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

X光安检违禁品图像快速语义分割方法研究

X光安检违禁品图像快速语义分割方法研究

作者：姚少卿中国民航大学

学位级别：硕士

违禁品识别对保障公共安全有着十分重要的作用。为了减少人为检测所产生的的漏检误检现象,诸多研究人员涉足X光安检违禁品自动检测领域。语义分割技术作为计算机视觉领域发展最迅猛的分支,其理论研究已日趋成熟。使用语义分割方法实现... 详细信息

违禁品识别对保障公共安全有着十分重要的作用。为了减少人为检测所产生的的漏检误检现象,诸多研究人员涉足X光安检违禁品自动检测领域。语义分割技术作为计算机视觉领域发展最迅猛的分支,其理论研究已日趋成熟。使用语义分割方法实现违禁品自动检测,可获取目标物的形状、种类、位置三种信息。然而,在安检违禁品识别任务中面临着图像复杂多变算法计算量巨大的困难。针对上述问题,本文着力于X光安检违禁品图像快速语义分割方法研究,具体研究内容如下:(1)针对简单背景下单目标识别任务,构建N型编码器,减少下采样过程中真实语义信息的丢失。针对X光安检图像的特性,提升网络对浅层语义信息的利用率,增加网络对下采样的监督,提升识别精度。(2)针对简单背景下单目标快速识别任务,搭建了基于VGG16(16 layers Visual Geometry Group Network)改进的编码器,使用空洞卷积模块(Dilated Convolution Module,DCM)模块取代传统卷积层,提升网络感受野。同时使用非对称卷积模块(Asymmetric Convolution Module,ACM)模块取代单一串联的卷积,降低计算量。(3)针对简单背景下多目标识别任务,引入注意力机制,设计金字塔卷积(Atrous Spatial Pyramid Convolution,ASPC)编码模块,在扩大网络感受野的同时增强网络对于多目标图像的信息挖掘。同时在上采样阶段使用1×1卷积实现通道降维,减少计算量。(4)针对复杂背景下多目标快速识别任务,保留ASPC模块与ACM模块,在上采样阶段沿用1×1卷积降维操作。整体平衡了算法的识别精度和运行速度。各阶段的研究结果表明,结合安检违禁品图像自身特点,基于ASPC模块及ACM模块设计的识别算法对于复杂背景下各类目标物的快速检测有着良好的表现。

关键词：快速语义分割违禁品识别非对称卷积空洞空间卷积注意力机制

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

快速超轻量城市交通场景语义分割

计算机科学与探索 2022年第10期16卷 2377-2386页

作者：石敏沈佳林易清明骆爱文暨南大学信息科学技术学院广州510632

近年来,随着自动驾驶的火热发展,越来越多研究者开始探索图像语义分割网络的轻量化并将其应用于道路交通场景。而目前现存的语义分割网络通常由于参数量庞大难以部署在硬件资源有限的边缘设备,针对这一问题,设计了一个由通道注意力骨干... 详细信息

近年来,随着自动驾驶的火热发展,越来越多研究者开始探索图像语义分割网络的轻量化并将其应用于道路交通场景。而目前现存的语义分割网络通常由于参数量庞大难以部署在硬件资源有限的边缘设备,针对这一问题,设计了一个由通道注意力骨干网络(CABb)和空间注意力解码器(SAD)模块构成的双注意力轻量化网络(DALNet),结合“通道-空间”双注意力机制的DALNet在图像上下文语义信息的提取和图像空间信息的恢复上都具有突出的表现。CABb主要由通道注意力瓶颈(CABt)模块组成,CABt模块采用Split策略分离特征通道并行处理多尺度的特征图,引入通道注意力机制进行通道融合,提取多尺度语义信息。SAD模块利用空间注意力机制指导解码器进行双线性插值上采样,恢复分割目标边沿以及细节信息。实验结果表明,DALNet仅凭48万的参数量在城市交通数据集Cityscapes和CamVid最高分别可达到74.1%和70.1%的交并比(mIoU)。DALNet在输入图像分辨率为512×1024的情况下,基于GTX 1080TiGPU可以获得74 frame/s的前向推理速度,远超实时语义分割所需的速度要求。

关键词：快速语义分割轻量化网络通道注意力空间注意力城市交通

在线全文

学校读者我要写书评

暂无评论

基于高效的多尺度特征提取的轻量级语义分割

计算机学报 2022年第7期45卷 1517-1528页

作者：刘云陆承泽李仕杰张乐吴宇寰程明明南开大学计算机学院天津300350 波恩大学信息系统与人工智能系波恩53115德国新加坡科技研究局新加坡138632新加坡

近来移动端视觉应用的发展激发了对轻量级语义分割技术的需求.尽管取得了十分辉煌的成就,当前轻量级语义分割模型仍存在精度不足、参数过多的问题.本文的目的在于开发一个具有少量参数的高精度分割模型.为此,本文基于以下观察提出了一... 详细信息

近来移动端视觉应用的发展激发了对轻量级语义分割技术的需求.尽管取得了十分辉煌的成就,当前轻量级语义分割模型仍存在精度不足、参数过多的问题.本文的目的在于开发一个具有少量参数的高精度分割模型.为此,本文基于以下观察提出了一种新的轻量级分割模型MiniNet:(1)语义分割依赖于多尺度特征学习;(2)下采样是加速网络推理和扩大卷积感受野的最有效方法;(3)网络深度和卷积通道数之间的良好平衡对于轻量级模型至关重要.具体来说,MiniNet采用空间金字塔卷积(Spatial Pyramid Convolution,SPC)模块和空间金字塔池化(Spatial Pyramid Pooling,SPP)模块作为多尺度特征学习的基本单元.此外,MiniNet将大多数网络层和操作放在较小的尺度上,即原始图像分辨率的1/16,而不是先前模型中常用的1/8尺度.MiniNet还设法平衡网络深度和卷积通道数.在没有ImageNet预训练的情况下,MiniNet在Cityscapes测试数据集上仅以211K参数和94.3fps的速度即可达到66.3%的mIoU.

