期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
多尺度语义信息融合的目标检测 被引量:9
1
作者 陈鸿坤 罗会兰 《电子与信息学报》 EI CSCD 北大核心 2021年第7期2087-2095,共9页
针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后... 针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和空间细节信息的语义特征,同时把语义特征和基础融合特征经过特征重利用模块获得浅层增强特征;最后基于浅层增强特征进行一系列卷积获取多个不同尺度的特征,并输入各检测分支进行检测,利用非极大值抑制算法实现最终的检测结果。在PASCAL VOC2007和MS COCO2014数据集上进行测试,模型的平均精度均值分别为81.2%和33.7%,相对于经典的单极多盒检测器(SSD)算法,分别提高了2.7%和4.9%;此外,该文方法在检测小目标和密集目标场景上,检测精度和召回率都有显著提升。实验结果表明该文算法采用特征金字塔结构增强了浅层特征的语义信息,并利用特征重利用模块有效保留了浅层的细节信息用于检测,增强了模型对小目标和密集目标的检测效果。 展开更多
关键词 目标检测 特征金字塔 特征融合 通道注意力 单极多盒检测器模型
下载PDF
基于转置卷积操作改进的单阶段多边框目标检测方法 被引量:7
2
作者 郭川磊 何嘉 《计算机应用》 CSCD 北大核心 2018年第10期2833-2838,共6页
针对单阶段多边框目标检测(SSD)模型在以高交并比(Io U)评估平均检测精度(m AP)时出现的精度下降问题,提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础,使用Res Net 101作为特征提取网络。首先,利用转置卷积操... 针对单阶段多边框目标检测(SSD)模型在以高交并比(Io U)评估平均检测精度(m AP)时出现的精度下降问题,提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础,使用Res Net 101作为特征提取网络。首先,利用转置卷积操作扩大网络结构中深层特征图的尺寸,为浅层特征图引入对目标的高层抽象和上下文信息;其次,使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性;最后,将浅层特征图与表示了上下文信息的深层特征图拼接,并使用1×1卷积操作恢复通道数。特征聚合过程可以循环进行多次。实验结果表明,使用KITTI数据集,以交并比(Io U)为0. 7评估平均检测精度,与原始SSD模型相比,循环特征聚合模型的检测精度提高了5. 1个百分点;与已有的精度最高Faster R-CNN相比,检测精度提高了2个百分点。循环特征聚合模型能有效提升平均目标检测精度,生成高质量的边界框。 展开更多
关键词 目标检测 转置卷积 特征聚合 单阶段多边框目标检测模型
下载PDF
迁移学习用于牵引变电所视频多目标识别研究 被引量:5
3
作者 完颜幸幸 傅钦翠 吉鑫 《计算机工程与应用》 CSCD 北大核心 2019年第24期196-201,共6页
为实现牵引变电所视频图像的多目标识别,为牵引变电所的远程智能巡检提供技术支持。基于迁移学习的理论研究,利用SSD(Single Shot Multibox Detector)和YOLOv2(You Only Look Once v2)模型,实现牵引变电所视频图像中高压开关柜的仪表、... 为实现牵引变电所视频图像的多目标识别,为牵引变电所的远程智能巡检提供技术支持。基于迁移学习的理论研究,利用SSD(Single Shot Multibox Detector)和YOLOv2(You Only Look Once v2)模型,实现牵引变电所视频图像中高压开关柜的仪表、分合指示灯状态以及隔离开关的分合状态的自动识别。利用TensorFlow平台实现的多目标识别方法识别速度快而且鲁棒性好。 展开更多
关键词 牵引变电所 迁移学习 目标检测 YOLOv2模型 ssd模型
下载PDF
基于深度学习的肺炎图像目标检测 被引量:4
4
作者 何迪 刘立新 +3 位作者 刘玉杰 熊丰 齐美捷 张周锋 《中国生物医学工程学报》 CAS CSCD 北大核心 2022年第4期443-451,共9页
肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑... 肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。 展开更多
关键词 目标检测 肺炎图像 深度学习 更快速区域卷积神经网络(faster-RCNN)模型 单发多框探测器(ssd)模型
下载PDF
基于机器视觉的割草系统青草识别研究 被引量:3
5
作者 艾永平 唐巧兴 +1 位作者 王泽杰 莫庆林 《上海工程技术大学学报》 CAS 2020年第4期369-374,共6页
为使割草机系统实现青草识别,规划割草机运动路径并自动进行割草工作,采用单步多框检测器(SSD)目标检测算法和卷积神经网络框架(Caffe)在工作机上训练青草识别模型.通过树莓派(RPi)拍摄割草场地照片并传送到工作机,工作机计算青草在图... 为使割草机系统实现青草识别,规划割草机运动路径并自动进行割草工作,采用单步多框检测器(SSD)目标检测算法和卷积神经网络框架(Caffe)在工作机上训练青草识别模型.通过树莓派(RPi)拍摄割草场地照片并传送到工作机,工作机计算青草在图片中的坐标值并返回至树莓派,树莓派再根据青草的坐标值自动计算车桥转动角度和后轮电动机运行时间及方向,调动割草机机械部分进行割草作业.实验结果表明,较之于传统的人工机械割草机或围栏式割草机,训练的青草识别模型能正常识别青草,割草机能较好地自动规划割草路径,具有一定除草效果.研究结果实现了机器视觉和传统机械的结合,为今后智能机械的研究提供一定思路. 展开更多
关键词 青草识别 单步多框检测器(ssd)模型 机器视觉 三维建模
下载PDF
基于图像处理的交通事故检测及责任判定
6
作者 王艺博 崔华 《计算机系统应用》 2022年第12期120-126,共7页
为了在发生轻微交通事故时,快速使事故车辆驶离现场,保证道路畅通,提出了一种车辆碰撞检测及责任判定模型.首先结合SSD目标检测算法(single shot multibox detector)和MobileNet轻量级深度网络模型,对其进行改进以获取每一帧视频图像中... 为了在发生轻微交通事故时,快速使事故车辆驶离现场,保证道路畅通,提出了一种车辆碰撞检测及责任判定模型.首先结合SSD目标检测算法(single shot multibox detector)和MobileNet轻量级深度网络模型,对其进行改进以获取每一帧视频图像中运动目标的位置和大小信息,实现对车辆识别与检测.其次,利用卡尔曼滤波器对连续图像帧之间的运动目标建立对应匹配关系,预测目标的运动状态,对目标的位置及运动趋势做出判断,实现车辆轨迹跟踪.随后通过车辆目标检测框的交并比判断是否发生碰撞.最后针对直行道路中车辆的速度、方向信息结合道路安全条例及机动车事故快速方法对事故车辆进行责任判定.结果分析表明,该研究可实现直行道路场景下的追尾及变道引发的车辆碰撞检测及责任判定. 展开更多
关键词 ssd模型 MobileNet网络 目标跟踪 车辆碰撞检测 责任判定
下载PDF
基于残差单发多框检测器模型的交通标志检测与识别 被引量:9
7
作者 张淑芳 朱彤 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2019年第5期940-949,共10页
针对现有目标检测方法仅适用于大尺寸、少量特定种类交通标志的检测,且对复杂交通场景图像检测效果不佳的问题,以抗退化性能较强的ResNet101为基础网络,增加若干卷积层构建残差单发多框检测器(SSD)模型,对高分辨率的交通图像进行多尺度... 针对现有目标检测方法仅适用于大尺寸、少量特定种类交通标志的检测,且对复杂交通场景图像检测效果不佳的问题,以抗退化性能较强的ResNet101为基础网络,增加若干卷积层构建残差单发多框检测器(SSD)模型,对高分辨率的交通图像进行多尺度分块检测。为了加快检测速度,采取由粗到精的策略,省略对纯背景图像块的预测.利用中等尺度图像块的初检结果缩小目标范围;对目标范围内的其他图像块进行检测;将所有图像块结果映射回原图像,并结合非极大值抑制实现精准识别。实验结果表明,该模型在公开的交通标志数据集Tsinghua-Tencent 100K上取得了94%的总体准确率和95%的总体召回率,对多分辨率图像中不同大小和形态的交通标志都具有良好的检测能力,鲁棒性较强。 展开更多
关键词 交通标志 残差单发多框检测器(ssd)模型 多尺度分块 检测 由粗到精
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部