检索结果-南通市图书馆

作者：杨川哈尔滨工业大学

学位级别：硕士

随着近几年计算机软硬件技术的蓬勃发展,各种人机交互游戏与应用被广泛普及。人体姿势估计是众多人机交互任务的基础,它通过准确估计图像或视频信息中人体各个关节点的坐标,完成对人物的动作识别和行为分析,从而为人机交互设备提供下一... 详细信息

随着近几年计算机软硬件技术的蓬勃发展,各种人机交互游戏与应用被广泛普及。人体姿势估计是众多人机交互任务的基础,它通过准确估计图像或视频信息中人体各个关节点的坐标,完成对人物的动作识别和行为分析,从而为人机交互设备提供下一步的操作数据,因此它是人机交互系统必不可少的重要部分。人体姿态估计算法可以分为传统的基于图模型的方法和现阶段的基于深度学习的方法。传统的基于图模型的方法将人体视为一系列具有强相关性的部件,使用图像结构模型来模拟人体每个组件的外观模型和组件与组件之间的空间约束,并利用图形推理的方法来最后优化一下人体各个关节的位置。这类方法的算法准确度和算法复杂度成正比,子模型空间越大,能模拟的人体姿态越多,算法的计算量和复杂度就越高。与传统方法相比,基于深度学习的方法不需要模型先验知识,却能取得更好的效果。所以本论文基于深度学习实现了两个人体姿态估计网络,主要的贡献如下所示:(1)实现的基于FPN的two-stage R-FPN网络将残差模块和转置卷积应用于特征金字塔网络得到的多尺度融合的特征之上,它们在网络层数很深和上采样倍数很大的情况下仍然能取得不错的效果,之后通过多阶段的网络设计和多处中继监督点的设置,将多处预测的热力图和基于数据标注用2D高斯函数构建的热力图做L2损失计算,从而优化网络参数。以上措施的应用解决了原始特征金字塔网络对被遮挡的关节点定位不准的问题。(2)实现的Densely-hourglass Network通过巧妙的设计使经典网络Stacked hourglass network中的沙漏模块能像DenseNet网络一样进行相同通道数相同分辨率大小的特征图的紧密连接,从而达到在网络使用比较少参数的情况下都能实现很好的效果,之后通过网络中部分concatenate和BN操作的优化显存使用量的策略,达到了压缩显存使用量的目的,从而让我们能在有限的硬件条件下,训练出更深的网络。

关键词：人体姿态估计特征金字塔网络中继监督显存优化

基于深度学习的遥感图像不定向目标检测算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的遥感图像不定向目标检测算法的研究

作者：路佳天津理工大学

学位级别：硕士

近年来,遥感技术取得了突破性的发展,获取了大量高分辨率的遥感图像。目前,在遥感图像目标检测任务中使用深度学习技术取得了巨大进步,并在不同场景中被广泛地应用。使用基于卷积神经网络为代表的深度学习模型可以有效解放人力,将特征... 详细信息

近年来,遥感技术取得了突破性的发展,获取了大量高分辨率的遥感图像。目前,在遥感图像目标检测任务中使用深度学习技术取得了巨大进步,并在不同场景中被广泛地应用。使用基于卷积神经网络为代表的深度学习模型可以有效解放人力,将特征提取交于卷积算法完成,极大提高网络对于不同数据的鲁棒性。本文根据深度学习领域中遥感图像目标检测所面临的问题为导向,通过对现有检测算法进行归纳和总结,提出了基于anchor-free的遥感图像不定向目标检测基线网络,该网络的检测方法是基于像素级的检测,因此避免了部署anchor boxes导致计算消耗大等问题。针对遥感图像目标尺度变化大,目标方向不定等难点,结合自适空间特征融合与聚合路径特征金字塔网络的性能优势,提出了聚合路径自适应特征金字塔目标检测网络,分别以Mobile Net-V2、Res Ne Xt-50和Res Ne Xt-101做骨干网络进行测试。针对遥感图像背景复杂,目标尺度变化大,样本不足等难点,本文提出一种基于改进非局部注意力机制的骨干网络NLARes Ne Xt,并与改进上采样操作的FPN构建新的主干网络,改进的注意力机制使用分组卷积来降低网络的计算量。本文在DOTA数据集和HRSC2016数据集上进行了综合实验。通过对实验数据的分析,本文所设计的方法有较高的准确率,验证了本文所提出的网络的有效性和可行性。

