检索结果-南通市图书馆

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

基于深度学习的低光照条件的混凝土裂缝检测

建筑结构 2021年第S2期51卷 1046-1050页

作者：李想熊进刚南昌大学建筑工程学院南昌330031

针对目前利用深度学习和计算机视觉技术检测混凝土裂缝需要较好光照条件的现状,实现了在低光照条件下的混凝土裂缝检测。首先,为了加快网络训练速度和检测速度,采用Segnet-MobileNet轻量级深度神经网络作为主要架构。其次,通过引入感受... 详细信息

针对目前利用深度学习和计算机视觉技术检测混凝土裂缝需要较好光照条件的现状,实现了在低光照条件下的混凝土裂缝检测。首先,为了加快网络训练速度和检测速度,采用Segnet-MobileNet轻量级深度神经网络作为主要架构。其次,通过引入感受野模块和图像增强模块,利用图像增强模块对裂缝样本进行光照增强预处理,并将感受野模块连接到MobileNet模型后端,利用感受野模块中的残差结构、多分支结构和膨胀卷积融合多尺度裂缝特征图谱信息,扩大网络感受野,进一步改善裂缝检测效果。最后,通过取样验证、损失评价和精度评价的方法评价模型性能,并且通过进行多次试验减少结果偶然性。试验结果表明:模型具有较高的检测精确度,平均检测精确度为97.6%,解决了低光照条件下混凝土裂缝的检测问题。

关键词：深度学习裂缝检测感受野模块混凝土低光照条件

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

融合人脸检测的通用目标检测技术及实现

融合人脸检测的通用目标检测技术及实现

作者：刘博文贵州大学

学位级别：硕士

近年来随着硬件的计算能力、存储能力不断提升,通信技术不断创新,使得人们获取图像数据、传输图像数据越来越便捷,但与此同时人类社会中的图像数据量也迅速增多。如何利用计算机来帮助人类自动识别处理海量图像数据已经成为当下研究热... 详细信息

近年来随着硬件的计算能力、存储能力不断提升,通信技术不断创新,使得人们获取图像数据、传输图像数据越来越便捷,但与此同时人类社会中的图像数据量也迅速增多。如何利用计算机来帮助人类自动识别处理海量图像数据已经成为当下研究热点。目标检测是计算机视觉中的基础方向之一,它为计算机视觉应用程序提供最基本的信息,逐渐被应用在了各行各业,改变着人们的生活生产方式。目标检测所要完成的任务是自动地定位给定图像中特定的视觉对象实例。因为基于深度学习的目标检测算法具有出色的检测性能,其已然成为目标检测方向中的研究热点。当前基于深度学习的目标检测算法依赖于强监督信息才能够取得高检测准确率。在实际应用中如果想要扩充检测模型的目标类别,需要根据目标类别对数据集进行额外的人工标注,随着数据量的增多,扩充目标类别也愈发耗时费力。本文利用跨数据集训练技术,避免进行标注数据集的工作,在保持模型的检测准确率不降低的同时,扩充目标检测模型的目标类别。本文主要研究内容如下:（1）介绍了基于深度学习的目标检测算法中两种检测方法:基于锚点框的方法和基于关键点的方法,并讨论了两种检测方法的优缺点。基于锚点框的方法采用人工预设的密集锚点框进行正、负样本获取,基于关键点的方法采用特征图像素点来进行正、负样本的获取。针对不同应用场景,分别设计了两种侧重点不同的目标检测模型。双分支预测的模型侧重于高检测准确率,适用于GPU服务器计算。轻量化RFBNet模型侧重于高检测效率和轻量化,适用于嵌入式（移动端）设备计算。双分支预测的模型通过将两种检测方式进行合并检测,实现两种检测方法的优势互补。并且针对浅层特征提取网络缺乏高级语义信息的特点,在浅层网络引入感受野模块,增强了浅层网络特征中的高级语义,进一步提升了模型检测准确率。轻量化RFBNet模型利用深度可分离卷积代替普通卷积进行模型压缩,提高了模型检测效率、缩减了模型大小。（2）针对目标检测模型在扩充目标类别时需要额外补充人工标注的缺点,使用跨数据集训练技术,将通用目标检测数据集与人脸检测数据集进行联合训练,使用数据集感知损失函数避免联合数据集训练时造成的模型分类混淆,实现融合人脸检测的通用目标检测模型。实验表明,相较于使用单数据集进行训练的模型,跨数据集训练模型的检测准确率相差无几,并且扩充了检测模型的目标类别。

