基于特征传播和知识蒸馏的视频目标检测算法研究

这是一篇关于视频目标检测,局部注意,特征传播,深度可分离卷积,异步检测,知识蒸馏的论文, 主要内容为随着深度卷积神经网络的发展,基于深度学习的视频目标检测算法的检测精度和速度都取得了突破性的进展,但其仍面临着诸多挑战。比如逐帧通过大型卷积神经网络提取特征并进行特征聚合,单帧图像检测算法计算资源消耗大,不能满足实时在线的视频目标检测。本文以基于内存增强的全局-局部融合方法(MEGA)为基本的检测框架,提出一种基于特征传播和知识蒸馏的视频目标检测算法,分别从时间维度和单帧图像目标检测维度对MEGA算法进行改进。本文主要工作内容和创新性成果如下:(1)在时间维度,通过设计一种基于关键帧策略的特征传播模型对MEGA算法进行改进。MEGA算法逐帧通过大型的卷积神经网络提取特征并进行特征聚合,造成计算量的冗余。首先基于目标运动速度,采用动态分配关键帧的方法,动态地调整关键帧的选择间隔,以减少计算量并提高检测精度。然后,设计一种特征传播模型,其在不同帧的局部区域以逐渐稀疏的步幅确定空间对应关系,实现将高层特征从关键帧传播到非关键帧。在此基础上,为进一步降低最大延迟,利用异步检测模式协调关键帧的特征传播和计算。实验结果表明,经过时间维度改进的MEGA算法的检测速度和最大延迟分别为31.8fps和31ms。与原MEGA相比,检测速度获得较大提升,最大延迟明显降低。(2)在单帧图像目标检测维度,设计一种基于知识蒸馏的单帧图像目标检测算法对MEGA算法进行改进。MEGA算法中的单帧图像检测算法为基于Res Net-101的检测算法,存在参数多、网络复杂、计算量大等问题,且存在目标被重复检测或漏检的问题。首先将特征提取子网络由Res Net-101替换为Res Net-50,降低网络的计算量和参数量;然后,设计一种基于距离交并比指标(DIo U)的多尺度非极大值抑制算法,替换普通的非极大值抑制算法(NMS),降低候选框错检和漏检的可能性;此外,设计一种将基于响应和基于特征的知识蒸馏相结合的知识蒸馏方法,对模型进行蒸馏,增加模型的特征提取能力和检测精度,该方法通过将正负样本分别进行蒸馏的策略,解决正负样本不一致的问题。实验结果表明,通过对MEGA算法两个维度进行改进后,得到的基于特征传播和知识蒸馏的视频目标检测算法的检测速度和检测精度分别为52.5fps和81.5%。与MEGA方法相比,检测精度只有微弱的降低,但检测速度获得了明显的提升,实现实时在线的视频目标检测。(3)根据提出的基于特征传播和知识蒸馏的视频目标检测算法,基于Py Qt框架和Flask框架,设计并开发主要针对交通领域的车辆信息统计系统,并在UA-DETRAC数据集上对系统的性能进行了验证。

机载成像下红外车辆检测系统设计与实现

这是一篇关于城市安防,红外车辆检测,数据集,深度可分离卷积,加权双向特征融合的论文, 主要内容为现代城市安防监控系统能稳定实时地反映被监控区域的真实情况,为维持社会秩序和保护城市安全提供信息支撑。开展城市安防监控系统的相关研究,对提高城市整体防控水平和推进平安城市建设具有重要意义。目前城市智能安防监控系统主要采用固定可见光视频监控对相应区域进行监测,其监控场景固定导致系统难以全局掌握突发安全事件的情况并无法有效定向跟踪事件后续发展,同时可见光成像导致系统在夜间以及雾雪等恶劣天气情况下适用性较差。论文面向新型城市安防监控向主动判断、预警、跟踪转变的需求,围绕数据集构建、检测算法轻量化、软件设计开发展开研究,设计并实现机载成像下红外车辆检测系统。针对红外航拍车辆数据集短缺和相关构建方法不完善的问题,论文以目标成像尺寸与无人机相对航高的关系为指导采集原始数据,并使用Dark Label标注软件对其处理;参考PASCAL VOC数据集对大量数据进行组织管理;最后总结数据集的基本信息并分析目标与背景的成像特性。论文构建的全天时机载红外车辆数据集为业界对比分析不同时段的目标红外特性和实现全天时检测提供数据基础。针对RetinaNet算法在实际检测场景中算法实时性不足的问题,论文使用Mobile Net v2代替原先的特征提取网络Res Net50,有效减少模型参数量和计算量;同时使用加权双向特征金字塔结构弥补特征提取网络轻量化造成的检测精度损失;实验结果表明,基于Retina Net的轻量级红外车辆检测算法在保证检测精度的同时,相比原始算法参数量降低63.7%,推理速度提高29.3%。针对红外检测算法性能验证和智能管理红外车辆数据的需求,论文设计并开发红外车辆检测软件,通过软件集成作用实现用户管理、车辆检测、人工标记和数据存储与回溯四个功能,算法检测和数据管理的有效性在软件实际使用中得到验证。论文依据城市安防监控的真实任务场景对数据、算法和软件的需求,构建全天时机载红外车辆数据集,优化红外车辆检测算法以保证模型检测性能的同时提升推理速度,开发红外车辆检测软件以验证算法性能和智能管理数据,从而实现机载成像下红外车辆检测系统。

