检索结果-南通市图书馆

一种基于Faster R-CNN的甲状腺结节超声图像目标检测改进算法

在线全文

学校读者我要写书评

暂无评论

四川大学学报:医学版 2023年第5期54卷 915-922页

作者：郑天雷杨娜耿诗赵先云王跃程德强赵蕾中国矿业大学信息与控制工程学院徐州221116 徐州医科大学附属医院医疗设备管理处人工智能研究组徐州221004

目的为提高超声图像中甲状腺结节目标检测精度,提出一种基于Faster R-CNN的甲状腺结节目标检测改进算法。方法该算法采用结合了可变形卷积(deformable convolution,DC)的resNeSt50作为主干网络,提高对形状不规则结节的检测效果。并在主... 详细信息

目的为提高超声图像中甲状腺结节目标检测精度,提出一种基于Faster R-CNN的甲状腺结节目标检测改进算法。方法该算法采用结合了可变形卷积(deformable convolution,DC)的resNeSt50作为主干网络,提高对形状不规则结节的检测效果。并在主干网络后方引入特征金字塔网络(feature pyramid networks,FPN)和感兴趣区域对齐,前者用于减少甲状腺结节漏检误检现象,后者用于提高小尺寸结节的检测精度。此外,在算法训练的反向传播过程中,使用由锐度感知最小化(sharpness-aware minimization,SAM)改进优化器进行参数更新,提高算法的泛化能力。结果实验采用来自徐州医科大学附属医院及南京市第一医院6261张甲状腺超声图像,对改进算法的有效性进行对比评估。实验表明,该算法具有一定的优化效果,最终在测试集的AP50高达97.4%,AP@50:5:95较原始模型也提升了10.0%。与原始模型和现有模型相比改进算法有着更高的检测精度,能更精准地检测甲状腺结节,特别在较低的检测框精度要求下有着较高的召回率。结论本研究提出的改进方法是有效的甲状腺结节目标检测算法,能精准地检测出甲状腺结节。

关键词：甲状腺结节超声图像 Faster R-CNN 目标检测 resNetSt50

Leguminous seeds detection based on convolutional neural networks:Comparison of Faster R-CNN and YOLOv4 on a small custom dataset

在线全文

学校读者我要写书评

暂无评论

Artificial Intelligence in Agriculture 2023年第2期8卷 30-45页

作者： Noran S.Ouf Faculty of Engineering Cairo UniversityGizaEgypt

This paper help with leguminous seeds detection and smart farming. There are hundreds of kinds of seeds and itcan be very difficult to distinguish between them. Botanists and those who study plants, however, can identifythe type of seed at a glance. As far as we know, this is the first work to consider leguminous seeds images withdifferent backgrounds and different sizes and crowding. Machine learning is used to automatically classify andlocate 11 different seed types. We chose Leguminous seeds from 11 types to be the objects of this study. Thosetypes are of different colors, sizes, and shapes to add variety and complexity to our research. The images datasetof the leguminous seeds was manually collected, annotated, and then split randomly into three sub-datasetstrain, validation, and test (predictions), with a ratio of 80%, 10%, and 10% respectively. The images consideredthe variability between different leguminous seed types. The images were captured on five different backgrounds: white A4 paper, black pad, dark blue pad, dark green pad, and green pad. Different heights and shootingangles were considered. The crowdedness of the seeds also varied randomly between 1 and 50 seeds per image.Different combinations and arrangements between the 11 types were considered. Two different image-capturingdevices were used: a SAMSUNG smartphone camera and a Canon digital camera. A total of 828 images wereobtained, including 9801 seed objects (labels). The dataset contained images of different backgrounds, heights,angles, crowdedness, arrangements, and combinations. The TensorFlow framework was used to construct thefaster region-based Convolutional Neural Network (r-cnn) model and CSPDarknet53 is used as the backbonefor YOLOv4 based on DenseNet designed to connect layers in convolutional neural. Using the transfer learningmethod, we optimized the seed detection models. The currently dominant object detection methods, faster rcnn, and YOLOv4 performances were compared experimentally. The mAP (mean average precision) of the Fast

