检索结果-南通市图书馆

采用pix2pixHD的高分辨率皮肤镜图像合成方法

在线全文

学校读者我要写书评

暂无评论

计算机辅助设计与图形学学报 2020年第11期32卷 1795-1803页

作者：丁赛赛吕佳重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆市数字农业服务工程技术研究中心重庆401331

皮肤镜图像中的皮肤病变自动识别是提高诊断性能和减少皮肤癌死亡的重要方法.针对训练数据不足的问题,提出一种基于pix2pixHD的高分辨率皮肤镜图像合成方法.首先,通过皮肤病灶的真实边界,结合病变类别对皮肤病变知识进行建模,获取包含... 详细信息

皮肤镜图像中的皮肤病变自动识别是提高诊断性能和减少皮肤癌死亡的重要方法.针对训练数据不足的问题,提出一种基于pix2pixHD的高分辨率皮肤镜图像合成方法.首先,通过皮肤病灶的真实边界,结合病变类别对皮肤病变知识进行建模,获取包含病理意义的标签映射;其次,以标签映射作为病变合成的约束条件,利用构建的生成对抗网络模型实现标签映射向皮肤镜图像的空间映射,同时将生成器的浅层和深层特征相结合以避免图像细节信息的丢失;然后,引入标准差特征匹配损失以稳定生成对抗网络的训练.在ISIC-2017数据集上的实验结果表明,相比不同合成方法生成图像的质量,该方法具有更好的视觉效果以及IS与FID定量化指标评价,并且可为监督学习网络提供额外的信息增益,以提高皮肤病变分类的准确度.

关键词：皮肤镜图像病变识别生成对抗网络特征匹配损失

基于自纠正NMS-ByteTrack的套袋葡萄估产方法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2023年第13期39卷 182-190页

作者：吕佳张翠萍刘琴李帅军重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

针对套袋后的葡萄体积增加和葡萄叶片表面积大容易出现重叠遮挡,及人工拍摄视频的速度不稳定可能导致套袋葡萄目标丢失的问题,该研究提出一种基于自纠正NMS(non-maximum suppression)-ByteTrack的套袋葡萄估产方法。该方法首先通过目标... 详细信息

针对套袋后的葡萄体积增加和葡萄叶片表面积大容易出现重叠遮挡,及人工拍摄视频的速度不稳定可能导致套袋葡萄目标丢失的问题,该研究提出一种基于自纠正NMS(non-maximum suppression)-ByteTrack的套袋葡萄估产方法。该方法首先通过目标检测方法YOLOv5s检测视频中的套袋葡萄,将检测阶段的NMS操作后置到追踪阶段,保留因遮挡而被过滤的果实检测框;其次在ByteTrack的基础上加入相机运动补偿和改进的卡尔曼滤波算法,以自动纠正果实预测框的位置并进行追踪;最后提出一种划线计数策略对套袋葡萄自动计数。试验结果表明,该方法的多目标追踪准确率、多目标追踪精度和ID调和平均数分别为64.6%、82.4%和80.8%,相比ByteTrack分别提高了1.7、1.0和4.1个百分点,平均计数精度达到82.8%。因此,基于自纠正NMS-ByteTrack的估产方法能有效解决套袋葡萄的追踪计数问题,实现对套袋葡萄更精确地估产。

关键词：图像处理农业目标追踪视频计数估产方法套袋葡萄 ByteTrack 卡尔曼滤波器

基于SwinT-YOLACT的玉米果穗实时实例分割

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2023年第14期39卷 164-172页

作者：朱德利余茂生梁明飞重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

玉米果穗的表型参数是玉米生长状态的重要表征,生长状况的好坏直接影响玉米产量和质量。为方便无人巡检机器人视觉系统高通量、自动化获取玉米表型参数,该研究基于YOLACT(you only look at coefficients)提出一种高精度-速度平衡的玉米... 详细信息

玉米果穗的表型参数是玉米生长状态的重要表征,生长状况的好坏直接影响玉米产量和质量。为方便无人巡检机器人视觉系统高通量、自动化获取玉米表型参数,该研究基于YOLACT(you only look at coefficients)提出一种高精度-速度平衡的玉米果穗分割模型SwinT-YOLACT。首先使用Swin-Transformer作为模型主干特征提取网络,以提高模型的特征提取能力;然后在特征金字塔网络之前引入有效通道注意力机制,剔除冗余特征信息,以加强对关键特征的融合;最后使用平滑性更好的Mish激活函数替换模型原始激活函数Relu,使模型在保持原有速度的同时进一步提升精度。基于自建玉米果穗数据集训练和测试该模型,试验结果表明,SwinT-YOLACT的掩膜均值平均精度为79.43%,推理速度为35.44帧/s,相较于原始YOLACT和其改进算法YOLACT++,掩膜均值平均精度分别提升了3.51和3.38个百分点;相较于YOLACT、YOLACT++和Mask R-CNN模型,推理速度分别提升了3.39、2.58和28.64帧/s。该模型对玉米果穗有较为优秀的分割效果,适于部署在无人巡检机器人视觉系统上,为玉米生长状态监测提供技术支撑。

