检索结果-内蒙古大学图书馆

作者：杨航长安大学

学位级别：硕士

交通安全与天气状况密切相关,在雾天环境中,能见度偏低,驾驶员视线受阻,在行车过程中容易引发交通事故。因此,智能交通系统和交通监控设备的性能在车辆检测方面也应依据环境变化得到改进。雾天环境下,车辆检测与分割极易产生漏检和错检... 详细信息

交通安全与天气状况密切相关,在雾天环境中,能见度偏低,驾驶员视线受阻,在行车过程中容易引发交通事故。因此,智能交通系统和交通监控设备的性能在车辆检测方面也应依据环境变化得到改进。雾天环境下,车辆检测与分割极易产生漏检和错检的问题,本文针对这一难题,提出适用于雾天环境中城市道路车辆检测与分割的算法模型,主要内容如下:1.针对现有去雾算法存在的去雾效果不佳、色彩偏暗,存在光晕、伪影等缺陷,选择对AOD-Net去雾算法进行改进。首先,分析并指出其感受野过小,提取的特征信息匮乏。利用RFB模块,在保证不增加计算量,分辨率不变的情况下,增扩了AOD-Net卷积神经网络的感受野;其次,针对去雾图像存在光晕、伪影的问题,在原AOD-Net基本结构上增加对比正则化模块,进一步提升去雾图像的质量。最后经实验证明,无论是白天还是夜晚,本文改进的AOD-Net去雾算法都能很好地实现雾天图像复原,且有较高实时性。2.在雾天环境中,一般车辆检测与分割算法的检测与分割精度普遍会被降低。本文针对雾天车辆数据集的特点,选择对Mask R-CNN目标检测与分割算法进行改进。首先,改进主干特征提取网络,使用引入通道维度注意机制的Res Ne St101替代原Res Net101网络,提升网络的特征提取能力,提高网络的计算效率和实时性;其次,通过观察发现,城市道路场景中大多数车辆的宽度大于高度,选取K-means算法对anchor box重新聚类,求得具有代表性的anchor box;最后,对用于进行实例分割的Mask分支做改进,使用MLP解码器改善了在密集目标场景下学习混乱导致的分割精度下降问题。通过在白天和夜晚两个场景下进行对比实验,结果显示,该模型提高了雾天车辆检测与分割的速度和精度。在白天场景下,其m AP值达到了83.59%,比原模型高了3.06%,处理速度达到了4.9FPS。在夜晚场景下,其m AP值达到了82.10%,比原模型高了2.36%,处理速度达到了5.0FPS。3.由于雾天交通车辆数据集贫乏,导致模型的训练样本不足,因此构建了雾天车辆数据集。本文搜集的车辆数据集来源于City Scapes公开数据集和自身通过摄影设备拍摄的车辆图像,对于搜集的无雾车辆数据,采用大气散射原理进行雾天图像合成处理,从而构建充足的雾天车辆数据集。通过Cut Mix数据增强方式对模型输入端进行创新,一定程度解决了车辆之间相互遮挡以及绿化带遮挡车辆导致检测与分割能力降低的问题。

关键词：图像去雾 AOD-Net 目标检测与分割 Mask R-CNN

来源：评论

学校读者我要写书评

暂无评论

基于Mask R-CNN(FFM)的城市交通场景多目标检测与分割技术

基于Mask R-CNN(FFM)的城市交通场景多目标检测与分割技术

引用

作者：林椿眄福建农林大学

学位级别：硕士

近年来,随着城市化和机动化水平的提高,城市交通问题日趋严重,社会各界对于智能交通、无人驾驶技术的需求也日益强烈。对于无人驾驶技术而言,感知周围环境并理解城市交通场景信息是实现无人驾驶的关键所在,即可归结为自然场景的多目标... 详细信息