关键词：语义分割轻量级语义分割快速语义分割图像分割轻量级网络

一种基于改进的MobileNetV2网络语义分割算法

在线全文

学校读者我要写书评

暂无评论

电子学报 2020年第9期48卷 1769-1776页

作者：孟琭徐磊郭嘉阳东北大学信息科学与工程学院辽宁沈阳110000 辛辛那提大学电气工程与计算机系俄亥俄州辛辛那提45221

基于金字塔卷积神经网络的语义分割算法准确率很高,但是其计算资源消耗巨大、算法执行时间长、无法满足实时性要求.为了解决这个问题,本文做出了以下改进:(1)用MobileNet替换原网络的结构,减少了网络运算时间和内存开销;(2)引入编码器-... 详细信息

基于金字塔卷积神经网络的语义分割算法准确率很高,但是其计算资源消耗巨大、算法执行时间长、无法满足实时性要求.为了解决这个问题,本文做出了以下改进:(1)用MobileNet替换原网络的结构,减少了网络运算时间和内存开销;(2)引入编码器-解码器结构提高输出图像的分辨率,进一步细化分割结果;(3)针对高分辨率图像推断时间过长的问题,本文设计了多级图像输入方法,降低了网络推断高分辨率图像所消耗的时间.本文在VOC 2012数据集和Cityscapes数据集上进行了测试,并与FCN、SegNet、DeepLab、PSPNet以及DFN等语义分割模型对比.实验结果表明,本文设计的语义分割算法在VOC 2012数据集上达到了76.1%的mIoU,在Cityscapes数据集上达到了74.1%的mIoU,略低于传统语义分割算法;处理一张分辨率为1024×512的图片需要18ms,少于传统语义分割算法,满足了实时性要求,达到了准确率与计算资源消耗之间的平衡.

关键词：语义分割卷积神经网络金字塔网络快速语义分割 MobileNet 编码器-解码器

FCN与CNN在铁路入侵目标识别中的应用研究

在线全文

学校读者我要写书评

暂无评论

FCN与CNN在铁路入侵目标识别中的应用研究

作者：史佳锋北京交通大学

学位级别：硕士

随着高速铁路的快速建设和发展,铁路的安全运营日益重要,而异物入侵会对铁路的安全运营造成很大的威胁,严重危害着国家财产和人民生命安全。为了解决该问题,需要一种精度高、实时性强以及稳定性好的铁路异物侵限检测技术,这对于铁路的... 详细信息

随着高速铁路的快速建设和发展,铁路的安全运营日益重要,而异物入侵会对铁路的安全运营造成很大的威胁,严重危害着国家财产和人民生命安全。为了解决该问题,需要一种精度高、实时性强以及稳定性好的铁路异物侵限检测技术,这对于铁路的运营安全具有重大意义。深度学习算法在图像检测识别领域中的应用为铁路异物侵限目标的识别提供了可能,本文的目的是旨在开发一套基于深度学习的铁路异物入侵检测算法,将侵入铁路的异物进行识别检测,从而提升铁路安全运营保障水平。本文为了对侵入铁路的异物进行准确的识别检测,首先通过采集铁路现场的视频图像构建铁路数据库,包括空铁路场景、包含运营列车的铁路图像和包含行人入侵的铁路图像三种情况;随后,以全卷积网络为基础,使用改进的Xception网络作为网络基础结构,在编码器阶段构建子网络聚合和子阶段聚合模块进行下采样,在解码器阶段利用双线性插值以及特征融合方式进行上采样完成轨道区域快速准确的分割,从而确定铁路限界。最后,为了实现对异物目标快速准确的检测识别,以SSD网络为基础,在原始网络基础上引进了Focal Loss损失函数平衡正负样本的数量,引进DIOU Loss损失函数帮助网络更好更快的收敛。为了解决网络对小目标检测效果差的问题,在原始结构基础上引入了反卷积和特征融合加强了网络对于小目标的检测效果,并利用卷积核L1范数对网络进行了裁剪压缩,降低了网络的计算量和运行时间,从而实现准确率和实时性的平衡。通过在铁路数据集和PASCAL VOC两种数据集的实验表明本文提出的算法具有良好的普适性和鲁棒性,足以满足铁路现场的实际使用需求。本文提出了基于改进Xception网络的快速语义分割网络进行对铁路限界区域进行划分,最终划分精度(IOU)达到了95.2%,检测单张图片时间为3.85ms。提出使用改进的SSD网络对异物目标进行识别,检测的准确率整体达到了99.95%,检测单张图片时间为31ms,具备较好的准确性和实时性,对保障铁路安全运营具有重要意义。

关键词：深度学习铁路异物侵限目标检测快速语义分割特征融合