

针对现有的视网膜血管分割算法在下采样的学习层中不能有效捕捉更多特征,且低层特征没有得到充分利用从而提高视网膜血管分割的准确性,提出了一种新颖的多层特征融合网络。首先设计了一个具有连续记忆力机制的模块来增加网络的深度,以... 详细信息

针对现有的视网膜血管分割算法在下采样的学习层中不能有效捕捉更多特征,且低层特征没有得到充分利用从而提高视网膜血管分割的准确性,提出了一种新颖的多层特征融合网络。首先设计了一个具有连续记忆力机制的模块来增加网络的深度,以捕获更多的特征。在此基础上提出了一个多层特征融合模块将低层特征和高层特征进行融合。在DRIVE和CHASE_DB1数据集上进行训练和测试,结果表明:与其它流行的深度学习方法相比,该方法在两个数据集上获得了更好的结果,视网膜血管分割结果更加准确。

关键词：医学图像处理视网膜血管分割连续记忆力机制多层特征融合

在线全文

学校读者我要写书评

暂无评论

基于多层特征融合的小目标检测算法

计算机工程与设计 2020年第7期41卷 1905-1909页

作者：高杨肖迪南京工业大学电气工程与控制科学学院江苏南京211816

针对Faster R-CNN目标检测算法中小目标检测精度不高和定位不准确的问题,提出一种基于多层特征融合的小目标检测方法。运用多层特征融合的方式丰富特征图的信息,提升小目标检测的精度,在目标候选区域时对锚框进行新的设定,丰富锚框的比... 详细信息

针对Faster R-CNN目标检测算法中小目标检测精度不高和定位不准确的问题,提出一种基于多层特征融合的小目标检测方法。运用多层特征融合的方式丰富特征图的信息,提升小目标检测的精度,在目标候选区域时对锚框进行新的设定,丰富锚框的比例与大小,进一步加强目标候选区域的生成,提升小目标检测精度和增强目标的定位效果。在测试数据集PASCAL VOC 2007进行验证,验证结果表明,与Faster R-CNN相比,检测速度没有受到明显的影响,目标总体检测精度提升了2.2%,其中小目标检测精度提升更为显著。

关键词：目标检测卷积神经网络多层特征融合区域候选网络非极大值抑制

基于多层特征融合与注意力机制的图像语义分割

在线全文

学校读者我要写书评

暂无评论

基于多层特征融合与注意力机制的图像语义分割

作者：王光海西南大学

学位级别：硕士

图像语义分割是计算机图像领域的一项基础任务,也是机器理解图像的关键步骤。早期的图像分割方法通过图像本身的特征将其划分为不同的区域,并不能识别区域的物理意义,这与人类通过不同类别的物体分割图像的方式不符,因此与实际应用的结... 详细信息

图像语义分割是计算机图像领域的一项基础任务,也是机器理解图像的关键步骤。早期的图像分割方法通过图像本身的特征将其划分为不同的区域,并不能识别区域的物理意义,这与人类通过不同类别的物体分割图像的方式不符,因此与实际应用的结合较为有限。而随着深度卷积网络的发展,全卷积神经网络将原本用于图像分类任务的模型扩展到了像素级的分类任务上,通过给每个像素赋予一个类别标签实现了将图像划分为不同类别区域的目标,即图像语义分割。图像语义分割的研究工作对其它同样关注图像细节的机器视觉研究具有指导意义,例如目标检测、超分辨率重建等;在自动驾驶、医学影像分割、行人检测等领域也有广泛的应用。基于全卷积网络的深度卷积网络模型实现了端到端的图像语义分割,卷积神经网络强大的语义抽象能力是其优势,使得模型能够准确地预测像素点的类别,但卷积网络结构和训练过程的限制,也为图像语义分割带来了挑战。图像语义分割的研究主要包含三个方向:用于提取抽象语义特征的骨干网络、用于上采样和提升特征质量的头部网络和确保网络参数能够更好地收敛的损失函数。本文主要针对头部网络和损失函数进行研究,主要工作如下:（1）由于卷积神经网络感受野的限制,模型提取到的特征可能存在类内不一致和类间不可区分的问题,因此需要引入更多的上下文信息来对像素点之间的关系进行建模,从而得到更具区分性的语义特征。针对这一问题,本文提出了上下文注意力模块,通过粗分割结果和每个像素点的特征聚合得到了一组类别特征,通过计算各个像素点的特征和每个类别特征的相似度,对粗分割结果进行更新,然后利用更新后的分割结果,将类别特征分配到每一个像素位置,最后将得到的特征图和原始特征图融合,从而得到了区分性更强的注意力特征图。（2）卷积神经网络不同阶段提取到的特征图具有不同的特点,浅层特征的感受野较小,因此只能提取到一些局部特征,特征图的分辨率较高,细节信息更加丰富;而深层特征经过多层卷积的抽象,语义信息更加明确,能够更准确地进行分类。为了结合不同层次特征的优势,本文提出了门控融合细化模块,通过门控机制选择单层特征无法准确识别的区域,利用额外的卷积层将多层特征融合作为这部分区域特征的补充。（3）多层特征融合的目标是利用不同层特征的特点,提升识别难以分类的像素点的准确度,为了使模型能够更加关注于对这些困难像素点的识别,提升多层特征融合模块的效果,本文从损失函数的角度入手,分析了困难像素点在类别和区域两个方面的分布情况,针对性地提高了困难像素点的损失权重,促使模型能够学习到整体分割精度更高的参数。（4）在三个图像语义分割领域常用的数据集上进行了实验,均取得了最好的分割结果。并通过量化每个模块对整体分割精度提升的影响,证明了本文所提算法的有效性。在PASCAL VOC数据集上对比了本文算法和其他相似算法的复杂度和实时性,证明了本文所提算法的优越性。并对各个模块进行了可视化,直观地展示了其对分割结果的影响。

关键词：深度学习语义分割多层特征融合注意力机制门控机制