关键词：目标检测人脸检测感受野模块深度可分离卷积检测类别扩充

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YOLOv3的小目标检测算法研究

基于YOLOv3的小目标检测算法研究

作者：徐融南京邮电大学

学位级别：硕士

目标检测是当今计算机视觉领域较为热门和流行的研究方向,可在各个领域中找到应用,例如国防、安全和医疗保障等。目前目标检测算法较多,如Fast R-CNN、Faster R-CNN、YOLOv3、SSD等。其中YOLOv3算法将目标检测看作回归问题对整张图片进... 详细信息

目标检测是当今计算机视觉领域较为热门和流行的研究方向,可在各个领域中找到应用,例如国防、安全和医疗保障等。目前目标检测算法较多,如Fast R-CNN、Faster R-CNN、YOLOv3、SSD等。其中YOLOv3算法将目标检测看作回归问题对整张图片进行检测,这大大加快了检测速度,且主干网络采用残差结构大大加深了网络深度,使检测准确率相当。但这些算法对图片中面积占比小于0.12%的小目标检测的漏检率要高于大目标,YOLOv3也不例外。针对这一问题,本文基于YOLOv3网络模型研究了小目标检测算法,主要工作如下:(1)小目标在图像中所占像素很少,经过多层卷积之后提取得到的特征不明显,为了改善YOLOv3的小目标特征提取性能,通过将原网络模型中经2倍降采样的特征图进行卷积分别叠加到第二及第三个残差块的输入端,以此增强浅层特征信息。同时,在第一个8倍降采样的特征图后连接RFB模块,增强特征提取能力。(2)原网络中采用多次步长为2卷积操作代替池化层来进行特征图的下采样操作,降低了特征的传递能力。为此,本文借鉴Dense Net的思想,采用密集连接的方式将浅层特征图直接传输到深层同尺度卷积层的输入端。这样不仅能增强浅层特征重用能力,而且还可以有效缓解梯度消失问题。(3)提出了基于泛化IoU的回归损失函数代替原回归损失函数。通过在损失函数中加入锚框与真实框中心点距离相关以及预测框与真实框面积相关的两个惩罚项,使预测框的定位更加准确;并同时解决了两框无交集时的梯度消失的问题。本文基于以上三点改进分别在PASVAL VOC数据集和VEDAI数据集上与原网络进行对比实验。训练过程中,在训练批次相同的条件下训练时长相当。实验结果表明,上述三点同时作用于原YOLOv3网络时,在小目标检测上具有更低的漏检率,定位更加准确,且检测速度相仿。

关键词： YOLOv3 目标检测深度学习残差网络感受野模块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的图像超分辨率算法研究

基于深度学习的图像超分辨率算法研究

作者：李胜楠燕山大学

学位级别：硕士

图像超分辨率技术旨在将低分辨率图像重建成高分辨率图像,它是计算机视觉领域的热点问题,同时也非常具有挑战性和开放性。在医学,监控,遥感等行业领域都有非常广泛的应用前景。近年来随着深度学习的发展,基于深度学习的图像超分辨率算... 详细信息