基于语义分割模型的物体表面缺陷检测

这是一篇关于缺陷检测,深度可分离卷积,空洞卷积,RepVG的论文, 主要内容为缺陷检测是一项重要而又具有挑战的任务,传统做法是通过人眼对缺陷部位进行检测识别,这种方式非常耗时,存在较大主观性,且极其考验检测人员的耐性。因此,自动化缺陷检测方法和技术的研究逐渐引起了更多学者的关注。但自动化缺陷检测算法存在模型参数量大、准确度不够高等问题。本文围绕上述问题开展的主要工作如下:1.针对缺陷在图像中占比低、对比度低、连续性差等特性,以及现有自动化缺陷检测模型的推理速度不够快等问题,提出了融合深度可分离卷积和空洞卷积原理的缺陷检测方法。本文将空洞卷积引入到Seg Net、UNet中,通过增加模型的感受野来提升模型的缺陷检测准确率,从实验结果发现MIo U最大提升5.38%;本文将深度可分离卷积引用到Seg Net、UNet、PSPNet中,通过减少模型的计算量和参数量来提升模型的推理速度。从实验结果发现计算量参数量下降幅度在50%以上,帧率最大提升32%左右,MIo U最大提升5.09%。2.针对缺陷分割模型的帧率跟计算量、参数量不成比例增加问题,提出了融合Rep VGG原理的缺陷检测方法。Rep VGG将模型分为多分支的训练阶段和单分支的推理阶段,具有高准确率高推理速度的优势,本文将其单/多分支结构引入到Seg Net、UNet、PSPNet中,从实验结果发现MIo U最大提升6.96%,在计算量参数量不变的情况下帧率提升10.7%左右。为了在保证一定准确率的基础上进一步提升推理速度,本文将空洞卷积、深度可分离卷积、Rep VGG原理融合后引入到Seg Net、UNet、PSPNet中,从实验结果发现MIo U最大提升2.59%,计算量、参数量下降幅度在50%以上,帧率最大提升40%左右。3.在缺陷检测算法研究基础上,本文研究用户需求和软件架构后设计开发了缺陷检测软件。该软件包含登录、模型训练、检测缺陷、历史记录查询功能,能够支持本文提出算法的具体应用,当本软件根据实际情况完善后,用户可以通过本软件提升工作效率,企业可以通过该软件创造更多社会价值。