近年来,随着城市化和机动化水平的提高,城市交通问题日趋严重,社会各界对于智能交通、无人驾驶技术的需求也日益强烈。对于无人驾驶技术而言,感知周围环境并理解城市交通场景信息是实现无人驾驶的关键所在,即可归结为自然场景的多目标检测和分割问题。然而,当前在目标检测和分割方面的研究主要存在包括数据量单一、特征表征能力不足、模型性能不佳(特别是对小目标物体的检测和分割)等问题。本文的研究工作主要是基于深度学习模型,开展无人驾驶的环境感知研究,即对城市交通场景多目标进行识别、检测及分割等。首先,对于无人驾驶数据集问题,本文基于生成对抗网络GANs(Generative Adversarial Networks)的核心思想及其在图像生成领域的应用,提出一种W-DCGANs(Wasserstein-Deep Convolutional Generative Adversarial Networks)模型用于生成高质量的城市交通场景图像,在丰富数据的同时,也为后续环境感知模型训练和评估研究提供数据基础。其次,为了能够强化卷积特征提取过程并同时实现交通场景多目标检测和分割任务,本文提出一种新颖的Mask R-CNN(FFM)环境感知模型,在特征提取阶段引入一个特征融合模块FFM(Feature Fusion Module),联合Convolutional bone结构,融合多层级的特征并进行多尺度的特征金字塔变换。这不仅能够丰富特征表达,避免在特征映射过程信息丢失问题,还有助于提升模型的检测和分割表现。随后,基于所扩充的无人驾驶数据及环境感知模型Mask R-CNN(FFM),开展城市交通场景多目标检测与分割实验,以评估模型的整体性能及其鲁棒性表现。实验结果表明:Mask R-CNN(FFM)模型在多目标检测和分割任务上能够取得相当有竞争力的表现,特别是Convolutional bone结构和特征融合模块FFM的引入有助于提升小目标的检测和分割性能。此外,数据集的扩充不仅能够帮助感知模型的训练和评估过程,还能有效地改善了模型的鲁棒性表现。总的来说,本文的研究是非常有效且有现实意义:通过W-DCGANs模型扩充后的数据集不仅为模型的训练和评估提供数据基础,还能有效地提升模型的鲁棒性和泛化能力;而环境感知模型Mask R-CNN(FFM)能够实现非常有竞争力的多目标检测和分割表现。希望本文的研究成果能够促进无人驾驶技术及其相关领域未来的发展。

关键词：深度学习无人驾驶城市交通场景环境感知目标检测与分割

来源：评论

学校读者我要写书评

暂无评论

智能人机交互中第一视角手势表达的一次性学习分类识别

引用

自动化学报 2021年第6期47卷 1284-1301页

作者：鹿智秦世引李连伟张鼎豪北京航空航天大学自动化科学与电气工程学院北京100191 东莞理工学院电子工程与智能化学院东莞523808 北京航空航天大学电子信息工程学院北京100191

在智能人机交互中,以交互人的视角为第一视角的手势表达发挥着重要作用,而面向第一视角的手势识别则成为最重要的技术环节.本文通过深度卷积神经网络的级联组合,研究复杂应用场景中第一视角下的一次性学习手势识别(Oneshot learning han... 详细信息

在智能人机交互中,以交互人的视角为第一视角的手势表达发挥着重要作用,而面向第一视角的手势识别则成为最重要的技术环节.本文通过深度卷积神经网络的级联组合,研究复杂应用场景中第一视角下的一次性学习手势识别(Oneshot learning hand gesture recognition,OSLHGR)算法.考虑到实际应用的便捷性和适用性,运用改进的轻量级SSD(Single shot multibox detector)目标检测网络实现第一视角下手势目标的快速精确检测;进而,以改进的轻量级U-Net网络为主要工具进行复杂背景下手势目标的像素级高效精准分割.在此基础上,以组合式3D深度神经网络为工具,研究提出了一种第一视角下的一次性学习手势动作识别的网络化算法.在Pascal VOC 2012数据集和SoftKinetic DS325采集的手势数据集上进行的一系列实验测试结果表明,本文所提出的网络化算法在手势目标检测与分割精度、分类识别准确率和实时性等方面都有显著的优势,可为在复杂应用环境下实现便捷式高性能智能人机交互提供可靠的技术支持.

关键词：智能人机交互第一视角深度卷积神经网络目标检测与分割一次性学习手势识别

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的图像与点云可视化对象标注

基于深度学习的图像与点云可视化对象标注

引用

作者：李中欢中国科学院大学(中国科学院大学人工智能学院)

学位级别：硕士

深度学习在图像视觉领域取得了喜人的成就,这将促进各种可视化对象应用的落地。点云数据库随着三维扫描技术的快速发展不断庞大,深度学习在处理点云数据时也能发挥很大的作用。而不管是对于2D图像数据还是3D点云数据,都是深度学习的基... 详细信息