关键词：目标检测特征金字塔网络自适应特征融合注意力机制遥感图像

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高精度目标检测算法

基于卷积神经网络的高精度目标检测算法

作者：马枢杰大连海事大学

学位级别：硕士

在计算机视觉对人类社会影响日渐深入的背景下,目标检测作为计算机视觉领域的基础研究,在人脸识别、无人驾驶、安防等领域发挥着非常重要的作用。在常用的目标检测算法中,基于区域推荐的架构在检测精度上表现最好。该架构将网络分为三... 详细信息

在计算机视觉对人类社会影响日渐深入的背景下,目标检测作为计算机视觉领域的基础研究,在人脸识别、无人驾驶、安防等领域发挥着非常重要的作用。在常用的目标检测算法中,基于区域推荐的架构在检测精度上表现最好。该架构将网络分为三个部分:基础网络、推荐区域生成网络和检测网络,卷积神经网络(CNN)是构成这三部分的基础结构,也是对图像进行特征提取的最佳选择。CNN在发挥巨大作用的同时,依然存在急需解决的关键问题。CNN在设计时为了平衡庞大的参数和实际成本引入了一些强先验,从而导致位置精度随着网络加深不断降低。因此,基于CNN的目标检测网络还有待改进。本文参考了基于区域推荐的架构,对基础网络和检测网络进行改进。本文具体研究内容如下:(1)本文提出了一种高精度目标检测网络IEPC-Net。该网络由位置信息增强网络和并级联混合检测网络组成。它旨在解决CNN带来的位置信息损失和传统检测网络带来的失配问题。(2)针对CNN的位置信息损失问题,本文提出了一种位置信息增强网络。该网络在特征金字塔网络FPN的基础之上增加了基于位置信息融合的ROI池化层。因此它不仅能够有效利用浅层次特征的精确位置信息和深层次特征的高度抽象信息,而且可以避免传统ROI池化层带来的位置信息损失。(3)针对传统检测器和样本失配的问题,本文提出了一种并级联混合检测网络。现有的级联方法虽然能够避免检测网络最佳适配区间和样本质量分布失配,但由于多个单检测器级联导致网络快速过拟合。本文提出的方法在级联网络的基础上增加了并联混合检测器,在提升样本质量的同时还保持了样本多样性。因此该方法既能够避免检测器和样本的失配,也可以避免网络的过拟合问题,从而有效提升了检测网络的性能。

关键词：深度学习卷积神经网络高精度目标检测特征金字塔网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

野外复杂环境下多目标图像检测技术研究

野外复杂环境下多目标图像检测技术研究

作者：夏彩凤沈阳理工大学

学位级别：硕士

基于计算机视觉的多目标检测技术作为一种智能而便捷的监测手段,在无人驾驶、城市安全等领域中的应用越来越广泛。野外复杂环境下的多目标图像检测技术作为计算机视觉领域中的难题之一,它包含了模式识别、人工智能、数字图像处理等其他... 详细信息

基于计算机视觉的多目标检测技术作为一种智能而便捷的监测手段,在无人驾驶、城市安全等领域中的应用越来越广泛。野外复杂环境下的多目标图像检测技术作为计算机视觉领域中的难题之一,它包含了模式识别、人工智能、数字图像处理等其他关键技术。但是,由于野外环境具有复杂多变、差异性较大、与目标易混淆,目标易受到光照不足、部分遮挡、背景干扰等其他因素影响,造成多目标的检测变得极为困难,算法鲁棒性低。如何充分利用图像中丰富的场景空间信息与深层纹理信息,准确识别目标种类与位置是一个急需解决的问题。深度神经网络算法的出现为图像特征的提取及充分利用提供了一个有效的途径。针对上述问题,采用基于深度神经网络与特征融合算法,开展复杂背景下多目标识别方法研究,本文主要识别的目标为野外复杂环境下的行人。具体的研究内容如下:（1）高层的特征具有更强的语义信息但分辨率较小,低层的特征具有较高的分辨率但语义信息较弱。针对不同尺度的多层特征图之间信息的互补性,提出一种输入输出具有相同分辨率的可重复应用的特征金字塔网络结构（Feature Pyramid Network,FPN）,使特征图的利用更加高效。（2）基于上述的特征,充分考虑不同层次特征对于最终结果的影响因素不一致,引入注意力机制,得到更加紧凑和具有区分力的融合特征。（3）设计一种多目标彩色图像的识别模型,并设计其结构和参数。将提取到的特征图进行融合,得到预选框初步生成结果。之后再将初步生成的预选框进行精细化,最终得到准确的检测结果。（4）为实现智能目标检测算法和验证本文多目标识别方法的有效性,建立了多目标图像识别系统。通过PyQt图形化开发工具将本文的算法进行封装并对系统界面和功能进行设计,最终验证了本文多目标图像识别算法的可行性和准确性。

