检索结果-南通市图书馆

作者：滕皓中国计量大学

学位级别：硕士

肺炎病灶的识别与检测是计算机辅助诊断中的关键问题,研究肺炎目标检测对医学影像的诊断具有长远意义。在肺炎目标检测中,非极大值抑制（Non-Maximum Suppression,NMS）算法作为一个贪心的递归算法用于去除多余的检测框,但是其阈值凭借... 详细信息

肺炎病灶的识别与检测是计算机辅助诊断中的关键问题,研究肺炎目标检测对医学影像的诊断具有长远意义。在肺炎目标检测中,非极大值抑制（Non-Maximum Suppression,NMS）算法作为一个贪心的递归算法用于去除多余的检测框,但是其阈值凭借经验知识设定,不适应于复杂的肺炎图像。同时肺炎目标检测是一个多任务的模型,需要平衡各个任务之间的训练强度,而且肺炎图像病灶轮廓模糊、通道单一,使得模型在训练的过程中损失函数值波动较大、不易收敛。为了改进上述的问题,本文提出得分值导向阈值的非极大值抑制算法（Score-Oriented Threshold Non-Maximum Suppression Algorithm,SOT NMS）、自增长权值损失函数（Self-Growing Weight Loss Function,SGW Loss）以及抑制增长损失函数（Growth Inhibition Loss Function,GI Loss）。本文的主要研究内容如下:（1）为了解决固定阈值设定不合理的问题,本文提出了得分值导向阈值的非极大值抑制算法。第一种得分导向阈值计算方法基于一阶差分,计算相邻两个得分值的一阶差分,计算完成后得到最大一阶差分的索引值,根据索引值以及得分值计算得分导向阈值。第二种得分导向阈值计算方法基于得分值的平均值。实验结果证明,对于不同深度的预训练网络,上述SOT NMS算法都对Faster R-CNN模型具有改进作用,使得模型精度提升8.7%。（2）NMS算法输出的结果中包含分类与回归相关的信息,为了解决分类与回归任务的不平衡问题,本文提出了一种基于课程学习（Curriculum Learning）的自增长权值损失函数SGW Loss。基于课程学习优先完成容易任务的思想,上述损失函数是一种随时间变化的权值计算方法,用于调整不同任务之间的优先程度。实验结果证明该自增长权值的损失函数使得Retina Net和YOLOv3的模型精度分别提升了0.9%和6.5%。（3）解决了分类与回归问题之间的不平衡问题,目标检测损失函数仍存在不减反增的情况,基于此本文提出一种具有抑制损失函数增长功能的自适应权值损失函数GI Loss。实验表明,该抑制增长损失函数可以有效减少损失函数增长的情况,改进目标检测模型Faster R-CNN与R-FCN,上述模型精度分别提升3.8%和2.8%。

关键词：肺炎目标检测自适应超参数非极大值抑制算法卷积神经网络损失函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的车辆检测算法研究

基于机器视觉的车辆检测算法研究

作者：张玉祖上海工程技术大学

学位级别：硕士

近年来,人工智能的快速发展为汽车行业带来了新的发展活力。随着自动驾驶技术为核心的汽车产业逐渐成形,人们的出行方式将发生极大的变化。车辆检测作为实现自动驾驶与智能交通的关键技术之一,在减少事故发生、解决交通问题上发挥了重... 详细信息

