检索结果-内蒙古大学图书馆

作者：阮靖琳武汉轻工大学

学位级别：硕士

茶叶作为国内主要的农作物之一,越来越受到人们的喜爱。目前茶叶的采摘方式分为人工与机械采摘两种,尽管人工采摘能够确保茶叶的高品质,但其低效率难以满足市场的高需求;机械采摘的效率相比人工提高了很多倍,但是目前大多数的采摘机械... 详细信息

茶叶作为国内主要的农作物之一,越来越受到人们的喜爱。目前茶叶的采摘方式分为人工与机械采摘两种,尽管人工采摘能够确保茶叶的高品质,但其低效率难以满足市场的高需求;机械采摘的效率相比人工提高了很多倍,但是目前大多数的采摘机械主要采用类似单一切割的方式进行操作,导致无法保留完整的茶叶嫩芽。考虑到茶叶自动化采摘行业不仅能够提高茶叶品质,也能够提升茶农的收入,本文基于目标检测中无锚框算法,设计出一款茶叶嫩芽与采摘点检测模型,确保茶叶嫩芽定位准确、采摘精准,保证良好的茶叶品质。主要工作如下: (1)针对茶叶嫩芽检测精度差的问题,本文基于无锚框算法FCOS,提出了茶叶嫩芽检测模型。首先将骨干网络改进为Res Ne St,保留了原始Res Net结构简单和模块化的同时,更加易于训练,提高特征提取能力。然后将特征金字塔替换为尺度序列特征金字塔,增强小目标茶叶嫩芽的信息特征,提升模型精度。最后使用动态标签分配策略优化无锚框检测头,将目标中心到边缘的置信度进行线性平滑,减少误差积累,提高模型泛化能力。 (2)针对茶叶嫩芽采摘点定位不准确问题,在茶叶嫩芽检测模型的基础上,对模型进行优化,提升检测速度与精度。首先在骨干网络中引入Faster Net,利用部分卷积高效提取空间信息,降低计算的冗余。然后在特征融合前添加EMA注意力机制,在保证模型检测速度的同时增加对茶叶嫩芽区域的关注程度,提升模型精度与鲁棒性。然后修改检测头,使模型具有茶叶嫩芽、采摘点一体化检测功能。首先在采摘点模型检测头中添加坐标注意力机制,增强跨通道信息整合能力,改善细粒度识别,降低过拟合风险。然后在采摘点检测模块,根据茶叶形状特点,利用六个关键点构嫩芽框架,从而实现对茶芽、一芽一叶、一芽两叶三种品质茶叶的采摘点进行检测。同时本文使用手工标注的数据集进行训练,能够为模型提供高质量的标签,从而提高模型鲁棒性与可靠性。通过对无锚框算法的优化与改进,利用自然背景下的茶叶图像进行测试,茶叶嫩芽定位模型的平均精度达到了88.7%,召回率达到了82.8%。采摘点检测模型计算量达到了16.7GFLOPs,采摘点精度达到了81.9%。

关键词：目标检测无锚框算法茶叶嫩芽检测采摘点检测

来源：评论

学校读者我要写书评

暂无评论

基于无锚框算法的矿用带式传输机异物检测研究

基于无锚框算法的矿用带式传输机异物检测研究

引用

作者：闫雪颂西安建筑科技大学

学位级别：硕士

矿用带式传输机上的异物一直是影响矿山安全生产的重要因素之一。矿用带式传输机上异物引发的事故频现,其原因往往是没有对矿用带式传输机上的异物进行检测与剔除。这些异物的存在可能会造成皮带以及相关机械的损坏,进而引发严重的安全... 详细信息