图像超分辨率技术旨在将低分辨率图像重建成高分辨率图像,它是计算机视觉领域的热点问题,同时也非常具有挑战性和开放性。在医学,监控,遥感等行业领域都有非常广泛的应用前景。近年来随着深度学习的发展,基于深度学习的图像超分辨率算法获得了比传统算法更好的效果。通过对国内外研究现状的深入分析,发现目前许多算法对图像特征的利用不够完善,重建后的图像缺乏细节纹理信息,感知质量不高。本文在已有的基于深度学习的图像超分辨率算法的基础上进行研究和改进,从而提高图像超分辨率算法结果的感知质量。本文的主要工作有。首先,简要阐述了有关图像超分辨率的相关概念、基础知识。简单介绍了现有的图像超分辨率算法。其次,为了学习非常详细的特征,增强特征识别能力,更好的重建细节信息,将来源于人类视觉感受野结构的感受野模块引入超分辨率算法中,构建多尺度感受野模块增大感受野。同时在多尺度感受野模块中选择使用几个小的卷积核,降低计算的复杂度。再次,为了更好的利用细节信息,由于原有的基于深度学习的图像超分辨率算法大多都是平等地对待图像特征,并不能很好的区分哪些特征对超分辨率重建结果更有贡献。因此,将通道注意力机制和空间注意力机制引入超分辨率算法中,通过构建注意力模块改进超分辨率模型,使模型更关注对超分辨率结果贡献更大的特征,从而提高图像超分辨率重建结果的感知质量。最后,分别对提出的两种图像超分辨率算法进行实验,并将实验结果与现有的图像超分辨率算法进行对比,通过对结果的定性分析和定量研究,验证其有效性。

关键词：深度学习图像超分辨率感知质量感受野模块注意力机制

基于卷积神经网络的自然场景文本检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的自然场景文本检测算法研究

作者：黄裕倍深圳大学

学位级别：硕士

自然场景中的文本包含丰富而准确的语义信息,是分析和理解特定场景内容的关键要素。近年来,自然场景文本检测技术在自动驾驶、场景分析、盲人导航等领域得到了广泛应用,成为当前计算机视觉领域的研究热点,受到了工业界和学术界的共同关... 详细信息

自然场景中的文本包含丰富而准确的语义信息,是分析和理解特定场景内容的关键要素。近年来,自然场景文本检测技术在自动驾驶、场景分析、盲人导航等领域得到了广泛应用,成为当前计算机视觉领域的研究热点,受到了工业界和学术界的共同关注。然而,由于自然场景中的文本往往形状大小多变、排列方向不一、环境背景复杂等原因,自然场景文本检测算法的研究仍然面临巨大的挑战。本文结合目标检测、图像分割和深度学习的最新研究成果,开展了基于卷积神经网络的自然场景文本检测算法研究,主要内容如下:(1)阐述了自然场景文本检测领域的发展进程,包括传统的自然场景文本检测算法和基于深度学习的自然场景文本检测算法的优缺点,并分析了自然场景文本的特点及检测难点。(2)在EAST算法的基础上进行改进,提出了基于深度特征融合的自然场景文本检测算法。主要改进点包括:引入DenseNet121作为基础特征提取网络,降低梯度消失和模型退化带来的影响,提高图像基础特征的有效性;采用转置卷积作为特征融合阶段的上采样方法,在扩充特征图的同时获得更为准确的图像特征;对损失函数中的文本分类损失和边界框回归损失进行改进,提高算法的检测性能。实验结果表明,该算法在ICDAR2015数据集上的准确率和召回率相较于EAST算法均有所提高。(3)提出了基于改进感受野模块的自然场景文本检测算法。在基础特征提取阶段使用VGG16为特征提取网络;在特征融合阶段加入改进的感受野模块,增大模型感受野的同时,增强算法对于多尺度文本的检测效果;在损失函数中采用回归性能更好的边界框损失。在各个基准数据集上的实验结果表明,该算法对于自然场景中的水平方向文本、多方向文本和长文本行均具有较为理想的检测效果,在ICDAR2015、MSRA-TD500和ICDAR2013数据集上的F值分别为83.3%、77.6%和85.6%。