关键词： Machine learning Object detection Leguminous seeds Deep learning Convolutional neural networks Faster R-CNN YOLOv4

改进Faster R-CNN的遥感图像多尺度飞机目标检测

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

遥感学报 2022年第8期26卷 1624-1635页

作者：沙苗苗李宇李安中国科学院空天信息创新研究院北京100094 中国科学院大学电子电气与通信工程学院北京100049

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层... 详细信息

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度rPN(region Proposal Network)机制,通过对rPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及resNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。

关键词：遥感图像目标检测 Faster R-CNN 多层次融合结构多尺度

基于改进Faster R-CNN和Deep Sort的棉铃跟踪计数

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第6期54卷 205-213页

作者：黄成龙张忠福华向东杨俊雅柯宇曦杨万能华中农业大学工学院武汉430070 华中农业大学作物遗传改良国家重点实验室武汉430070

棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配... 详细信息

棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配机制为主要算法框架的棉铃跟踪计数方法,以实现在动态视频输入情况下对盆栽棉花棉铃的数量统计。采用基于特征金字塔的Faster R-CNN目标检测网络,融合导向锚框、Soft NMS等网络优化方法,实现对视频中棉铃目标更精确的定位;使用Deep Sort跟踪器通过卡尔曼滤波和深度特征匹配实现前后帧同一目标的相互关联,并为目标进行ID匹配;针对跟踪过程ID跳变问题设计了掩模撞线机制以实现动态旋转视频棉铃数量统计。试验结果表明:改进Faster R-CNN目标检测结果最优,平均测量精度mAP75和F1值分别为0.97和0.96,较改进前分别提高0.02和0.01;改进Faster R-CNN和Deep Sort跟踪结果最优,多目标跟踪精度为0.91,较Tracktor和Sort算法分别提高0.02和0.15;单株铃数计数结果决定系数、均方误差、平均绝对误差和平均绝对百分比误差分别为0.96、1.19、0.81和5.92%,与人工值具有较高一致性,开发的棉铃跟踪软件可以实现对棉铃的有效跟踪和计数。

关键词：棉铃计数目标检测目标跟踪 Faster R-CNN Deep Sort

迭代Faster R-CNN的密集行人检测

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第21期59卷 214-221页

作者：贺宇哲徐光美何宁于海港张人晏康北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学智慧城市学院北京100101

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,... 详细信息

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,有效解决非极大值抑制(NMS)算法及其改进在选择精确度和召回率之间平衡点的难题。同时利用递归金字塔结构(rFP)进一步增强模型提取特征能力。在具有挑战性的WiderPerson和CrowdHuman数据集上进行训练和验证,实验结果表明,该模型相比Faster R-CNN在精度和召回率显著提升的同时,漏检率也明显降低。尤其在WiderPerson数据集上召回率、精度、漏检率等性能指标分别达到了97.65%、91.29%、40.43%的SOTA结果。

关键词：行人检测密集场景遮挡问题 Faster R-CNN 迭代方案

基于改进Faster R-CNN的码头自动识别

在线全文

学校读者我要写书评

暂无评论

遥感学报 2022年第4期26卷 752-765页

作者：常莉莉王贤敏王春胜中国地质大学地球物理与空间信息学院武汉430074

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,... 详细信息

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题。本文基于公开遥感数据集及Google Earth高分遥感影像构建了3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进:(1)采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;(2)采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率。实验结果表明,本文改进的Faster R-CNN算法FKSN(Faster R-CNN+K-Means+Soft-NMS)识别精度达到92.6%,相较Faster R-CNN算法精度提高了8.3%。将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2%和7.6%,说明本文方法对于各类码头目标识别具有更好的效果。基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径。

关键词： Faster R-CNN 码头自动识别 K-means算法 Soft-NMS算法高分遥感

改进的Faster R-CNN算法及其在电力作业安全穿戴检测中的应用

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（工学版） 2024年第4期57卷 462-469页

作者：李强赵峰李博强许中平余金沄秦亮国网信息通信产业集团有限公司北京102211 武汉大学电气与自动化学院湖北武汉430072 北京国网信通埃森哲信息技术有限公司北京100052