近年来,人工智能的快速发展为汽车行业带来了新的发展活力。随着自动驾驶技术为核心的汽车产业逐渐成形,人们的出行方式将发生极大的变化。车辆检测作为实现自动驾驶与智能交通的关键技术之一,在减少事故发生、解决交通问题上发挥了重大的作用,被广泛应用于无人驾驶、智能交通系统、智能停车场、交通事故处理等领域。传统车辆检测的方法存在准确率较低、检测速度慢、无法满足实时性等方面的问题,因此本文基于机器视觉和深度学习,对车辆检测识别进行研究和实现,主要研究内容如下:1.针对开源的车辆数据集采集的交通场景和国内有较大的差异、且含有的类别不多等问题,构建了包含小汽车、巴士、货车、有轨电车等目标的车辆数据集;采用了数据增强的方法解决目标类别分布不均衡的问题,为后面搭建的车辆检测模型的训练及实验提供了有力的数据支持。2.研究提出了改进的SSD（Single Shot Multi Box Detector）车辆检测方法。在分析了SSD检测算法原理及算法优缺点基础上,针对SSD算法对于小目标物体检测精度低、模型判别能力较差问题,对不同的基础网络进行比较,选择最佳的基础特征提取网络;将并行网络结构与膨胀卷积进行结合,且添加了融合层,对不同深度的特征图进行融合,改善其特征表达能力;采用了K-means聚类算法,选取最佳的先验框,使得SSD先验框更适合于车辆目标检测;在非大值抑制算法中,引入了高斯函数,采用改进后的非极大值抑制算法更好的筛选候选框。实验结果表明,本文提出的改进SSD网络对不同的目标有更好的检测效果。3.针对遮挡目标检测精度不高的问题,对基于边界框回归的不同损失函数进行了研究分析,引入了Repulsion损失函数,并对该损失函数的吸引项和排斥项进行了优化。实验结果表明,改进后损失函数的车辆检测模型对不同情况的遮挡目标的精度均有提高。4.通过Tensorflow框架完成了网络模型的设计,并采用了迁移学习的方式,利用Image Net数据集上预训练权重进行初步训练。该方式能够在保持网络精度的情况下,提升网络模型的训练速度。

关键词：车辆检测膨胀卷积特征融合非极大值抑制算法损失函数

基于改进YOLOv8的可回收垃圾遮挡检测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOv8的可回收垃圾遮挡检测研究

作者：张俊深东莞理工学院

学位级别：硕士

图像检测是提高可回收垃圾利用率的有效方法。垃圾种类繁多,形状、纹理、颜色多样,且相互遮挡现象普遍。一方面,目前现有垃圾数据集背景单一,种类数量少,不足以支撑垃圾遮挡场景下的算法研究。另一方面,遮挡的类型有同类垃圾互相遮挡和... 详细信息

图像检测是提高可回收垃圾利用率的有效方法。垃圾种类繁多,形状、纹理、颜色多样,且相互遮挡现象普遍。一方面,目前现有垃圾数据集背景单一,种类数量少,不足以支撑垃圾遮挡场景下的算法研究。另一方面,遮挡的类型有同类垃圾互相遮挡和不同类垃圾互相遮挡,不同的遮挡类型对检测算法的不同阶段结果的影响各不相同。同类垃圾互相遮挡时,非极大值抑制算法因候选框密集而错误删除目标框,导致漏检。不同类垃圾互相遮挡时,图像特征信息丢失,降低了网络的特征提取效果,算法检测精度下降。针对以上问题,本文开展遮挡场景下的垃圾检测研究,做出了如下工作:第一,垃圾遮挡数据集建立。首先,在公开数据集的基础上,收集常见垃圾图像并制作成无遮挡垃圾数据集。其次,针对Cut Mix数据增强算法随机性的问题,提出了稳定生成遮挡样本的Cut Mix算法,利用该算法分别构建了适应同类垃圾互相遮挡和不同类垃圾互相遮挡两种遮挡类型的数据集。第二,非极大值抑制算法和损失函数改进。同类垃圾相互遮挡时,算法产生的候选框密集,在非极大值抑制算法的作用下,此时被遮挡目标的候选框容易被判定为另一目标的重复候选框而剔除,导致模型定位和分类性能下降。首先,本文使用GIo U替换Io U计算候选框间的重叠面积。其次,将GIo U引入Soft-NMS改进为Soft-GIo U-NMS,提高模型定位性能。最后,将YOLOv8的分类损失函数替换为Quality Focal Loss,提高模型分类性能。第三,YOLOv8网络结构改进。不同类垃圾遮挡导致被遮挡目标上下文信息缺失造成漏检问题。为此,本文针对YOLOv8网络结构进行改进。首先,引入全维度动态卷积来替换主干网络中的常规卷积,获取不同尺度和形状的图像特征信息。其次,引入可变形卷积构造C2f-DCNv3模块来替换颈部网络中的C2f模块,实现了感受野的适应调整。最后,引入CBAM注意力机制模块,从而更精确地检测出互相遮挡的垃圾目标。构建不同遮挡类型的垃圾数据集为后续实验开展奠定了基础。实验结果表明,本文改进算法精度更高。针对同类垃圾互相遮挡问题,引入Soft-GIo U-NMS和Quality Focal Loss,精度分别提升了1.4个百分点和0.4个百分点,提高了模型定位和分类性能。针对不同类垃圾互相遮挡问题,引入全维度动态卷积模块,可变形卷积模块和CBAM注意力模块,精度分别提升了1.6个百分点,2.1个百分点和4.3个百分点。