深度学习在图像视觉领域取得了喜人的成就,这将促进各种可视化对象应用的落地。点云数据库随着三维扫描技术的快速发展不断庞大,深度学习在处理点云数据时也能发挥很大的作用。而不管是对于2D图像数据还是3D点云数据,都是深度学习的基础单元,对于网络学习起着至关重要的作用。由于深度学习研究与开发的需要,面临特定的场景时,应用数据也相应的需要大量扩充。于是,如何从这些图像和点云数据中提取可视化对象受到了人们广泛的重视。用于深度网络训练的传统的可视化对象标注任务基本上都是基于人工的,不管在图像数据还是点云数据上都既繁锁又消耗大量的人力物力。得益于基于深度学习的计算机视觉任务(目标检测和识别、实例分割和语义分割等)精度的提升,图片和点云中的对象可以高质量的通过神经网络输出,并且在速度上也远远超过人工标注。因此,利用卷积神经网络来提升可视化对象的标注无疑会在深度学习研究和生产任务中大放光彩。本文基于深度学习,研究了图像与点云数据中的可视化对象的提取方法。在二维图片数据方面,本文基于卷积神经网络对图片帧序列以及视频帧中的对象进行识别,并提供了一种深度学习与人工相结合的标注方法,为图片数据集的扩充提供了一个思路;本文还借鉴可视化对象的图像标注的方法,深入研究了基于深度学习的三维点云数据的对象分割方法,对点云数据中的可视化对象划分并进行注释,实现了点云对象的可视化。本文的主要贡献如下:1.在图像的可视化标注方面,提出了一个完整的方案套件来解决图像中可视化对象的注释问题。套件基于深度学习方法训练的通用的检测器,来自动地将图片或视频中可视化对象抓取并且精准识别其边界,并且可以结合人工交互使得结果更加准确和可利用;将人工标注的结果与上述中套件自动生成的可视化对象标注结果进行对比,之后进行深度评测,证明了该方案套件在图像标注任务上的可行性;2.在点云的可视化标注方面,本文着重讨论了基于深度学习的点云分割方法,提出了一种三维点云转化二维图像的算法,在城市点云分割任务上取得了比较好的分割结果,实现了点云对象的可视化,证明了基于点云分割的点云可视化对象标注问题解决的可行性;3.通过对图像和点云可视化对象标注方法的探索,充分验证了深度学习方法针对可视化对象标注的可行性,为可视化对象标注研究提供了可靠的借鉴。本文提供了图像自动注释框架和设计了相应的工具来注释图片序列或视频帧中的可视化对象,并研究了图像增强以及预训练参数对于神经网络训练时的影响,同时加速了图像数据的标注过程。本文还提供了基于深度学习的点云分割方法,来实现三维点云中可视化对象的提取。通过大量实验,验证了深度学习方法对于可视化对象在图像数据以及点云数据标注任务上的可行性。

关键词：深度学习可视化对象目标检测与分割图像标注点云分割

来源：评论

学校读者我要写书评

暂无评论

主动轮廓模型的研究及其改进模型在目标检测中的应用

主动轮廓模型的研究及其改进模型在目标检测中的应用

引用

作者：王升浙江大学

学位级别：硕士

在过去的二十年间,主动轮廓模型(Snake模型)作为计算机视觉等领域的一个重要研究方向,吸引了众多研究者的注意。该模型不同于马尔(Marr)的计算视觉理论,它是一种充分利用高层信息的自上而下的处理过程。主动轮廓模型为轮廓提取、立体匹... 详细信息

在过去的二十年间,主动轮廓模型(Snake模型)作为计算机视觉等领域的一个重要研究方向,吸引了众多研究者的注意。该模型不同于马尔(Marr)的计算视觉理论,它是一种充分利用高层信息的自上而下的处理过程。主动轮廓模型为轮廓提取、立体匹配、目标检测与跟踪等一系列的视觉问题提供了一个统一的理论框架,并已在图像分割、医学图像处理、人机交互等许多领域获得了广泛的应用。但主动轮廓模型依然存在一些不足之处,因此有必要对其继续作深入研究,以提出新的改进模型和算法。本文阐述了主动轮廓模型的基本原理,研究了参数主动轮廓模型和测地主动轮廓模型,对后者作了重点分析。针对传统Snake模型在目标检测与分割时不能处理拓扑结构变化以及不能清晰地反映出演化曲线的内在几何特性,文中给出了一种新的目标检测方法——基于水平集的测地主动轮廓模型。该方法采用测地主动轮廓模型,并结合了水平集方法,即采用水平集函数表示测地主动轮廓模型的曲线演化方程,得到水平集函数演化方程,用来模拟初始曲线沿能量下降最快的方向演化的过程。对基于水平集的测地主动轮廓模型进行研究,进一步将其应用于一些灰度图像的目标检测与分割实验中。实验结果表明,本文给出的这种目标检测方法具有很好的检测效果,对图像中的多个目标进行了有效的分割,获得的结果连续而又稳定,有利于后续分析。并且新模型能清晰地反映出演化曲线的内在几何特性以及具有良好的拓扑变化处理能力,这些特性是以传统Snake模型为代表的目标检测方法所不具有的。