关键词：图像分割注意力机制玉米果穗 YOLACT Swin-Transformer

基于半监督SPM-YOLOv5的套袋柑橘检测算法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第18期38卷 204-211页

作者：吕佳李帅军曾梦瑶董保森重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

为解决柑橘经过套袋后其形状从圆形变为条状导致当前目标检测算法对套袋柑橘检测难度增大,同时目标检测算法性能依赖于有标记样本数量的问题。该研究设计了一种基于教师学生模型的SPM(Strip Pooling Module)-YOLOv5算法,在YOLOv5的骨干... 详细信息

为解决柑橘经过套袋后其形状从圆形变为条状导致当前目标检测算法对套袋柑橘检测难度增大,同时目标检测算法性能依赖于有标记样本数量的问题。该研究设计了一种基于教师学生模型的SPM(Strip Pooling Module)-YOLOv5算法,在YOLOv5的骨干网络中加入条带注意力模块使模型更加关注条状的套袋柑橘与树枝,同时教师学生模型为半监督方法,使目标检测算法可利用无标记样本提升模型的性能,降低对有标记样本的依赖。试验结果表明,该算法在套袋柑橘与树枝检测的平均精度均值分别为77.4%与53.6%,相比YOLOv5分别提升了7.5个百分点与7.6个百分点,套袋柑橘检测的精度与召回率达到94.0%与76.2%。因此,基于教师学生模型的SPM-YOLOv5算法精度高、速度快,能有效用于套袋柑橘检测。

关键词：机器视觉图像识别目标检测套袋柑橘 YOLOv5 条带注意力教师学生模型

在线全文

学校读者我要写书评

暂无评论

融合坐标注意力机制的轻量级玉米花丝检测

农业工程学报 2023年第3期39卷 145-153页

作者：朱德利文瑞熊俊逸重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

玉米花丝性状是玉米生长状态的重要表征,也是决定玉米果穗生长进而影响玉米产量的重要因素。为了提升无人巡检机器人视觉系统对玉米花丝的检测精度和速度,该研究提出一种融合坐标注意力机制的轻量级目标检测网络YOLOX-CA。将坐标注意力... 详细信息

玉米花丝性状是玉米生长状态的重要表征,也是决定玉米果穗生长进而影响玉米产量的重要因素。为了提升无人巡检机器人视觉系统对玉米花丝的检测精度和速度,该研究提出一种融合坐标注意力机制的轻量级目标检测网络YOLOX-CA。将坐标注意力机制(coordinate attention,CA)模块嵌入到YOLOX-s主干特征网络(Backbone)部分,以加强对关键特征的提取,提升检测精度;在颈部特征加强网络(Neck)部分,将特征金字塔结构中的普通卷积,更改为深度可分离卷积,在降低网络参数量的同时保证精度不丢失;在预测头(Head)部分引入GIoU(generalized intersection over union)改进定位损失函数计算,得到更为精准的预测结果。基于自建玉米花丝数据集训练和测试网络,试验结果表明,YOLOX-CA网络平均检测精确度达到97.69%,参数量低至8.35 M。在同一试验平台下,相较于YOLOX-s、YOLOv3、YOLOv4等目前主流的目标检测网络,平均检测精确度分别提升了2.21、3.22和0.64个百分点;相较于YOLOv3、YOLOv4,每帧推理时间分别缩短4和8 ms。该网络针对玉米花丝的检测效果较好,其轻量结构适于部署在无人巡检机器人的视觉系统上,可为玉米生长状态监测提供参考。

关键词：目标检测深度学习注意力机制深度可分离卷积玉米花丝

LiDAR点云中融合点注意力机制的三维目标检测

在线全文

学校读者我要写书评

暂无评论

光子学报 2023年第9期52卷 213-223页

作者：刘威莉朱德利骆华昊李益重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331 重庆市畜牧科学院信息中心重庆401331

针对Pillar编码点云的三维目标检测算法中存在一定细粒度信息的丢失以及对点云特征提取能力不足等问题,基于PointPillars提出一种融合逐点空间注意力机制和跨阶段局部网络的三维目标检测算法。首先在支柱特征网络层中融入逐点空间注意... 详细信息