关键词：目标检测特征金字塔网络多层次特征融合注意力机制多目标图像识别系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

高密交通场景的车辆目标检测算法研究与实现

高密交通场景的车辆目标检测算法研究与实现

作者：魏欣雨长安大学

学位级别：硕士

高密场景的车辆检测是计算视觉领域的热点研究内容之一,对于车路协同感知的研究与发展具有重要意义。基于交通场景进行车辆目标检测时,常常容易因为场景中由于车辆分布密集或待检测目标距离采集设备过远而产生目标识别效率差、检测速度... 详细信息

高密场景的车辆检测是计算视觉领域的热点研究内容之一,对于车路协同感知的研究与发展具有重要意义。基于交通场景进行车辆目标检测时,常常容易因为场景中由于车辆分布密集或待检测目标距离采集设备过远而产生目标识别效率差、检测速度慢等情况。在深度学习算法中,计算机视觉任务的目标检测成为主流,由于传统的基于锚框的目标检测算法效率低且无法保证精度与速度的平衡,本文基于无锚检测方法,对现有深度学习算法进行优化,实现了高效高精度的密集车辆目标检测。论文主要工作如下:(1)提出了一个全卷积单阶段无锚检测方法,消除预定义的Anchor box,避免了与锚框相关的复杂计算。直接对目标车辆的中心点进行计算,得到预测目标的位置,提升了目标检测任务的效率,并大大提高了检测速度。(2)在算法框架中,本文设计了一种基于Retina Net算法的高密度交通场景下车辆目标检测算法,从预测方法以及预测结果的质量估计方面,对该算法进行优化从而得到性能提升。针对由于检测车辆过于密集而产生的重叠样本以及远距离的检测目标,提出了特征金字塔结构FPN,采用层级预测不同尺度的目标,并对该结构进行优化,对负责远距离小目标检测层增加一次预测过程,从而降低了检测区域的重叠概率提高检测精确度。在检测层对输出的预测框进行质量估计,计算交并比(Io U)提升回归精度。针对不同的检测任务分别设定损失函数,通过引入Focal loss的损失计算,与Io U loss以及二元交叉熵损失函数结合得到该算法的损失值。(3)采集西安市碑林区南二环交通拥堵场景的数据,通过视频关键帧筛选、2d图像标记制作自己的数据集,输出为COCO数据集格式用于测试本论文算法。用生成的数据集实现本文算法并与YOLOv3以及Retina Net算法进行实验对比。最后为了更好的展示本文研究成果,本文基于C/S架构将所研究算法模型进行系统集成,开发实现了密集车辆目标检测平台。从实验结果分析,与Retina Net算法对比,本论文算法在检测速度fps指标和目标检测精度方面都得到了极大的提升。检测速度从32fps增加到52fps,对车辆的检测精度由52%增加到了90%,同时提高了对高密度场景中目标的检测能力。

关键词：车辆检测无锚检测特征金字塔网络 IoU 损失函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自然场景中的文本检测研究

自然场景中的文本检测研究

作者：帅靖文电子科技大学

学位级别：硕士

随着网络图片分析需求的快速增长和智能设备的广泛应用,用于获取自然场景中的文本信息的图像处理方法研究日趋活跃。作为自然场景中的文本信息获取的第一步,自然场景中的文本检测算法是其中的关键组成部分。本文以自然场景中的文本检测... 详细信息