关键词：主动轮廓模型目标检测与分割测地主动轮廓模型水平集几何特性拓扑变化

来源：评论

学校读者我要写书评

暂无评论

基于视觉的机械手表读数自动识别技术研究

基于视觉的机械手表读数自动识别技术研究

引用

作者：曹思佳湖南大学

学位级别：硕士

根据机械手表评价细则,高精度的机械手表需满足《高精度机械手表SQL/HSTU 009-2017》标准才可获得认证。为了生产出合格的机械手表,手表行业在机械手表出厂前将进行走时精度测量实验,即观测机械手表读数相对标准计时的偏差,对不合格的... 详细信息

根据机械手表评价细则,高精度的机械手表需满足《高精度机械手表SQL/HSTU 009-2017》标准才可获得认证。为了生产出合格的机械手表,手表行业在机械手表出厂前将进行走时精度测量实验,即观测机械手表读数相对标准计时的偏差,对不合格的手表重新进行校正。传统的机械手表读数检测采用的人工读数方法效率低,易受工作人员状态影响。为了提高合格机械手表的出品量,更快地适应需求量飞速上升的市场,要求设计出一种自动测量机械手表读数的方法。自动读数识别技术的研究领域中,针对仪表的读数识别技术众多,对机械手表的读数识别技术较少。由于机械手表相对仪表具有表盘花纹复杂,指针众多,容易互相遮挡等识别技术上的难点,本文提出了一种基于视觉的机械手表自动读数识别方法,研究内容可划分为表盘区域提取、指针和刻度区域提取、读数识别和系统设计等几个部分。具体实现如下:1)针对各类背景下的机械手表,采用了一种结合边缘信息的图像金字塔模板匹配算法用于表盘区域的提取,同时和现有的提取方法进行了对比,相较其他方法出现的背景干扰和畸变问题,本文算法具有更高的鲁棒性。2)针对使用传统方法进行指针和刻度识别时出现的参数难以设定,分割不清晰,指针遮挡和多样刻度带来的识别困难问题,提出了一种结合上下文信息的改进后的Mask R-CNN网络,能够适应各类颜色抖动和噪声干扰下的指针和刻度提取,同时制作了机械手表指针和刻度的数据集,可用于深度学习网络的训练。3)读数识别问题中,针对传统指针中轴线识别方法中需要依靠细化算法有效性,易受干扰的问题,提出了一种改进的最小二乘距离法,能够准确地定位出指针中轴线。同时利用结合先验信息的最小二乘法拟合了表盘内圆,确定了表盘中心。根据各指针中轴线相对于表盘中心与刻度中心的连线的角度关系,计算了机械手表的读数。为了进一步提高机械手表读数识别的精度,根据各指针间隐含的角度关系,提出了误差矫正原则。4)基于本文提出的机械手表读数自动识别方案,设计了一个机械手表自动读数测量的软件系统,包含了界面和数据库设计,并对复杂机械手表的实验结果进行了误差分析,读数误差在1s以内。同时利用本算法实现了机械手表的精度测量,能够提高测量效率。

关键词：机械手表中轴线提取读数识别深度学习目标检测与分割

来源：评论

学校读者我要写书评

暂无评论

人工智能技术在机动车检验中的研究与应用

引用

中国公共安全(学术版) 2020年第1期 95-98页

作者：赖强绍卢朝山广西壮族自治区公安厅交通警察总队

我国机动车检验中需要对检测图片进行审核,目前采用传统的人工审核方式,效率低下。本文结合我国当前机动车检验制度及当前操作流程环境下,分析了人工审核的弊端,阐述了人工智能技术,给出了图片预处理的主要流程,结合号牌识别阐述了目标... 详细信息

我国机动车检验中需要对检测图片进行审核,目前采用传统的人工审核方式,效率低下。本文结合我国当前机动车检验制度及当前操作流程环境下,分析了人工审核的弊端,阐述了人工智能技术,给出了图片预处理的主要流程,结合号牌识别阐述了目标检测和分割的过程,以神经网络为例介绍了图片识别方法,并针对车辆检验中的人工检验照片、检验资料照片、事后监管照片进行识别分析,为未来人工智能技术在机动车检验中的应用指明了方向。

关键词：机动车检验图片预处理目标检测与分割图片识别

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：