基于深度学习的网箱养殖鱼类体表疾病自动监测研究

这是一篇关于网箱养殖,鱼病识别,深度学习,YOLO,注意力机制,MobileNet,GELU,深度可分离卷积的论文, 主要内容为水产养殖是全球粮食生产中增长最快的高蛋白资源来源,被认为是满足日益增长的粮食需求的最有效和可持续的主要方法,有助于全球经济发展和社会稳定。全球水产养殖产量达到1.145亿吨,其中鱼类(如鳍类、贝类和甲壳类)产量为8210万吨。中国是世界上最大的水产养殖生产国,2020年中国的水产养殖产量占全球总量的57.50%,其中养殖产量达到5224.20万吨。养殖鱼类的疾病被认为是影响许多水产养殖鱼种可持续生长的主要问题,因此,发现和识别病鱼的时效性和准确性对于预防鱼类疾病的爆发和及时进行治疗至关重要,从而避免鱼类大量死亡,降低渔民和相关养殖企业的经济损失。传统的鱼病监测需要有专业知识的工作人员人工实时监测,存在一些局限性。因此,使用图像识别技术结合病鱼检测的相关知识,使用计算机分析视频中的鱼体表异常来评估鱼的健康状况代替人工鱼病检测,结合深度学习方法可以有效实现水下复杂场景下的养殖病鱼检测,提高检测的准确性,减少人工鱼病检测所消耗的人力物力。本文针对网箱养殖中易发生鱼病且人工实时监测养殖鱼类健康状况成本极高且难以实现从而导致较高的经济损失的问题。本研究基于2021年和2022年澎湖号远洋养殖网箱(珠海蜘洲岛养殖渔场)和长鲸一号远洋养殖网箱(长岛县大钦岛海域)的养殖鱼群图像和视频数据,采用基于深度学习的YOLO v4模型,提出了一种自动监测网箱养殖鱼类健康状况的方法。主要的工作与结果如下:(1)设计了鱼病的图像获取系统,构建了鱼病数据集。因为基于深度学习的鱼病识别的数据集空缺,依托于专家指导和专著指导,搭建了基于网络爬虫的图像获取系统采集百度图片、bing图片和谷歌图片作为网络图像数据集,结合芦潮港(上海市浦东新区南汇新城镇)鱼市拍摄的照片、澎湖号远洋养殖网箱(珠海蜘洲岛)拍摄的照片和黄海长鲸一号远洋养殖网箱(长岛县大钦岛海域)的水下云台设备采集的视频设备拍摄视频共同组成了鱼病数据集。该数据集包括正常鱼类图像、患水霉病鱼类图像、患出血病鱼类图像、患小瓜虫病鱼类图像、患纤毛虫病鱼类图像和患本尼登虫病鱼类图像共650张,并对鱼病数据集完成标注。(2)因养殖病鱼的数据获取难度高且具有一定的特殊性,在充分考量鱼类的水下高斯模糊、光照变化和鱼类游动角度的实际情况基础上提出了鱼类数据增强标准,对养殖鱼病数据进行数据增强。在对鱼类数据在水下去雾操作增加清晰度的基础上,再对图像进行高斯模糊、旋转、亮度随机调整等图像增强操作,将图像数据集增强至6050张,实现对已标注图像的处理与增强。(3)为了实现网箱养殖鱼类健康的识别与分类,对当前常用三种目标检测与识别网络模型:SSD目标检测与识别网络模型、Fatser R-CNN目标检测与识别网络模型和YOLO v4目标检测网络,对健康鱼、病鱼和死鱼三类图像数据集进行训练,对训练结果进行分析对于网箱养殖的鱼病检测的最佳检测模型,引入了注意力机制并通过评价指标讨论了注意力机制对于病鱼检测任务的影响。(4)为了在水下云台设备上进行鱼病检测模型的轻量化部署,实现对病鱼的实时检测,提出了一种基于轻量化设计的YOLO v4网络模型。对比了不同的特征提取网络后使用基于通道注意力机制的Moblie Net v3特征提取模块替换Y OLO v4的特征提取模块,同时引入了GPT 2.0网络中表现较好的激活函数GE LU激活函数,提高了对于相似特征的识别准确性。利用深度可分离卷积替换了大块卷积块,大幅降低了网络参数量,减少了网络的运算量。实验结果表明该网络在原有模型的技术上增强了种内分类能力,在轻量化网络的硬件部署、网络学习能力、检测准确率和检测速度上均有显著的优势。本研究通过比较三种目标检测网络,并对其中最优的网络模型进行针对渔业使用场景的定向优化的方式,提出了一种用于检测鱼类体表疾病的改进的YOL O v4网络模型解决了养殖病鱼实时检测中鱼类移动速度过快、鱼病面积小特征不明显所导致的检测困难的问题。本研究的研究成果可以为养殖病鱼的实时检测提供科学的方法和技术,推动了深远海网箱智能化监控平台的发展。

机载成像下红外车辆检测系统设计与实现

这是一篇关于城市安防,红外车辆检测,数据集,深度可分离卷积,加权双向特征融合的论文, 主要内容为现代城市安防监控系统能稳定实时地反映被监控区域的真实情况,为维持社会秩序和保护城市安全提供信息支撑。开展城市安防监控系统的相关研究,对提高城市整体防控水平和推进平安城市建设具有重要意义。目前城市智能安防监控系统主要采用固定可见光视频监控对相应区域进行监测,其监控场景固定导致系统难以全局掌握突发安全事件的情况并无法有效定向跟踪事件后续发展,同时可见光成像导致系统在夜间以及雾雪等恶劣天气情况下适用性较差。论文面向新型城市安防监控向主动判断、预警、跟踪转变的需求,围绕数据集构建、检测算法轻量化、软件设计开发展开研究,设计并实现机载成像下红外车辆检测系统。针对红外航拍车辆数据集短缺和相关构建方法不完善的问题,论文以目标成像尺寸与无人机相对航高的关系为指导采集原始数据,并使用Dark Label标注软件对其处理;参考PASCAL VOC数据集对大量数据进行组织管理;最后总结数据集的基本信息并分析目标与背景的成像特性。论文构建的全天时机载红外车辆数据集为业界对比分析不同时段的目标红外特性和实现全天时检测提供数据基础。针对RetinaNet算法在实际检测场景中算法实时性不足的问题,论文使用Mobile Net v2代替原先的特征提取网络Res Net50,有效减少模型参数量和计算量;同时使用加权双向特征金字塔结构弥补特征提取网络轻量化造成的检测精度损失;实验结果表明,基于Retina Net的轻量级红外车辆检测算法在保证检测精度的同时,相比原始算法参数量降低63.7%,推理速度提高29.3%。针对红外检测算法性能验证和智能管理红外车辆数据的需求,论文设计并开发红外车辆检测软件,通过软件集成作用实现用户管理、车辆检测、人工标记和数据存储与回溯四个功能,算法检测和数据管理的有效性在软件实际使用中得到验证。论文依据城市安防监控的真实任务场景对数据、算法和软件的需求,构建全天时机载红外车辆数据集,优化红外车辆检测算法以保证模型检测性能的同时提升推理速度,开发红外车辆检测软件以验证算法性能和智能管理数据,从而实现机载成像下红外车辆检测系统。