随着网络图片分析需求的快速增长和智能设备的广泛应用,用于获取自然场景中的文本信息的图像处理方法研究日趋活跃。作为自然场景中的文本信息获取的第一步,自然场景中的文本检测算法是其中的关键组成部分。本文以自然场景中的文本检测算法为研究课题,主要研究了自然场景文本图片合成、基于卷积神经网络的文本检测算法等,具体内容如下:1.研究了一种改进的人工合成自然场景文本图片的算法,该算法可以快速生成大量自带精确标注信息的自然场景文本图片,有效解决自然场景文本检测实现过程中训练样本稀缺的问题;利用gPb-UCM算法和FCRN-DepthPrediction算法分别获取的图片的连续区域分割信息和深度信息,显著改善了文本贴图与背景图片之间的融合效果。2.研究了一种基于深度卷积神经网络的自然场景中的文本检测算法,通过利用特征金字塔结构对ResNet网络进行改造,RoIAlign区域池化等方法,优化对小目标的特征提取,改进了RPN网络使其更加适用与文本目标的检测,将两者结合应用于Mask R-CNN目标检测算法的实现中,有效的提高了文本目标的检测效果。3.通过实验讨论了数据、超参数和训练策略等变量对模型训练的影响,并在ICDAR2013比赛平台上,对比分析了本文算法与其他算法的性能差异。综上所述,通过利用改进的合成的自然场景文本图片和Mask R-CNN算法的改进实现,本文提出的算法在通用数据集上与现有算法比较,得到了较好的结果。

关键词：自然场景文本检测特征金字塔网络区域建议网络合成数据

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于车载摄像头视角下路面破损检测算法研究

基于车载摄像头视角下路面破损检测算法研究

作者：刘大为大连海事大学

学位级别：硕士

随着公路类基础设施投资体量的逐年上升,公路里程数不断增加,我国对公路养护提出了更高的要求。路面破损检测是道路检测的重要内容。基于传统的人工检测方式由于成本高、决策受主观性影响、效率低等问题无法适应公路发展的需求,因此路... 详细信息

随着公路类基础设施投资体量的逐年上升,公路里程数不断增加,我国对公路养护提出了更高的要求。路面破损检测是道路检测的重要内容。基于传统的人工检测方式由于成本高、决策受主观性影响、效率低等问题无法适应公路发展的需求,因此路面破损自动化检测的方法成为研究的关键。但由于路面图像受道路纹理变化、污渍遮挡、光照和小目标破损等因素影响,近年来提出的路面破损自动检测算法一般难以适应复杂多变的实际路面环境,并存在检测精度较低或不能满足实时性的问题。针对以上问题,本文对基于深度学习的路面破损检测算法进行深入研究,设计一种针对车载摄像头视角下的街景道路破损检测算法。主要研究内容如下:1)提出一种基于递归多层金字塔网络的目标检测方法。大多数目标检测框架中都使用特征金字塔与路径聚合网络相结合的方式对目标进行检测,但是通过特征金字塔层与路径聚合网络以后的特征图层存在与主干网络特征不匹配、无关联性等问题,本文引入递归的思想,分别将每层金字塔网络的反馈信息与路径聚合网络的反馈信息集成到骨干网络上;同时使用一种空洞卷积搭建的感受野密集融合模型拼接到特征融合模块中,进而提升特征融合效果。提出的方法分别在GRDDC’2020的Test1和Test2测试集上的F1-Score指标达到67.78%和66.83%。验证了本文方法在道路破损检测上的有效性。2)提出一种基于置信度加权融合的预测框聚类筛选算法。在非极大抑制算法上进行改进,使用K-Means聚类筛选所得坐标向量,以目标框得分为权重,将坐标进行加权融合,输出最终的边界框坐标向量。提出的方法在GRDDC’2020的Test1和Test2数据集上F1-Score指标分别达到67.59%和65.68%。3)提出一种基于多种距离约束的坐标定位损失函数。在CIo U损失函数上进行改进,由于CIo U损失函数在优化梯度的过程中具有良好的效果,因此被广泛应用在目标检测任务中。但是考虑到当预测框与目标框呈现包含关系时,中心点距离无法为边界框提供移动方向的问题,本文提出一种基于多种距离约束的坐标定位损失函数,在CIo U损失的基础上增加预测框与目标框左上角点距离公式,并给予不同权重作为约束条件,提高函数的收敛能力。本文提出的方法分别在GRDDC’2020的Test1和Test2道路破损检测数据集上F1-Score指标达到68.23%和66.79%。