关键词：自然场景文本检测卷积神经网络深度特征融合感受野模块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度模型的图像显著性检测研究

基于深度模型的图像显著性检测研究

作者：马静瑞西安科技大学

学位级别：硕士

图像显著性检测的目的是找到自然图像中最吸引人注意力的目标,为后续的图像处理提供便利,已经广泛应用于视觉跟踪、图像检索、语义分割等多个场景中。现有的图像显著性检测方法在大多数自然场景下已经取得了良好的检测效果,但是这些方... 详细信息

图像显著性检测的目的是找到自然图像中最吸引人注意力的目标,为后续的图像处理提供便利,已经广泛应用于视觉跟踪、图像检索、语义分割等多个场景中。现有的图像显著性检测方法在大多数自然场景下已经取得了良好的检测效果,但是这些方法仍存在准确度不高、目标区域不够完整、边界模糊等问题。针对这些问题,本文提出了两种显著性检测算法,并在此基础上实现一个显著性检测系统。本文的主要研究工作如下:针对大多数显著性检测方法只考虑局部对比度而忽略全局信息,造成准确度不高的问题,提出一种基于局部和全局特征融合的显著性检测算法。首先,结合图像的中心先验、目标性先验、暗通道先验信息以及局部对比度进行显著值的计算,在多尺度融合的策略下生成局部显著图。然后,构建全卷积神经网络模型,以实现对图像像素显著性值的预测,进而生成全局显著图。最后,将局部显著图和全局显著图进行融合得到最终的显著图。实验结果表明,所提算法具有更高的F-measure和更低的MAE值,同时能够得到比较准确的显著性区域。针对复杂场景中检测到的显著性目标存在目标区域不够完整以及边界模糊问题,提出一种基于多级特征融合的显著性检测算法。首先,提取多层次的特征信息,并嵌入感受野模块获取丰富的上下文特征信息。然后,进行多级特征融合,保证显著性检测区域的完整性。最后,构建边界优化模块,优化显著目标的边界,输出最终显著图。实验结果表明,所提算法得到的显著区域更加完整且目标边缘更加清晰,在各项评价指标对比中,均取得较好的性能。在上述工作的基础上,基于PyQt5图像化编程技术,实现一个图像显著性检测系统。对任意输入的一张图像,该系统可以执行显著性检测操作,生成对应的显著图,进而增强显著性检测的可操作性。

关键词：显著性检测先验信息感受野模块特征融合边界优化

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YOLOv4改进的小尺度行人检测算法

电光系统 2023年第4期 23-27页

作者：李曙光中国电子科技集团公司第二十七研究所郑州450047

小尺度行人目标包含像素点较少,能够被提取的特征有限,通过现有的目标检测算法实时有效地检测小尺度行人目标仍是一个挑战。针对现有行人检测算法结构复杂、参数多以及对小目标漏检率高的问题,在YOLOv4基础上先引入深度分离卷积,显著降... 详细信息

小尺度行人目标包含像素点较少,能够被提取的特征有限,通过现有的目标检测算法实时有效地检测小尺度行人目标仍是一个挑战。针对现有行人检测算法结构复杂、参数多以及对小目标漏检率高的问题,在YOLOv4基础上先引入深度分离卷积,显著降低模型的参数量和计算量,在网络中引入通道注意力机制,加强重要通道特征对网络的影响;在骨干网络中设计了特征融合模块,有效提取目标语义信息与位置信息,在检测头部中引入了感受野模块模拟人类感受野,从而加强网络特征提取能力。在Caltech数据集进行训练验证,提出YOLO-DSRF算法,相较于YOLOv4参数量降低了65.2%,在GPU上运行速度提升了20%,AP大致相同,能够在保证精度的同时有效降低模型复杂度,从而提升运行速度。

关键词：行人检测 YOLOv4 深度分离卷积 SE 感受野模块特征融合