-
题名基于改进SegNet模型的斑马线图像语义分割
被引量：12
- 1
-
-
作者
程换新
蒋泽芹
成凯
-
机构
青岛科技大学自动化与电子工程学院
-
出处
《电子测量技术》
2020年第23期104-108,共5页
-
基金
国家海洋局重大专项(国海科字[2016]494号No.30)资助。
-
文摘
无论是在智能驾驶系统中,还是在智能导盲系统中,道路标线的检测都是一项重要内容。针对传统斑马线识别方法精度低、速度慢的问题,提出了利用深度可分离卷积网络改进SegNet模型的语义分割方法,通过网络爬虫以及手动数据标注,经过Tensorflow深度学习框架训练,其模拟检测达到了较好的结果。试验结果表明,由自行构建的斑马线数据集,训练后的模型每帧运算速度在59 ms内,对斑马线区域分割的像素精度达98.1%,交并比达91.6%。此运算速度以及分割精度满足大部分智能导航系统的需求,为斑马线识别的机器视觉识别提供了技术支持。
-
关键词
SegNet
深度可分离卷积网络
斑马线
语义分割
-
Keywords
SegNet
depth separable convolution
zebra crossing
semantic segmentation
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOX-S的安全帽反光衣检测算法
被引量：11
- 2
-
-
作者
程换新
蒋泽芹
程力
成凯
-
机构
青岛科技大学自动化与电子工程学院
中国科学院新疆理化技术研究所
-
出处
《电子测量技术》
北大核心
2022年第6期130-135,共6页
-
基金
国家海洋局重大专项项目(国海科字[2016]494号No.30)资助。
-
文摘
在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进YOLOX-S网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强特征提取网络,提高网络对不同尺度的特征提取能力;使用Mosaic方法进行训练,提高网络在复杂场景下的检测能力;使用GIoU损失函数,进一步提高模型的识别准确率。在扩充后的安全帽反光衣数据集上实验表明,所提算法在保持较高推理速度的情况下,mAP达83.74%,与原YOLOX-S相比,对戴安全帽、穿反光衣和行人的检测AP值有1%~3%不等的提高,对反光衣颜色无依赖性,有效实现了快速准确的安全帽反光衣检测。
-
关键词
安全帽反光衣检测
YOLOX-S
BiFPN
Mosaic方法
-
Keywords
helmet and reflective clothing detection
YOLOX-S
BiFPN
Mosaic method
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力机制的CNN人脸表情识别
被引量：7
- 3
-
-
作者
程换新
成凯
蒋泽芹
-
机构
青岛科技大学自动化与电子工程学院
-
出处
《电子测量技术》
北大核心
2021年第10期128-132,共5页
-
基金
国家海洋局重大专项项目(国海科字[2016]494号No.30)资助。
-
文摘
人脸表情识别在人机交互、情感计算等计算机视觉领域具有十分重要的应用前景。针对人脸表情识别的复杂性、多样性、遮挡性、光照等方面的挑战,提出了一种新的端到端网路,并将注意力力机制应用于表情自动识别。新的网络体系结构由特征提取模块、注意力模块、重构模块和分类模块四部分组成。通过LBP特征提取图像纹理信息,捕捉人脸的微小运动,提高网络性能。注意力机制可以使神经网络更加关注有用的特征,并结合LBP特征和注意力机制对注意力模型进行改进,提高识别精度。将新提出的方法应用于3个代表性的数据集,即JAFFE、CK+和FER2013,实验结果表明在3个数据集上人脸表情识别精度分别达到了98.95%、98.95%和79.89%,证明该方法利于提高人脸表情的识别率,具有一定的先进性。
-
关键词
人脸表情识别
卷积神经网络
特征提取
注意力机制
-
Keywords
facial expression recognition
convolutional neural network
feature extraction
attention mechanism
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名基于残差融合双流图卷积网络的手势识别方法
被引量：2
- 4
-
-
作者
程换新
成凯
程力
蒋泽芹
-
机构
青岛科技大学自动化与电子工程学院
中国科学院新疆理化技术研究所
-
出处
《电子测量技术》
北大核心
2022年第9期20-24,共5页
-
基金
国家海洋局重大专项(国海科字[2016]494号No.30)资助。
-
文摘
针对传统图卷积网络易忽略空间特征与时间特征之间关联的问题,设计了一种基于残差结构和图卷积网络相融合的双流网络模型。首先网络包括空间流和时间流两个通道,将手势骨骼数据构建成空间图和时序图作为两通道的输入,通过分离时间维度和空间维度极大地提高了训练速度。然后为了增加网络深度,避免梯度消失等问题,嵌入残差结构并对其进行改进,更加有效利用时间特征,保证了特征的多样性。最后将两通道输出的空间点集序列和时间边集序列串联转化,输入Softmax分类器进行分类,得到识别结果。将新提出的方法在CSL和DEVISIGN-L手势数据集上进行实验,结果表明在两个数据集上识别精度分别达到了96.2%和69.3%,证明该方法具有一定的先进性。
-
关键词
手势识别
残差结构
双流图卷积网络
-
Keywords
gesture recognition
residual structure
two-stream graph convolutional network
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
