检索结果-南通市图书馆

维普期刊数据库

旋转矩形框与CBAM改进retinanet的SAR图像近岸舰船检测

在线全文

学校读者我要写书评

暂无评论

测绘科学技术学报 2020年第6期37卷 603-609页

作者：焦军峰靳国旺熊新罗玉林信息工程大学河南郑州450001

针对海岸、岛礁、码头等因素干扰而造成的SAR图像近岸舰船检测精度不高问题,设计了采用旋转矩形框与卷积注意力模块CBAM(Convolutional Block Attention Module)改进retinanet的SAR图像近岸舰船检测方案。该方案在retinanet算法基础上,... 详细信息

针对海岸、岛礁、码头等因素干扰而造成的SAR图像近岸舰船检测精度不高问题,设计了采用旋转矩形框与卷积注意力模块CBAM(Convolutional Block Attention Module)改进retinanet的SAR图像近岸舰船检测方案。该方案在retinanet算法基础上,利用具有目标角度参数的旋转矩形框减弱非目标区域对舰船特征提取的干扰,在retinanet特征提取网络相邻残差块之间加入卷积注意力模块进行目标特征的有效聚焦,从而改善近岸舰船检测效果。利用公开的SSDD数据集、自标注近岸数据集进行了舰船检测实验,得到的检测精度相较于常规retinanet算法分别提升了7.02%和8.89%,验证了该方案的有效性。

关键词： SAR图像舰船检测改进retinanet 注意力模块旋转矩形框

维普期刊数据库

基于雷达传感器和改进深度学习的无人机目标检测方法

在线全文

学校读者我要写书评

暂无评论

无线电工程 2023年第9期53卷 2143-2150页

作者：黄鸿柳谭果蒋林利谢兴祥广西科技师范学院数学与计算机科学学院广西来宾546199 广西科技师范学院实验实训中心广西来宾546199 哈尔滨工业大学(深圳)电子信息工程学院广东深圳518055

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法:在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利... 详细信息

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法:在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的retinanet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。

关键词：雷达传感器无人机目标检测改进retinanet 残差网络 MobileNet 直方图网络

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于雷达点云与图像数据的三维目标检测方法

电光与控制 2021年第10期28卷 110-115页

作者：李文平袁强陈璐郑利彪汤晓龙安徽南瑞继远电网技术有限公司合肥230000

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义。使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比... 详细信息

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义。使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的。针对以上问题,在单阶段网络retinanet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框。在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法。

关键词：三维目标检测多传感器信息融合深度学习改进retinanet 聚焦损失函数

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度学习的颅内出血侦测与定位

基于深度学习的颅内出血侦测与定位

作者：张雷杭州电子科技大学

学位级别：硕士

颅内出血（Intracranial Hemorrhage,ICH）是指颅骨内部的出血,是一种病情重、病残率和病死率高的脑部重症疾病,需要快速且准确的诊断,确定颅内出血的位置和出血亚型,提高患者的生存率。颅脑计算机断层扫描（CT）成像精度高且使用广泛,... 详细信息

颅内出血（Intracranial Hemorrhage,ICH）是指颅骨内部的出血,是一种病情重、病残率和病死率高的脑部重症疾病,需要快速且准确的诊断,确定颅内出血的位置和出血亚型,提高患者的生存率。颅脑计算机断层扫描（CT）成像精度高且使用广泛,是初步诊断颅内出血的首选方案。经验丰富的放射科医生会通过调阅患者的颅脑CT影像,诊断颅内出血及出血亚型等病症,但放射科医生诊断颅内出血非常耗时,而且医生的资质对诊断准确性影响较大。本文针对颅内出血人工诊断漏检率和误检率高的问题,开展了基于深度学习的颅内出血侦测与定位研究,主要的研究工作如下:1.基于调窗优化的CNN检测模型构建。根据DICOM格式颅脑CT影像在不同HU范围显示不同类型组织和病变的特性,通过结合临床阶段放射科医生诊断颅内出血病症的调窗方法,分析对比不同窗下的颅脑CT影像,增设调窗优化模块作为CNN检测模型的输入。实验表明,增设调窗优化模块的CNN检测模型在颅内出血检测任务上有更好的表现,同时避免了因格式转换而出现的图像信息丢失问题,且调窗优化模块的参数可用于找到颅内出血图像的最佳窗口显示,增强颅内出血病症在CT影像上的显著性。2.基于改进retinanet的颅内出血侦测。针对人工诊断漏检率和误检率高,传统目标检测算法因出血病灶区域结构复杂,不同亚型出血病灶形态差异较大,而导致的病灶定位精度低问题,以retinanet为颅内出血侦测任务的基础模型,从基础特征提取网络结构、特征金字塔、损失函数、训练技巧方面对原始retinanet模型进行改进。实验表明,改进retinanet模型有效降低了病灶检测的漏检率,提升了病灶的定位精度。3.结合多尺度特征融合和卷积注意力机制模块CBAM的弱监督出血病灶定位。针对现实场景中颅内出血病灶高标准标注数据缺乏,常规强监督目标检测算法会因数据集过小而出现过拟合问题,借鉴类激活映射CAM思想,结合多尺度特征融合和CBAM,构建了以分类网络为基础的弱监督学习模型,通过出血亚型类别标签定位出血病灶。实验表明,结合多尺度特征融合和CBAM的弱监督学习模型在增加heatmap完整性的同时保证了模型的分类性能。

关键词：颅内出血侦测与定位调窗优化改进retinanet 弱监督病灶定位