针对Pillar编码点云的三维目标检测算法中存在一定细粒度信息的丢失以及对点云特征提取能力不足等问题,基于PointPillars提出一种融合逐点空间注意力机制和跨阶段局部网络的三维目标检测算法。首先在支柱特征网络层中融入逐点空间注意力机制,增强网络对局部几何信息的提取并保留深层次信息,使得到的关键特征更适合检测任务;其次将对点云伪图像进行高维特征提取的降采样模块中的普通卷积替换为跨阶段局部网络,进一步提升网络的学习能力;最后算法在高速公路的应用场景下,以KITTI数据集中car类作为检测目标,与基准网络相比,在简单、中等和困难三种情况下的3D检测精度分别提高了2.23%、2.25%和2.30%。实验结果表明,所提算法在检测性能上有明显提升,同时检测速度达到实时检测水平,对自动驾驶技术的优化和完善具有一定的积极意义。

关键词：三维目标检测点云注意力机制 PointPillars 跨阶段局部网络

在线全文

学校读者我要写书评

暂无评论

多层自适应聚合的自监督小样本图像分类

中国图象图形学报 2023年第4期28卷 1056-1068页

作者：吕佳巫若愚重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆市数字农业服务工程技术研究中心重庆401331

目的在图像分类领域,小样本学习旨在利用从大规模数据集中训练到的知识来处理仅包含少量有标记训练样本的下游分类任务。通常情况下,下游任务只涉及新类样本,由于元训练阶段会构造大量任务随机抽取训练集中不同类别的样本且训练集与测... 详细信息

目的在图像分类领域,小样本学习旨在利用从大规模数据集中训练到的知识来处理仅包含少量有标记训练样本的下游分类任务。通常情况下,下游任务只涉及新类样本,由于元训练阶段会构造大量任务随机抽取训练集中不同类别的样本且训练集与测试集类别间存在领域间隙,因此模型训练周期长且可能对训练集过拟合,以致元知识无法迁移到测试集,进而导致模型泛化性差。针对以上问题,提出一种多层自适应聚合的自监督小样本图像分类模型。方法首先使用分组卷积对残差块进行改进,减少神经网络参数量,降低训练难度,缩短训练时间;然后采用多层自适应聚合的方法改进骨干网络,对网络各层语义信息加以提炼聚合,自适应分配各层权重,将聚合后的特征图作为后续分类的依据;最后加入自监督对比学习结合有监督学习挖掘样本自身潜在的信息,从而提升样本特征表达能力。结果在mini-ImageNet数据集和CUB(Caltech-UCSD birds-200-2011)数据集上与当前主流模型进行分类效果对比实验,与baseline相比,所提模型的准确率在mini-ImageNet数据集的5-way 1-shot与5-way 5-shot实验上分别提升了6.31%和6.04%,在CUB数据集的5-way 1-shot与5-way 5-shot实验上分别提升了8.95%和8.77%。结论本文模型能在一定程度上缩短训练时间、增强样本特征表达能力和优化数据分布,并缓解领域间隙所带来的问题,从而提高模型泛化性与分类效果。

关键词：小样本学习图像分类自适应聚合自监督学习对比学习

在线全文

学校读者我要写书评

暂无评论

多尺度自适应上采样的图像超分辨率重建算法

计算机科学与探索 2023年第4期17卷 879-891页

作者：吕佳许鹏程重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆市数字农业服务工程技术研究中心重庆401331

针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多... 详细信息

针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多尺度通道注意力特征提取模块对低分辨率图像进行多尺度特征提取以生成不同尺度下的特征图,再将其输入瓶颈层实现全局特征融合,使用基于分而治之的自适应上采样模块获得超分辨率图像,从而解决了不同放大系数的适配问题和非整数放大系数的上采样问题。在对比实验中,该算法在不使用任何初始化方法时仍然具有良好的收敛性。在整数放大系数下,该算法的图像重建性能超过当前主流的超分辨率网络,PSNR和SSIM性能相比MRFN分别提升了0.34 dB和0.039 1。在非整数放大系数下,其PSNR性能相比双三次插值方法平均提升1.24 dB,且不需要对每一个放大系数都进行训练。

关键词：图像处理超分辨率重建卷积神经网络多尺度特征提取分而治之

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

在线全文

学校读者我要写书评

暂无评论

华南农业大学学报 2020年第6期41卷 109-118页

作者：朱德利林智健重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

【目的】玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD(MF-SSD)卷积神经网络的玉米穗丝检测模型。【方法】基于特征图对玉米穗丝... 详细信息

【目的】玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD(MF-SSD)卷积神经网络的玉米穗丝检测模型。【方法】基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。【结果】通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下,MF-SSD-cut-3模型在满足检测效果的前提下,以较小的空间代价获得了相对较短的运行时间;在不考虑空间和时间因素的情况下,MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性;Focal loss有效解决了SSD算法中正负样本数量不平衡问题,使网络模型的训练更容易收敛。【结论】MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要,可以用于玉米生长状态的自动监控和产量的精准预测。

关键词：玉米穗丝目标检测卷积神经网络特征融合 MF-SSD