关键词：目标检测道路破损特征金字塔网络损失函数特征融合

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癌症图像识别

基于卷积神经网络的癌症图像识别

作者：邹文凯中国计量大学

学位级别：硕士

本文主要研究基于卷积神经网络的癌症图像识别技术,包括对乳腺癌图像分类和对肺结节目标检测,利用计算机视觉和卷积神经网络对两种癌症的计算机辅助诊断技术进行研究,更好地辅助医疗。具体内容包括以下两方面:(1)基于卷积神经网络的乳... 详细信息

本文主要研究基于卷积神经网络的癌症图像识别技术,包括对乳腺癌图像分类和对肺结节目标检测,利用计算机视觉和卷积神经网络对两种癌症的计算机辅助诊断技术进行研究,更好地辅助医疗。具体内容包括以下两方面:(1)基于卷积神经网络的乳腺癌组织病理图像分类。乳腺肿瘤组织病理图像输入到计算机辅助诊断系统中,系统判断图像是良性还是恶性。本文使用大型卷积神经网络对Brea KHis数据集中乳腺癌组织病理图像进行分类。针对大型网络难以训练的问题,采用Batch Normalization算法确保网络顺利运行;为了增强模型的泛化能力,使用迁移学习和数据增强的训练策略。实验结果表明,本文模型能够成功分类乳腺癌图像,并且准确率相较之前提升了5%左右。(2)基于Faster R-CNN的肺结节检测。患者胸部的CT影像输入到计算机辅助诊断系统中,系统检测出肺结节。本文主要针对胸部CT影像数据库LIDCIDRI展开研究,使用目前最优秀的二阶段目标检测器Faster R-CNN检测肺结节;为了提高Backbone网络的特征提取能力,使用更强的Res Net网络代替VGG。针对肺部小结节难以检测的问题,使用Ro IAlign代替了Ro IPooling,减少量化操作引入的误差;利用空洞卷积重新设计Backbone网络,减小小结节的丢失率,同时增大卷积的感受野;使用特征金字塔网络将浅层高分辨率特征图和深层强表达能力特征图融合,保留更多小结节信息。实验结果表明,基于空洞卷积的Backbone、特征金字塔网络都能提高对小结节的检测。

关键词：卷积神经网络乳腺癌分类迁移学习数据增强肺结节检测空洞卷积特征金字塔网络

基于卷积神经网络的小目标检测及轻量化方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的小目标检测及轻量化方法研究

作者：杜启帆郑州轻工业大学

学位级别：硕士

目标检测作为计算机视觉领域中重要的研究方向之一,其主要任务是对图像中的目标进行分类和定位,并广泛应用于无人驾驶、工业缺陷检测、智能监控等方面。虽然目标检测已经取得了突破性进展,但仍存在许多问题。一方面,小目标本身在图像中... 详细信息

目标检测作为计算机视觉领域中重要的研究方向之一,其主要任务是对图像中的目标进行分类和定位,并广泛应用于无人驾驶、工业缺陷检测、智能监控等方面。虽然目标检测已经取得了突破性进展,但仍存在许多问题。一方面,小目标本身在图像中占有的比例小、像素少,再经过神经网络的多次卷积和池化后,小目标信息会严重丢失。这将导致目标检测模型无法获得准确、充分的小目标信息,使得检测效果达不到预期;另一方面,当前一些先进的目标检测模型为了优异的检测性能,通常会大量功能模块,导致网络模型结构变得非常复杂,在实际应用时无法部署到运算性能薄弱的移动设备上,造成这些先进的目标检测模型只能停留在实验室层面而无法进行大规模商业应用。本文主要的研究内容与创新如下:(1)提出了一种基于递归注意力增强双向特征金字塔网络的小目标检测算法。首先,将坐标注意力嵌入到双向特征金字塔网络构建了注意力增强的双向特征金字塔网络,该网络通过融合不同尺度上的特征使输出特征都包含丰富的语义和细节信息,坐标注意力使网络可以聚焦于特征图中与目标相关的通道和位置,从而提高小目标的检测精度。其次,设计了递归结构将注意力增强的双向特征金字塔网络的输出特征反馈到主干网络中,主干网络可以根据第一次学习到的结果发现图像中的隐藏信息,进一步提高注意力增强的双向特征金字塔网络对小目标的表征能力。实验结果表明,该方法在PASCAL VOC、NWPU VHR-10和RSOD数据集上的检测精度与原始SSD算法相比分别提高了2.65%、7.92%和5.63%。(2)提出了基于融合双重注意和深度可分离卷积的Ghost Bottleneck轻量级检测网络。首先,将堆叠的融合深度可分离卷积的Ghost模块(DW-Ghost)和集成双重注意力的快捷连接结合,构建了融合双重注意和深度可分离卷积的Ghost Bottleneck模块来实现对YOLOv5s主干网络的轻量化,在减少网络参数量的同时保证特征提取能力。其中,DW-Ghost模块使用较少的计算量的深度可分离卷积来生成本征特征图,并基于这些本征特征图利用低成本的线性运算生成冗余的重影特征图。其次,设计跨尺度特征融合网络来实现不同尺度下的特征融合,不仅简化不同层特征的聚合过程,而且通过轻量级通道注意力和空间注意力使融合后的特征能够获得丰富的语义和细节信息。在PASCAL VOC和RSOD数据集等数据集上的实验表明,该方法具有良好的性能。