关键词：垃圾检测 YOLOv8算法数据增强非极大值抑制算法损失函数

基于聚类与分形的图像几何特征在目标检测算法中的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于聚类与分形的图像几何特征在目标检测算法中的研究

作者：李锐东华大学

学位级别：硕士

目标检测是计算机视觉领域一项非常重要的任务,其实际应用包括自动驾驶、医学影像分析、遥感图像检测等众多领域,在人类的生产生活中发挥着重要的作用。最近几年由于深度学习技术的加持,目标检测算法的发展进入到快车道,科研人员基于不... 详细信息

目标检测是计算机视觉领域一项非常重要的任务,其实际应用包括自动驾驶、医学影像分析、遥感图像检测等众多领域,在人类的生产生活中发挥着重要的作用。最近几年由于深度学习技术的加持,目标检测算法的发展进入到快车道,科研人员基于不同机制、面向不同任务设计出众多准确度与速度不断优化的目标检测算法。本硕士学位论文从提高目标检测算法性能的角度出发,以目标检测算法细分模块为切入点,充分利用图像几何特征对目标检测算法细分模块与整体进行创新与改进,致力于获得更高的性能。本论文的主要研究内容包括:（1）设计了基于密度峰值聚类的非极大值抑制算法,此算法基于未经非极大值抑制算法处理的候选框中心点簇状分布,通过基于自适应截断距离的密度峰值聚类对每个候选框进行信息增维,再通过采用自适应交并比的双步非极大值抑制算法输出最后结果。我们将此算法替换原版的非极大值抑制算法部署到多个目标检测算法上进行对比试验,在定性分析中证明了此算法再复杂场景下相较于原版非极大值抑制算法具备更强区别不同物体的能力,在定量分析中证明了此算法相较原版非极大值抑制算法有着更高的检测精度。基于密度峰值聚类的非极大值抑制算法具备通用性,可以在不重新训练模型的基础上实现性能提升。（2）设计了基于希尔伯特分块的周期位置编码算法,为Transformer在计算机视觉中的应用提供了性能更好的图像数据序列化算法。由于Transformer在将二维图像序列化时存在对图像物体结构的破坏现象,本文创新地将分形几何引入到图像数据序列化中,充分利用图像内物体的几何分布,设计出基于希尔伯特曲线的分块方式以及与之周期特性相契合的位置编码算法。本文将基于希尔伯特分块的周期位置编码算法部署在分类模型ViT与目标检测模型DETR上,通过对比实验发现此算法训练时能够明显加快网络收敛速度,训练完成的网络在分类精度与检测精度上都有提升,证明了此算法的合理性,为后续位置编码算法的研究提供新的思路。（3）设计了基于图像几何特征的DETR,我们分别在通用目标检测和主流军用飞机检测领域进行了应用。本论文将基于希尔伯特分块的周期位置编码算法与基于密度峰值聚类的非极大值抑制算法替换原版DETR算法相对应的模块,形成基于图像几何特征的DETR。我们使用MS-COCO数据集预训练了基于图像几何特征的DETR、三个基于卷积神经网络的目标检测算法与原版DETR,在通用数据集上的对比试验证明了基于图像几何特征的DETR有着较高的检测精度。本论文为了验证基于图像几何特征的DETR实际应用效果,自建了一套难度较大主流军用飞机检测数据集,与上述四个目标检测网络一起使用通用数据集的预训练模型进迁移学习。本论文经过定性试验发现了基于图像几何特征的DETR有更好的对复杂场景物体区分能力,经过定量试验结果发现了基于图像几何特征的DETR在主流军用飞机数据集上有更高的检测精度,以上结果证明了基于图像几何特征的DETR有着较好的实际应用能力。

关键词：目标检测非极大值抑制算法位置编码 Transformer模型 DETR

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的数字病理图像细胞检测方法

基于深度学习的数字病理图像细胞检测方法

作者：陈铭辉东华大学

学位级别：硕士

通过观察显微镜下的细胞组织结构和病变特征来进行的病理检查(Pathological examinations)是大多数疾病诊断的“金标准”,很多疾病的最终诊断都依赖于病理形态学检查的分析结果。但传统的病理学诊断和稀缺的病理医生资源已经无法满足日... 详细信息