矿用带式传输机上的异物一直是影响矿山安全生产的重要因素之一。矿用带式传输机上异物引发的事故频现,其原因往往是没有对矿用带式传输机上的异物进行检测与剔除。这些异物的存在可能会造成皮带以及相关机械的损坏,进而引发严重的安全生产事故。本文以矿用带式传输机上可能导致安全生产事故的异物为研究对象,探讨一种高速且准确的异物检测方法,保障矿用带式传输机的生产安全。主要研究工作有:(1)矿用带式传输机异物样本数据集的构建。采用水平镜像,垂直镜像以及仿射变换对采集到的有限矿用带式传输机异物图像样本数据集进行扩充;通过自适应直方图,中值滤波等方法对扩充后的样本数据进行增强。(2)采用Center-Net算法作为异物检测的基础模型,为实现矿用带式传输机上异物的精确检测,采用CIOU损失函数代替模型中的损失函数,加快模型的收敛速度。在此基础上对Hourglass-104特征提取网络加入注意力机制模块,提升对矿用带式传输机异物的提取能力。完成异物检测模型精度提升后,使用深度可分离卷积替代矿用带式传输异物检测模型残差结构中的普通卷积,加快模型运算速度。(3)针对本文提出的矿用带式传输机异物检测,设立相应的评价指标。分别使用精准度(precision),平均精度(AP),平均精度均值(MAP)和模型推理速度(FPS)对矿用带式传输机异物检测模型的识别准确度与模型的运行速度进行评价。利用本文提出的Mine-Center-Net对长条形,多边形和圆形异物的识别精度分别达到0.800,0.950和0.911。相较于Center-Net,SSD,YOLO V3,Faster R-CNN,平均精度均值分别提高了8.30%,8.30%,22.30%,13.70%。为矿用带式传输机异物的准确检测提供了新方法。

关键词：矿用带式传输机异物目标检测无锚框算法 Center-Net

来源：评论

学校读者我要写书评

暂无评论

基于无锚框检测器和知识蒸馏的工业疵点检测算法研究

基于无锚框检测器和知识蒸馏的工业疵点检测算法研究

引用

作者：刘志伟浙江理工大学

学位级别：硕士

随着计算机视觉技术的不断发展,基于卷积神经网络(Convolutional NeuralNetwork,CNN)和Transformer的深度学习方法在工业疵点检测领域应用的势头发展迅速,逐渐代替了传统的、费时费力的手工检测方法。但是目前此领域中仍然存在着一些痛... 详细信息

随着计算机视觉技术的不断发展,基于卷积神经网络(Convolutional NeuralNetwork,CNN)和Transformer的深度学习方法在工业疵点检测领域应用的势头发展迅速,逐渐代替了传统的、费时费力的手工检测方法。但是目前此领域中仍然存在着一些痛点问题,一方面,工业疵点与自然图像目标相比,其背景更为复杂并且存在大量长宽比过大的疵点,适用于自然图像的目标检测模型在工业疵点检测上会出现精度下降的问题;另一方面,随着模型精度的不断提高,所需要的计算开销也在不断地增长,而工厂所用的硬件设备通常性能较低,无法承担大模型上庞大的参数量所带来的计算开销,并且检测的实时性较差。因此,如何在提升模型的检测精度的同时尽可能的的降低模型大小成为当前工业疵点检测领域的研究热点。为了更好地实现对工业疵点的检测,本文提出了一种基于无锚框检测器的知识蒸馏方法D-CenterNet(Distillation-CenterNet),主要的工作与创新如下:1)我们的方法基于无锚框检测算法——CenterNet。针对CenterNet算法在训练过程中缺失较大长宽比疵点的中心点信息导致精度下降的问题,提出了一种自适应的标签编码策略,可以更好地回归具有较大长宽比的疵点的中心点信息从而提升检测性能,减少背景信息的干扰和负样本的产生。针对工业疵点图像背景更为复杂以及存在大量较大长宽比的疵点的特点,基于ResNet提出了ResNet-SP网络,在ResNet中引入多尺度条形池化模块(Multi-scale Strip Pooling,MSP)和分支池化模块(Branch Pooling Module,BPM)。多尺度条形池化模块通过引入空洞卷积增大感受野,使用长方形的池化核代替基础的正矩形池化核,能更有效地提取具有较大长宽比的疵点的长距离依赖关系,保留其最显著的特征。分支池化模块采用并行结构,对长宽比较大的疵点使用条形池化建模其长距离关系,对于常规疵点使用改进后的空洞空间金字塔池化提取其局部上下文信息,避免信息缺失,最后输出融合后的特征信息。基于公开的阿里云天池布匹疵点数据集的实验结果表明,相较于基础的CenterNet算法和其余的工业疵点检测算法,我们提出的算法在精度上提升明显。2)与传统的基于模型特征层信息的知识蒸馏方法不同,我们将模型检测头输出的预测信息同样视作可以用于指导学生模型训练的知识,提出了一种基于检测头输出信息和特征层前景信息的知识蒸馏方法。针对特征层中冗余噪声信息过多的问题,使用自适应高斯掩码对特征图中的前景信息建模,在抑制背景中冗余信息的同时突出前景目标信息。通过知识蒸馏将教师模型特征层和检测头输出的特征知识转移到轻量级的学生模型中,以离线蒸馏的方式使用教师模型输出的伪标签和数据集中的真实标签共同监督学生模型的训练,可以在不增加其参数量的情况下无损失地提升学生模型的性能。基于公开的阿里云天池布匹疵点数据集和东北大学热轧钢表面缺陷检测数据集(NEU-DET)的实验结果表明,本文所提出的基于知识蒸馏的模型压缩方法可以在不增加模型复杂度的情况下将学生模型的m AP从60.1%提升到63.8%,在模型大小和检测速度基本不变的情况下,极大地提升检测精度。