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行... 详细信息

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行改进,首先以轻量级卷积神经网络EfficientNetV2(efficient network version 2)作为faster rcnn的骨干,均衡提升算法的检测精度与速度;然后,在rPN(region proposal network)前引入注意力机制CBAM(convolutional block attention module)进一步提升检测精度。结合实际电力作业安全穿戴检测场景对该方法进行测试实验,结果表明,相对目前以VGG-16(visual geometry group-16)、resNet-50(residual network-50)为骨干的Faster R-CNN算法而言,改进Faster R-CNN算法的检测精度和速度均得到提高,其平均精度均值(mean average precision,mAP)达到85.46%,检测速度达到47.82帧/s(frames per second,FPS),一定程度上提升了Faster R-CNN在电力作业安全穿戴检测中的应用能力。

关键词：电力作业安全穿戴 Faster R-CNN EfficientNetV2 CBAM

Automatic real-Time Detection of Infant Drowning Using YOLOv5 and Faster R-CNN Models Based on Video Surveillance

在线全文

学校读者我要写书评

暂无评论

Journal of Social Computing 2023年第1期4卷 62-73页

作者： Qianen He Zhiqiang Mei Huisheng Zhang Xiuying Xu School of Physics and Information Engineering Fuzhou UniversityFuzhou 350108China

Infant drowning has occurred frequently in swimming pools recent years,which motivates the research on automatic real-time detection of the accident.Unlike youths or adults,swimming infants are small in terms of size and motion range,and unable to send out distress signals in emergencies,which exerts negative effects on the detection of drowning.Aiming at this problem,a new step is initialized towards detecting infant drowning automatically and efficiently based on video surveillance.Diverse live-scene videos of infant swimming and drowning are collected from a variety of natatoriums and labeled as datasets.A part of the datasets is downscaled or enlarged to enhance generalization ability of the model.On this basis,advantages of Faster R-CNN and a series of YOLOv5 models are specifically explored to enable fast and accurate detection of infant drowning in real-world.Supervised learning experiments are carried out,model test results show that mean Average Precision(mAP)of either Faster R-CNN or YOLOv5s of the series of YOLOv5 can be over 89%;the former can process merely 6 frames of videos per second with the precision of only 62.04%,while the latter can reach an average speed of 75 frames/s with the precision of about 86.6%.The YOLOv5s eventually stands out as an optimal model for detecting infant drowning in view of comprehensive performance,which is of great application value to reduce the accidents in swimming pools.

关键词： infant drowning detection YOLOv5 Faster R-CNN video surveillance supervised learning

基于改进Faster R-CNN的水母检测与识别算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

计量学报 2023年第1期44卷 54-61页

作者：高美静李时雨刘泽昊张博智白洋关宁王萍常秋悦北京理工大学集成电路与电子学院北京100081 燕山大学信息科学与工程学院河北省特种光纤与光纤传感重点实验室河北秦皇岛066004

提出一种基于改进Faster R-CNN水母检测与识别算法。首先,建立了包含7种水母的数据集;然后,针对resNeXt(C=32)用于目标检测时出现计算量较大的问题,在保证精确度的前提下,将分支数C设置为8以降低计算量;最后,为解决水母检测时出现的检... 详细信息

提出一种基于改进Faster R-CNN水母检测与识别算法。首先,建立了包含7种水母的数据集;然后,针对resNeXt(C=32)用于目标检测时出现计算量较大的问题,在保证精确度的前提下,将分支数C设置为8以降低计算量;最后,为解决水母检测时出现的检测精度低和小个体无法检测的问题,在残差网络中引入膨胀卷积。实验结果表明:该算法较VGG16、resNet101、resNeXt(C=32)和resNeXt(C=8)方法,mAP值分别提高了3.15%、2.09%、3.01%和2.36%;F 1-score分别提高了2.53%、1.99%、2.01%和2.31%;loss损失函数收敛值更优,收敛精度趋近于0。P-r曲线、可视化效果分析和水母视频检测的结果证明:该算法的水母检测准确率和水母检测数量明显优于其他算法,检测精度较高,基本可以达到实时监测的要求。

关键词：计量学水母检测与识别 Faster R-CNN resNeXt 膨胀卷积残差网络