-
题名基于改进残差池化层的纹理识别
被引量：1
- 1
-
-
作者
郭锐
熊风光
谢剑斌
尹宇慧
刘磊
-
机构
中北大学大数据学院
山西省视觉信息处理及智能机器人工程研究中心
-
出处
《计算机技术与发展》
2023年第9期37-44,共8页
-
基金
国家自然科学基金(62106238)
山西省自然科学基金(201901D111150,201901D111149)。
-
文摘
纹理一直是物体图像最重要的特征之一。针对现有纹理识别模型在复杂数据集下识别准确率不高的问题,提出一种基于改进残差池化层的纹理识别算法。首先,提出多维特征融合模块,在纹理识别模型中同时利用高层特征和低层特征来提取更加有效的纹理特征;其次,对残差池化层进行改进,在原残差池化层的基础上,引入全局最大池化支路,为纹理识别模型增加全局空间结构观察,将原残差池化层与全局最大池化支路得到的特征向量进行拼接后作为纹理特征,提升纹理识别的准确率;再次,应用局部二值模式辅助识别策略,使用局部二值模式编码映射图像为纹理识别模型提供辅助信息;最后,将得到的纹理特征输入到分类层中,得到纹理识别结果。与现有的纹理识别方法B-CNN、Deep filter banks、Deep TEN、TEX-Net-LF、locality-aware coding、DRP-Net相比,该方法具有更好的纹理识别效果。
-
关键词
纹理识别
残差池化层
全局最大池化
多维特征融合模块
多尺度特征
-
Keywords
texture recognition
residual pooling layer
global maximum pooling
multi-dimensional feature fusion module
multi-scale feature
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名轻量化姿态估计时空增强图卷积模型下的矿工行为识别
- 2
-
-
作者
王建芳
段思源
潘红光
景宁波
-
机构
陕西陕煤澄合矿业有限公司
西安科技大学电气与控制工程学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第11期34-42,共9页
-
基金
国家自然科学基金项目(51804249)。
-
文摘
基于骨架序列的行为识别模型具有速度快、算力要求低、模型简单等特点,图卷积神经网络在处理骨架序列数据时具有优势,而现有基于图卷积的矿工行为识别模型在高精度和低计算复杂度之间难以兼顾。针对该问题,提出了一种基于轻量化姿态估计网络(Lite-HRNet)和多维特征增强时空图卷积网络(MEST-GCN)的矿工行为识别模型。Lite-HRNet通过目标检测器进行人体检测,利用卷积神经网络提取图像特征,并通过区域提议网络生成锚框,对每个锚框进行分类以判断是否包含目标;区域提议网络对被判定为目标的锚框进行边界框回归,输出人体边界框,并通过非极大值抑制筛选出最优检测结果;将每个检测到的人体区域裁剪出来并输入到Lite-HRNet,生成人体关键点骨架序列。MEST-GCN在时空图卷积神经网络(ST-GCN)的基础上进行改进:去除ST-GCN中的冗余层以简化模型结构,减少模型参数量;引入多维特征融合注意力模块M2FA。生成的骨架序列经MEST-GCN的BN层批量标准化处理后,由多维特征增强图卷积模块提取矿工行为特征,经全局平均池化层和Softmax层得到行为的置信度,获得矿工行为预测结果。实验结果表明:①MEST-GCN的参数量降低至1.87 Mib;②在以交叉主体和交叉视角为评价标准的公开数据集NTU60上,采用Lite-HRNet提取2D人体关键点坐标,基于Lite-HRNet和MEST-GCN的矿工行为识别模型的准确率分别达88.0%和92.6%;③在构建的矿工行为数据集上,基于Lite-HRNet和MEST-GCN的矿工行为识别模型的准确率达88.5%,视频处理速度达18.26帧/s,可以准确且快速地识别矿工的动作类别。
-
关键词
矿工行为识别
人体关键点提取
骨架序列
图卷积
轻量化姿态估计网络
特征融合
多维特征融合注意力模块
-
Keywords
miner behavior recognition
human keypoint extraction
skeleton sequence
graph convolution
lightweight pose estimation network
feature fusion
multi-dimensional feature fusion attention module
-
分类号
TD67
[矿业工程—矿山机电]
-