关键词：目标检测知识蒸馏注意力机制无锚框算法工业疵点检测

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制的无锚框车辆检测算法

基于注意力机制的无锚框车辆检测算法

引用

作者：倪嘉琳吉林大学

学位级别：硕士

随着居民人均可支配收入的不断提高,汽车逐渐成为我国人民日常生活中不可替代的交通工具。由于汽车使用量的逐年攀升,安全驾驶、交通拥堵等问题也愈发加剧,而大力发展汽车产业的智能化转型正是解决类似问题的关键。车辆检测作为目标检... 详细信息

随着居民人均可支配收入的不断提高,汽车逐渐成为我国人民日常生活中不可替代的交通工具。由于汽车使用量的逐年攀升,安全驾驶、交通拥堵等问题也愈发加剧,而大力发展汽车产业的智能化转型正是解决类似问题的关键。车辆检测作为目标检测中的重要方向,可应用于无人驾驶、交通流量信息统计、智能停车等新型智慧交通领域,最大限度地缓解交通问题,提高人民的生活质量。在目标检测算法中,基于无锚框的检测算法可以减少网络中超参数的产生,降低超参数调参对网络结果的干扰,防止使用锚框导致的正负样本不均衡、计算复杂等问题,因此本文将无锚框的单阶段全卷积网络(Fully Convolution One-Stage,FCOS)引入至车辆检测任务中。在实际应用场景下,道路交通信息较为复杂,车辆位置信息变动较大,易出现车辆间相互遮挡等干扰情况,使检测过程中的特征信息提取不充分,导致检测精度下降、甚至出现目标漏检等问题。因此,为了能够更充分的融合特征信息,提取深层特征,提高车辆检测的检测精度,本文以无锚框的单阶段全卷积网络为基础进行了研究改进,主要的工作内容如下:1.基于注意力机制的车辆检测算法:本文使用了Res Net101作为FCOS网络的骨干网络,将通道注意力机制(Efficient Channel Attention,ECANet)引入至骨干网络中,使其拥有调整通道间权重的能力,从而突出重点特征,抑制次要特征,提高网络的特征提取能力。针对该注意力机制通道间交互不均匀导致信息损失的问题,提出了基于多尺度注意力机制(Multiple Efficient Channel Attention,MECANet)的车辆检测算法,促进注意力机制中多通道间的信息融合,使其更好地进行跨通道交互从而提取全面的特征信息。在KITTI数据集上检测精度m AP值相较于基准网络提升了1.7%,在BIT-Vehicle数据集上检测精度m AP值相较于基准网络提升了1.1%,从而验证了本章方法的有效性。2.基于自适应空间特征融合的车辆检测算法:在真实的检测场景中,为了深层次提取目标特征,往往会使用较深的网络结构,但随着网络层数的加深,浅层信息得不到充分利用,会导致部分重要信息丢失。基于这些问题,本文在特征金字塔模块中融入了自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)模块,过滤冲突信息,增强特征融合,并针对车辆检测过程中目标车辆易出现形变的问题,采用了可变形卷积(Deformable Convolution Net,DCN)来适应各类形变的目标,使用GIo U损失函数代替Io U对目标进行预测,最终提出了基于自适应空间特征融合的车辆检测算法。经实验验证,本算法在KITTI数据集上检测精度m AP值与基准网络相比提升了2.2%,拥有更好的检测性能。