通过观察显微镜下的细胞组织结构和病变特征来进行的病理检查(Pathological examinations)是大多数疾病诊断的“金标准”,很多疾病的最终诊断都依赖于病理形态学检查的分析结果。但传统的病理学诊断和稀缺的病理医生资源已经无法满足日益增长的病理诊断需求,这种矛盾也成为了我国病理学发展停滞不前的重要因素。因此,若能通过大数据和人工智能技术对数字病理图像进行细胞检测,将可以为病理医生的诊断分析提供辅助和参考并做出快速、准确和非主观的诊断结果,从而提高病理诊断的准确率和效率,弥补病理医生不足的问题来缓解基层医院临床的病理诊断需求。随着数字病理学的发展,利用人工智能对数字病理图像进行细胞检测成为了研究热点,但由于数字病理图像存在多尺度细胞实例、前景背景样本不平衡和细胞粘连等问题,导致模型的准确度和检测效果无法达到应用于病理学的临床水平。针对上述问题,本文提出了两种新的数字病理图像细胞检测方法,并在某三甲医院真实临床数据集上验证所提方法的检测效果,最后设计并实现了数字病理图像辅助诊断系统。本文的研究内容主要分为以下三个方面:(1)提出了一种基于样本权重的自适应锚点区域建议网络的细胞检测方法针对数字病理图像中多尺度细胞实例和前景背景样本不平衡的问题,提出了一种基于样本权重的自适应锚点区域建议网络(Sample Weight Learning and Adaptive Anchor Region Proposal Network,SWLAA-RPN)的细胞检测方法。首先引入引导锚点模块,根据输入图像的特征图动态预测非均匀和任意形状的锚点,提高了模型对不同尺度细胞的检测效果。同时加入样本权重学习模块,通过样本加权的方式缓解了前景背景样本不平衡的问题,让模型更加关注与细胞实例相关的前景样本数据,消除与细胞不相关的组织液背景区域的样本数据。实验结果表明,该网络模型有效地解决了数字病理图像中的检测问题,并且模型取得了更好的检测效果和准确度。(2)提出了一种基于细胞实例密度的非极大值抑制的细胞检测方法针对数字病理图像中存在的高密集的细胞粘连场景问题,提出了一种基于细胞实例密度的非极大值抑制算法,解决了细胞粘连场景下漏检和误检的问题。首先,计算细胞实例的密度值idensity,然后通过动态调整函数计算动态阈值N,之后引入Soft-NMS的惩罚函数通过加权的方式抑制检测分数。该方法可以根据细胞实例的密集程度动态调整阈值,在密集的细胞粘连场景下,阈值就会动态变大,而在稀疏的场景下,阈值会动态变小。同时实验结果也表明,该方法相比于其他非极大值抑制算法更好的提升了检测性能,同时也适配其他目标检测模型。(3)设计并实现了数字病理图像辅助诊断系统基于以上模型和方法,本文设计并实现了数字病理图像辅助诊断系统,该系统采用前后端分离进行开发。系统主要目的在于验证本文所提细胞检测方法的有效性并将方法应用于实际临床数字病理诊断中,辅助医生进行病理诊断。该系统主要包括基本功能模块、病理医生功能模块和系统管理员功能模块,帮助病理医生对患者的信息和数字病理图像进行管理,并且利用系统对患者的病理图像进行人工标注或自动标注任务。

关键词：数字病理样本权重 SWLAA-RPN 细胞实例密度非极大值抑制算法

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多视角人脸检测研究

基于卷积神经网络的多视角人脸检测研究

作者：林祥湘潭大学

学位级别：硕士

近年来,人脸检测技术已经成为了最热门的研究课题之一,随着人脸检测方面技术的成熟,社会上对其运用也是随处可见,现实生活中随着银行、各大商场、海关、道路安全、车站安检口及其他安全监控等方面技术的广泛运用,对于人脸检测的要求也... 详细信息