关键词：小目标检测特征金字塔网络注意力机制轻量级 DW-Ghost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

基于深度神经网络的海鲜目标检测算法

基于深度神经网络的海鲜目标检测算法

作者：史建柯河南理工大学

学位级别：硕士

近年来陆地资源消耗严重,世界多国已将深海资源勘探列为国家工程项目,我国相继提出国家海洋工程与21世纪海上丝绸之路建设,旨在强化国家对领海范围内的资源掌控能力,服务于国民经济。水下目标检测是实现海洋资源智能化开采的关键技术,... 详细信息

近年来陆地资源消耗严重,世界多国已将深海资源勘探列为国家工程项目,我国相继提出国家海洋工程与21世纪海上丝绸之路建设,旨在强化国家对领海范围内的资源掌控能力,服务于国民经济。水下目标检测是实现海洋资源智能化开采的关键技术,关系到水下机器人控制与资源开采效率的问题,因此水下目标检测成为计算机视觉领域中的一个研究热点。水下目标成像通常伴有色偏、堆积遮挡、前背景相似和多尺度等问题,若直接将通用目标检测算法用于真实水下场景,则达不到理想效果。本文从数据集自身特点和算法优化方面出发,对水下真实场景中的多类别海鲜光学图像目标检测算法进行深入研究。本文主要工作有:(1)以2020年全国水下目标检测大赛提供的数据集为原始数据,使用水下图像增强技术完成清晰化处理。之后剔除无目标样本和干扰样本,统计数据集中各类海鲜样本数量,采用拼接和截图方式进行欠采样和过采样,使数据集样本分布更加平衡。最后标注预处理的数据集,得到对应的标注文件,按比例分割数据集获得训练集和测试集,通过实验确定本次研究使用的基线算法Faster R-CNN。(2)针对水下遮挡目标检测问题,在三分支注意力机制的基础上,提出空洞卷积模块,替换三分支注意力中的Z池化模块,减少细粒度信息的损失。在非局部神经网络的基础上,将高斯相似度函数与带有视觉推理功能的级联相似度函数加权融合,赋予非局部神经网络一定逻辑推理能力。最后将三分支注意力中的空间注意力分支置换为改进后的非局部神经网络,形成新型三分支注意力。缓解遮挡导致的检测精度下降问题。(3)针对水下多尺度目标检测问题,重点分析特征金字塔网络结构,提出协同三叉戟特征金字塔网络,在原金字塔结构的横向连接和上采样过程中分别接入本文设计的三叉戟特征增强模块和协同非局部注意力模块,进一步加强特征金字塔对多尺度特征的表示能力。(4)针对海鲜目标定位不精准问题,在Faster R-CNN回归损失函数L1-smooth中引入线性回归损失增益系数,该系数以交并比为指导,目的是增大预测框与真实框之间偏移量惩罚度,加快预测框回归的速度,使目标的位置回归更加精准,线性形式有益于训练收敛。(5)通过与其他针对水下海鲜目标的检测算法进行对比,证明本文算法有效性。本文含图62幅,表17个,参考文献81篇。

关键词：深度神经网络海鲜目标检测小目标检测回归损失函数特征金字塔网络 Faster R-CNN