关键词：车辆检测无锚框算法注意力机制自适应空间特征融合

来源：评论

学校读者我要写书评

暂无评论

基于无锚框的多尺度目标检测算法研究

基于无锚框的多尺度目标检测算法研究

引用

作者：卢皓西安建筑科技大学

学位级别：硕士

在人工智能不断发展的时代下,计算机视觉成为不可缺少的一部分,尤其是多尺度目标检测,它在智慧城市、智能监控等领域中发挥着重要作用。然而,机场环境下的多尺度目标检测过程中,现有目标检测算法仍存在小目标和密集目标的漏检、误检等... 详细信息

在人工智能不断发展的时代下,计算机视觉成为不可缺少的一部分,尤其是多尺度目标检测,它在智慧城市、智能监控等领域中发挥着重要作用。然而,机场环境下的多尺度目标检测过程中,现有目标检测算法仍存在小目标和密集目标的漏检、误检等问题。为实现机场的高效管理,提升智能化水平,针对鸟瞰视角下的飞机目标和X光危险品目标,通过设计和构造两种无锚框的目标检测算法,提升改进算法对机场环境中鸟瞰视角下的小目标、密集目标和重叠目标的检测性能,加速智能化机场的建设。本文主要贡献如下:(1)针对机场密集多尺度飞机目标的漏检、误检等问题,提出一种感受野增强和记忆型特征融合的Center Net算法。首先,引入多尺度感受野模块和残差注意力模块对Res Net50改进,并将其作为新的特征提取网络。感受野增强模块拓宽网络宽度,增强多尺度特征提取能力,残差注意力模型加强网络末端定位目标的能力。其次,用记忆型特征融合模块代替三次反卷积,消除反卷积产生的棋盘效应。同时,浅层细节信息和深层语义信息能通过该融合网络充分融合,输出特征图中的关键信息也进一步增强。实验结果表明,改进算法检测机场停泊飞机目标的准确率为88.46%,与Center Net算法相比提升18.21%,并且检测速度也得到保证。(2)针对X光危险品的背景与目标类似而导致的多尺度重叠危险品检测性能不足的问题,提出一种特征重计算和通道洗牌的目标检测算法。首先,采用改进的解耦式检测头作为该算法检测头,在该检测头中通过重新计算不同通道的特征权重,减少重要特征的丢失,同时加强对多尺度目标的定位能力。其次,引入一种以幽灵模块为导向的空洞空间卷积金字塔模型,扩大对多尺度目标的感知范围,并抑制背景信息的干扰。最后,引入通道洗牌的融合方法改进融合方式,该融合方法将不同通道的特征重新排列,丰富上下文信息,同时也增强语义信息。在多尺度X光危险品数据集上的实验结果表明,改进算法检测危险品的平均准确率达到92.35%,与基础算法相比提升5.48%,且保证了实时性。(3)引入Pascal VOC数据集作为感受野增强和记忆型特征融合算法的交叉验证数据集,同时引入CVC-09夜间行人数据集作为特征重计算和通道洗牌算法的交叉验证数据集,通过不同数据集以及不同种类的目标进一步说明改进算法的鲁棒性和普适性。

关键词：多尺度机场目标无锚框算法感受野增强注意力机制特征融合

来源：评论

学校读者我要写书评

暂无评论

扩增感受野特征融合的小目标检测算法

引用

计算机辅助设计与图形学学报 2023年第1期35卷 48-54页

作者：魏文晓刘洁瑜徐军辉沈强火箭军工程大学导弹工程学院西安710025

为了解决小目标检测在实际应用中的高漏检率、低准确率、低召回率等问题,提出一种基于感受野扩增特征融合的小目标检测算法.首先,对全卷积单阶段目标检测算法(fully convolutional one-stage object detection,FCOS)基础网络特征提取部... 详细信息