近年来,人脸检测技术已经成为了最热门的研究课题之一,随着人脸检测方面技术的成熟,社会上对其运用也是随处可见,现实生活中随着银行、各大商场、海关、道路安全、车站安检口及其他安全监控等方面技术的广泛运用,对于人脸检测的要求也越来越高,不仅针对检测的精度而且也对检测的速度有一定的要求,就目前人脸检测现状而言,基于复杂背景下的多视角人脸检测存在的效率低,漏检率高己成为当下研究的难点问题。本文主要针对的是对多视角人脸检测存在的问题进行了相关研究。提出了基于卷积网络的多视角人脸检测算法研究,该算法运用了近几年研究热门的深度学习来代替传统的人脸检测算法,充分运用了深度学习中的优势来提高检测正确率,在Caffe 框架下的实验结果表明,本文的方法在效率和精度上都有较优的表现,同时对肤色,光照也都具有一定的鲁棒性。本文的主要工作内容如下:(1)针对在复杂背景下人脸多视角确定的问题,本文中利用基于Candide-3改进模型的姿态算法来解决多视角问题,通过将Candide-3标准模型中的113个顶点改进简化为与人脸姿态有关联的88个顶点,创新性的增加了左右瞳孔中心、嘴巴中心关键特征点的标注,通过在三维空间特征点位置上的投影,得到平面位置上的相对应的特征三角形,最终利用数学知识得到了人脸的偏转角。通过在AFLW标准多姿态数据库与其他主流姿态算法的对比,最终验证了本文采用的Candide-3模型方法的有效性和高效性。(2)针对传统的人脸检测方法,作为当今的主流之一卷积神经网络其优势备受追捧,基于此,本文提出了一种基于卷积神经网络的多视角人脸检测算法研究,通过利用Network In Network(NIN)网络结构模型来训练得到一个深度人脸分类器。由于该模型中采用了全局均值池化来代替传统网络中的全连接层,因此能有效防止训练过程中的数据过拟合现象。不管是从模型训练的时间上还是性能上都有较好的提升。(3)针对通过本文的检测方法最终得到多个标注人脸框的问题,本文中提出了基于非极大值抑制算法(Non-maximum suppression,NMS)来进行选择最优人脸标注框,通过在每个人脸标注框中迭代搜索局部的最优解使其最终确定为最优的人脸检测窗口,消除了交叉且效果不佳的标注人脸框。

关键词：卷积网络 Network In Network(NIN)模型非极大值抑制算法多视角人脸检测 Caffe框架 Candide-3框架

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

古文字拓片的目标检测算法研究

古文字拓片的目标检测算法研究

作者：匡博华东师范大学

学位级别：硕士

古文字是历史研究的重要材料,一般依附的载体是铭器或石碑,经过处理形成拓片。研究古文字首先进行的是费时费力的古文字标注工作,本文将深度学习引入这一过程,实现古文字自动化检测。本文主要在商周金文拓片和魏晋南北朝石刻字拓片上研... 详细信息

古文字是历史研究的重要材料,一般依附的载体是铭器或石碑,经过处理形成拓片。研究古文字首先进行的是费时费力的古文字标注工作,本文将深度学习引入这一过程,实现古文字自动化检测。本文主要在商周金文拓片和魏晋南北朝石刻字拓片上研究古文字检测问题。通过对古文字拓片数据集的分析,发现检测过程中存在拓片背景复杂、文字分布不规律、小文字密集以及重叠检测等一系列问题。与现代文本检测不同,本文将古文字检测问题看作是目标检测问题。本文的主要工作如下:一种用于古文字拓片检测的新型检测网络结合古文字拓片数据集的特点,基于Dark Net-53网络改进的特征提取网络具有更强的特征提取能力。基于现有网络Bi FPN（Bi-Directional Feature Pyramid Network）、PANet（Path Aggregation Network）,提出的重复特征金字塔网络dual-FPN（dual Feature Pyramid Network）,更加有效地融合模型中各尺度的特征图。针对古文字拓片检测过程中出现的重叠检测问题,提出ANMS（Ancient Non-Maximum Suppression）,有效解决拓片检测中出现的重叠框问题。同时,提出新型的损失项ANMS-Loss（Ancient Non-Maximum Suppression Loss）,增大目标框与预测框的位置损失,加入到模型的损失函数中,使得梯度下降方向更符合预期。实验结果表明,该检测网络m AP@0.5:0.95指标高达62.7%,m AP@0.5指标高达96.1%,F P S指标达63。速度导向的特征提取网络为了进一步提高整体模型的检测精度和推断速度,本文从以下三个方面设计特征提取网络。简化特征提取网络结构,提出ADark Net（Ancient Dark Net）,检测网络m AP@0.5:0.95指标为62.7%,FPS高达278。基于简化的特征提取网络,加入Transformer编码器结构,提出基于Transformer的特征提取网络TR-Dark Net（TRansformer Dark Net）,检测网络m AP@0.5:0.95指标高达62.9%,F P S高达256。融合以上两个特征提取网络,提出重复特征提取网络dual-Dark Net（dual Dark Net）,检测网络m AP@0.5:0.95指标高达62.9%,FPS高达217。