为了解决小目标检测在实际应用中的高漏检率、低准确率、低召回率等问题,提出一种基于感受野扩增特征融合的小目标检测算法.首先,对全卷积单阶段目标检测算法(fully convolutional one-stage object detection,FCOS)基础网络特征提取部分增加感受野扩增模块,改善基础网络ResNet-50特征信息提取较少、浅层特征层信息利用率偏低等问题;其次,在特征金字塔部分利用门控思想筛选信息融合,降低无效信息融合的干扰;最后,对7个特征层增加注意力机制模块,提升目标定位精度和分类精度.在COCO2017数据集上的实验结果表明,该算法比传统FCOS算法的检测精度提升2.4%.其中,小目标检测精度提升3.2%,具有更好的检测效果.

关键词：特征融合感受野扩增串联空洞卷积注意力机制无锚框算法

来源：评论

学校读者我要写书评

暂无评论

基于改进FCOS的遥感图像舰船目标检测

引用

计算机科学 2024年第S01期51卷 467-473页

作者：陈天鹏胡建文长沙理工大学电气与信息工程学院长沙410114

由于遥感图像中舰船目标方向任意,基于深度学习的通用目标检测算法采用水平框,在检测舰船时易框选大量背景,检测效果欠佳。文中提出一种改进全卷积一阶段目标检测网络(FCOS)的遥感图像舰船目标检测算法,以FCOS为基线,在检测头部分增加... 详细信息

由于遥感图像中舰船目标方向任意,基于深度学习的通用目标检测算法采用水平框,在检测舰船时易框选大量背景,检测效果欠佳。文中提出一种改进全卷积一阶段目标检测网络(FCOS)的遥感图像舰船目标检测算法,以FCOS为基线,在检测头部分增加一条偏移回归分支,通过偏移水平框的上边中点和右边中点,产生旋转框。舰船目标通常具有较大的长宽比,预测框与真实框之间的角度偏差对交并比的影响较大,进而影响模型的检测精度。针对该问题,在计算偏移损失时引入与舰船目标长宽比有关的加权因子,使得具有较大长宽比的目标获得较大的偏移损失。在HRSC2016数据集上的实验结果表明,所提算法的平均精确度达到89.00%,检测速度达到19.8FPS,相比同类型的无锚框算法,其在检测速度和检测精度上均表现优秀。

关键词：遥感图像舰船目标检测 FCOS 无锚框算法偏移分支

来源：评论

学校读者我要写书评

暂无评论

基于旋转框的光学遥感目标精确检测技术研究

基于旋转框的光学遥感目标精确检测技术研究

引用

作者：蒋光峰东南大学

学位级别：硕士

随着遥感技术的发展,光学遥感图像的空间分辨率逐步提高,为广域范围内的地物提供了更加清晰的轮廓和纹理信息,遥感图像的应用不再局限于以往粗糙的遥感图像分类,遥感目标检测逐步成为遥感应用技术中重要的一环。光学遥感目标检测以工作... 详细信息