关键词：目标检测古文字检测特征金字塔网络非极大值抑制损失函数非极大值抑制算法速度导向的网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于弱监督学习的目标检测算法研究

基于弱监督学习的目标检测算法研究

作者：田新裴华北电力大学

学位级别：硕士

目标检测主要分为强监督和弱监督学习两种形式。强监督学习中存在目标标注成本高和标注困难等问题,就目前而言没有较好的应对措施,而弱监督学习就可以大大缓解强监督学习中存在的问题,但是弱监督学习的数据集中存在标签标注不完全、不... 详细信息

目标检测主要分为强监督和弱监督学习两种形式。强监督学习中存在目标标注成本高和标注困难等问题,就目前而言没有较好的应对措施,而弱监督学习就可以大大缓解强监督学习中存在的问题,但是弱监督学习的数据集中存在标签标注不完全、不确切以及不准确等问题,导致相关算法在目标检测的应用中平均准确率较低,无法更好的完成目标检测任务。为了解决弱监督学习中存在的问题,本文提出了一种将域迁移技术和连续多示例学习算法相结合的弱监督目标检测模型,连续多示例学习算法是在多示例学习算法基础上改进的一种弱监督学习算法。首先,使用Cycle GAN域迁移技术将源域图像数据集进行图像转换,处理成与目标域图像相似的漫画、水彩画和剪贴画三种不同形式的数据集图像。然后,通过卷积神经网络对待检测图像中的目标区域进行特征提取,并通过其中的实例选择和实例分类两个模块进行实例标签估计,在实例标签估计过程中,样本数据图像所包含的目标实例中,对于单一目标通常会出现多个目标边界框的情况,导致目标检测边界框不准确问题。针对这一问题,本文采取加入非极大抑制算法的方式,消除目标实例上出现的冗余目标边界框,将置信度得分较高的目标检测边界框作为目标实例的伪目标标注。最后,使用得到的域迁移图像和伪目标标注图像,依次对预训练的目标检测器进行微调得到最终的目标检测模型。与原始的弱监督目标检测模型相比,本文所提出的改进后的目标检测模型,在一定程度上能提高伪目标标注的精确度,达到使基于弱监督学习的目标检测模型的平均准确率得到显著提升。

关键词：弱监督学习目标检测连续多示例学习域迁移伪目标标注非极大值抑制算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向特定场景的目标检测算法的性能优化研究

面向特定场景的目标检测算法的性能优化研究

作者：陈岩北京邮电大学

学位级别：硕士

随着深度学习的不断发展和硬件计算能力不断提升,计算机视觉被越来越多的研究者所关注。目标检测作为计算机视觉中的研究热点,其主要目标是:在图像中同时给出待检测物体的分类信息和坐标信息。在实际应用中,许多其他任务是基于目标检测... 详细信息