随着遥感技术的发展,光学遥感图像的空间分辨率逐步提高,为广域范围内的地物提供了更加清晰的轮廓和纹理信息,遥感图像的应用不再局限于以往粗糙的遥感图像分类,遥感目标检测逐步成为遥感应用技术中重要的一环。光学遥感目标检测以工作在可见光波段范围的遥感平台传感器捕捉到的影像为研究对象,采用图像处理技术对影像中的感兴趣目标进行分类和定位。近年来,遥感图像目标检测广泛应用于国土资源调查、生态环境监测、灾害预防与灾情评估等领域,研究遥感图像目标检测具有重要理论意义和应用价值。由于遥感图像具有背景复杂、目标尺度和长宽比变化较大、目标具有任意的朝向以及空间分布不均匀等特点,传统的目标检测方法难以鲁棒地检测遥感图像中目标。深度卷积神经网络技术的进步使遥感图像目标检测重新焕发生机,而检测方向也从水平框目标检测迈向更为精细的旋转框检测。本文在遥感图像目标检测技术和通用目标检测技术的基础上,分析总结现有方法不足之处,结合当前遥感图像检测中多尺度、多角度等新的挑战,分别从复杂背景下的遥感目标检测精度以及检测速度两个方面进行相应改进,提出了基于空间-非局部注意力的多尺度多阶段定向遥感目标检测算法和基于旋转中心点估计的定向遥感目标检测算法。主要工作包括:1、在图像预处理方面,针对均匀滑动窗口方法存在的子图重叠面积大、重复样本数量多以及裁出尺寸单一的问题,提出基于网格聚类的动态裁剪法,将高分辨率的遥感大图裁剪成适合模型输入的子图。在遥感图像上探索多种数据增广方法,如几何变换、色彩变换、混合样本增强以及多尺度样本等。实验结果表明,合理的数据增强方法能够较大程度提升遥感目标检测效果,基于网格聚类的动态裁剪方法比均匀滑动裁剪提升了样本的质量,可以用更少的样本规模得到更好的训练效果。2、针对目前遥感目标定位精度低、密集小目标和多尺度样本检测效果不稳定以及背景噪声干扰严重的问题,本文首先分析了多阶段网络的优势,在此基础上提出基于空间-非局部注意力的多尺度多阶段网络。该网络主要包含三个阶段:第一阶段由增强的多尺度特征提取网络和RPN子网预测HBB,第二阶段由Ro I变换网络初步预测OBB,第三阶段通过对齐的旋转不变特征预测精细化的OBB,实现高精度的旋转目标定位。为抑制背景噪声和加强目标特征的表达,设计了二值掩膜标签作为监督信号的空间注意力和NL模块结合的空间-非局部注意力结构。在DOTA数据集上的实验结果表明,基于空间-非局部注意力的多尺度多阶段算法检测效果优于Ro I Transformer和SCRNet等常用的定向目标检测算法。3、为加快网络前向推理速度,使遥感目标检测任务能够运行在计算资源有限的终端设备上实现实时处理,本文在无锚框水平目标检测框架基础上,提出基于旋转中心点估计的定向遥感目标检测算法RCNet。算法通过生成关键点热图预测目标中心点,将旋转框检测转为关键点估计,并且为每个中心点附加预测旋转角和宽高。RCNet网络超参数少、结构扁平化,仅由主干网和较轻的不同检测分支构成,很好地解决了遥感目标检测的效率问题。通过对训练好的模型进行量化,达到实时检测的目的。实验结果验证了RCNet在较高的检测准确率下拥有更快的检测速度,网络实用性强。

关键词：遥感图像处理旋转目标检测多阶段网络注意力机制无锚框算法

来源：评论

学校读者我要写书评

暂无评论

遥感图像旋转目标检测方法研究

遥感图像旋转目标检测方法研究

引用

作者：蒋晨东南大学

学位级别：硕士

遥感图像目标检测在地质监测、军事侦察、城镇规划和灾后调查等领域被广泛使用,是计算机视觉的一个重要研究方向。由于信息采集技术的日益发展,遥感图像的空间分辨率不断提高、细节纹理特征更为丰富,满足多领域对遥感目标的应用需求。因... 详细信息