随着深度学习的不断发展和硬件计算能力不断提升,计算机视觉被越来越多的研究者所关注。目标检测作为计算机视觉中的研究热点,其主要目标是:在图像中同时给出待检测物体的分类信息和坐标信息。在实际应用中,许多其他任务是基于目标检测的结果进行的,目标检测任务效果的好坏将直接影响后续任务的表现,进而影响到最终实际应用的效果。同时更快的检测速度可以使得应用更好的满足实时性的要求。因此,对于实际应用,优化目标检测算法的检测精度和检测速度,意义重大。本文的目的就是优化目标检测算法的性能,设计更加适合于实际应用的目标检测器。一般来讲,精度和速度存在相互制约的关系,一般的优化很难做到二者同时提升。本文通过调研发现,很多实际应用场景具有待检测类别较少并且背景相对固定的特点。因此本文针对此类特定场景,同时优化目标检测算法的检测精度和检测速度,主要工作和贡献如下:(1)根据本文所限定的场景特点,对目标检测模型的卷积核进行裁剪,保留网络深度的同时缩减了网络宽度。实现了检测速度成倍的提升,同时精度下降在可接受的范围内。(2)提出了自适应Focal Loss损失函数,省去手动设置超参数的步骤,让网络可以根据训练过程中收敛的情况,自适应的调节超参数,使得网络训练结果更优,提升模型检测精度。(3)针对应用场景对检测准确率和召回率的不同要求,改进了原有的基于贪心的非极大值抑制算法,提出了两种改进后的算法:Precise-NMS和Better-NMS,分别适合于高准确率和高召回率的场景。最终在加油站、咖啡厅和自动驾驶三个场景的数据集下进行实验验证,目标检测模型速度提升5.5倍,达到了192FPS,mAP分别提升了 2.47、2.34 和 0.31。

关键词：深度学习目标检测自适应损失函数非极大值抑制算法

复杂场景下基于Faster R-CNN的工业设备目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂场景下基于Faster R-CNN的工业设备目标检测

作者：唐少博东北电力大学

学位级别：硕士

工业设备检测是工业生产中非常重要的一个环节,不仅需要耗费大量的人力物力,而且存在人员安全隐患,同时还存在部分工业设备无法被正常检测的情况。而传统的基于手工特征的目标检测算法耗时较长且鲁棒性较差,无法对工业设备进行快速准确... 详细信息

工业设备检测是工业生产中非常重要的一个环节,不仅需要耗费大量的人力物力,而且存在人员安全隐患,同时还存在部分工业设备无法被正常检测的情况。而传统的基于手工特征的目标检测算法耗时较长且鲁棒性较差,无法对工业设备进行快速准确检测,尤其处理多目标时,问题更加突出。随着计算机视觉的快速发展,卷积神经网络逐渐应用于工业工程中的设备检测。基于卷积神经网络的工业设备目标检测算法不仅安全可靠,还可以提升检测的精度和速度,积累数据素材,为实现无人化工厂进行初期探索。Faster R-CNN是近年来目标检测的经典算法,对常规目标检测具有很高的准确率。但在实际的工业工程中,不同类别的工业设备由于特定的位置要求会存在多尺度、遮挡重叠和旋转倾斜等情况,使得工业设备检测准确率受到影响。因此,本文对Faster R-CNN算法进行改进,用于复杂场景下的工业设备检测。对于多尺度及遮挡重叠场景下的工业设备检测,本文首先选用轻量级深度可分离卷积Mobile Net V2网络,其特征提取效果与标准卷积相似,但是可以大大降低计算参量,减少时间开销,同时能保证检测精度;其次,以此为基础构建Mobile Net V2特征金字塔网络,即将分辨率较低、语义信息较强的特征图与分辨率较高、语义信息较弱的特征图进行结合,使每一层都含有较强的语义信息,并对每一层分别进行预测;最后,提出了一种多阶段惩罚的非极大值抑制算法,通过引入多阶段惩罚因子对候选框的置信度进行衰减,改善由于候选框被直接删除造成的漏检情况。对工业设备进行检测实验,结果表明,改进的算法提高了多尺度及遮挡重叠场景下的工业设备检测准确率。对于旋转倾斜场景下的多类别工业设备检测,本文首先提出了一种特定的旋转锚方案,通过k均值聚类算法对多类别的工业设备训练集进行聚类,以得出特定的长宽比,再结合不同的旋转倾斜角度,生成多长宽比和多旋转倾斜角度的锚框;其次,使用旋转的交并比算法通过对候选框的重叠部分进行三角形分割,分别计算面积再相加的方式精准计算交并比;最后经过多尺度感兴趣区域池化层,归一化处理不同大小的特征图,同时对正负锚的判定条件以及多任务损失函数进行改进。对多类别的工业设备进行检测实验,结果表明,改进的基于Faster R-CNN的工业设备目标检测算法对比其他算法检测效果较好,可以成功检测出多尺度、遮挡重叠和旋转倾斜等复杂场景下的多个类别的工业设备,有效改善了漏检和误检情况,提高了工业设备检测的准确率和速度。

关键词：卷积神经网络 Faster R-CNN 工业设备目标检测锚非极大值抑制算法