遥感图像目标检测在地质监测、军事侦察、城镇规划和灾后调查等领域被广泛使用,是计算机视觉的一个重要研究方向。由于信息采集技术的日益发展,遥感图像的空间分辨率不断提高、细节纹理特征更为丰富,满足多领域对遥感目标的应用需求。因此,遥感图像目标检测具有较高的应用价值和研究意义。由于遥感图像具有背景复杂、目标种类多样、尺度不一以及方向任意等特点,而传统目标检测技术泛化性和鲁棒性较差,检测性能无法满足现阶段各领域的需求,因此逐渐摒弃传统目标检测技术在遥感图像检测上的应用。而目标检测技术在结合当下深度学习的发展后得到进一步提升,对密集型多尺度目标和旋转目标能获得更精确的检测效果。本文在基于深度卷积神经网络的目标检测基础上,针对遥感图像多类别、多尺度、方向任意等难点进行方案设计,提出了基于多层级特征选择的遥感旋转目标检测网络(MFS-Det)以及基于中心点预测的无锚框遥感旋转目标检测算法(CPDet),完成了遥感目标检测在精度和实时性两个方面的性能提升。本文的主要内容如下:(1)针对遥感图像尺度多样、方向任意的挑战,本文提出了基于多层级特征选择的遥感旋转目标检测网络(MFS-Det)。通过引入路径聚合模块来聚合高低维度的特征信息,提升网络对多尺度目标的检测效果,通过特征选择模块,将第一阶段候选区域生成网络输出的感兴趣区域(Ro I)映射到最合适的特征层级上。为了解决池化的两次量化导致定位精度不准的问题,引入双线性插值的Ro I Align模块。本文分析了多种旋转框表征方式的边界问题,并引入了新的旋转框表示形式滑动顶点法,设计了针对性的损失函数来解决旋转框的边界问题。在开源数据集DOTA和HRSC2016上,横向比较了多种前沿算法来验证本网络模型的检测性能并取得了较好的成绩。(2)为了应对锚框参数泛滥导致的模型推理速度降低等问题,本文提出了基于中心点预测的无锚框遥感旋转目标检测算法(CPDet)。CPDet共有四条预测分支:中心点坐标及其偏移量、目标宽高以及旋转角度。为了提升中心坐标的预测准确性,采用收缩二维高斯映射的方式,集中在中心椭圆区域采样。通过引入环状平滑标签法,将角度回归问题优化成分类问题,由此解决角度回归的边界问题。通过增加权重偏差函数,优化对类正方形目标的检测效果。在保证网络检测精度的同时,提升了模型检测的实时性,并在数据集DOTA和HRSC2016上得到效果验证。

关键词：遥感图像目标检测深度卷积神经网络无锚框算法旋转框检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的通用椭圆目标检测方法研究

基于深度学习的通用椭圆目标检测方法研究

引用

作者：王田浩东南大学

学位级别：硕士

椭圆检测是计算机视觉的重要研究方向之一,在工业、医学、安防等领域被广泛使用。传统的椭圆检测算法需要选择合适的预处理方法来获得高质量的边缘特征图,再设计不同的椭圆拟合及筛选算法获得目标椭圆参数,这些算法十分依赖人为设计,且... 详细信息

椭圆检测是计算机视觉的重要研究方向之一,在工业、医学、安防等领域被广泛使用。传统的椭圆检测算法需要选择合适的预处理方法来获得高质量的边缘特征图,再设计不同的椭圆拟合及筛选算法获得目标椭圆参数,这些算法十分依赖人为设计,且针对不同场景需要调整不同的参数,算法的泛化性和鲁棒性不强。针对传统椭圆检测算法存在的问题,采用了深度学习方法实现了精度更高的椭圆目标检测,主要贡献点如下: (1)提出了基于Anchor-free的通用椭圆目标检测网络。椭圆目标检测是主要依赖于边缘形状信息的检测任务,通过引入边缘融合模块,有效地提升了网络对边缘形状信息的关注。分析了椭圆参数中的旋转角度存在的周期性、定义边界问题和与评价指标不一致等问题,设计了针对性的旋转角度损失函数和Io U损失函数。为了进一步提高椭圆的拟合精度,引入了具有像素级精度的二值掩膜预测作为辅助任务。在自建数据集GED和公开数据集FDDB上,与多种前沿算法进行了横向对比,验证了提出方法具有良好的检测性能。 (2)为了减少椭圆检测数据集构建的高昂成本以及标注过程带来的潜在人为误差,提出了基于半监督学习的椭圆目标检测网络。强弱数据增强是实现半监督学习的重要环节,为了有效引导模型提取到具有一致性的目标特征,同时避免学生模型过拟合到错误的伪标签中,采用了边缘融合方法作为强数据增强方法。为了获取高质量的伪标签,提出了一种边界框分数计算方法,并结合分类分数共同筛选出更加精确的伪标签。同时,仅使用阈值筛选获取的硬性伪标签会导致信息丢失且阈值的鲁棒性较差,为了解决这一问题,提出了密集伪标签方法。最后在不同标注数据比例的GED数据集上和全监督及其它半监督目标检测方法进行了对比,验证了提出方法可以在少量标注数据的前提下提高模型的检测精度。

关键词：椭圆检测目标检测深度学习无锚框算法半监督学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：