基于语义分割模型的物体表面缺陷检测

这是一篇关于缺陷检测,深度可分离卷积,空洞卷积,RepVG的论文, 主要内容为缺陷检测是一项重要而又具有挑战的任务,传统做法是通过人眼对缺陷部位进行检测识别,这种方式非常耗时,存在较大主观性,且极其考验检测人员的耐性。因此,自动化缺陷检测方法和技术的研究逐渐引起了更多学者的关注。但自动化缺陷检测算法存在模型参数量大、准确度不够高等问题。本文围绕上述问题开展的主要工作如下:1.针对缺陷在图像中占比低、对比度低、连续性差等特性,以及现有自动化缺陷检测模型的推理速度不够快等问题,提出了融合深度可分离卷积和空洞卷积原理的缺陷检测方法。本文将空洞卷积引入到Seg Net、UNet中,通过增加模型的感受野来提升模型的缺陷检测准确率,从实验结果发现MIo U最大提升5.38%;本文将深度可分离卷积引用到Seg Net、UNet、PSPNet中,通过减少模型的计算量和参数量来提升模型的推理速度。从实验结果发现计算量参数量下降幅度在50%以上,帧率最大提升32%左右,MIo U最大提升5.09%。2.针对缺陷分割模型的帧率跟计算量、参数量不成比例增加问题,提出了融合Rep VGG原理的缺陷检测方法。Rep VGG将模型分为多分支的训练阶段和单分支的推理阶段,具有高准确率高推理速度的优势,本文将其单/多分支结构引入到Seg Net、UNet、PSPNet中,从实验结果发现MIo U最大提升6.96%,在计算量参数量不变的情况下帧率提升10.7%左右。为了在保证一定准确率的基础上进一步提升推理速度,本文将空洞卷积、深度可分离卷积、Rep VGG原理融合后引入到Seg Net、UNet、PSPNet中,从实验结果发现MIo U最大提升2.59%,计算量、参数量下降幅度在50%以上,帧率最大提升40%左右。3.在缺陷检测算法研究基础上,本文研究用户需求和软件架构后设计开发了缺陷检测软件。该软件包含登录、模型训练、检测缺陷、历史记录查询功能,能够支持本文提出算法的具体应用,当本软件根据实际情况完善后,用户可以通过本软件提升工作效率,企业可以通过该软件创造更多社会价值。

机载成像下红外车辆检测系统设计与实现

这是一篇关于城市安防,红外车辆检测,数据集,深度可分离卷积,加权双向特征融合的论文, 主要内容为现代城市安防监控系统能稳定实时地反映被监控区域的真实情况,为维持社会秩序和保护城市安全提供信息支撑。开展城市安防监控系统的相关研究,对提高城市整体防控水平和推进平安城市建设具有重要意义。目前城市智能安防监控系统主要采用固定可见光视频监控对相应区域进行监测,其监控场景固定导致系统难以全局掌握突发安全事件的情况并无法有效定向跟踪事件后续发展,同时可见光成像导致系统在夜间以及雾雪等恶劣天气情况下适用性较差。论文面向新型城市安防监控向主动判断、预警、跟踪转变的需求,围绕数据集构建、检测算法轻量化、软件设计开发展开研究,设计并实现机载成像下红外车辆检测系统。针对红外航拍车辆数据集短缺和相关构建方法不完善的问题,论文以目标成像尺寸与无人机相对航高的关系为指导采集原始数据,并使用Dark Label标注软件对其处理;参考PASCAL VOC数据集对大量数据进行组织管理;最后总结数据集的基本信息并分析目标与背景的成像特性。论文构建的全天时机载红外车辆数据集为业界对比分析不同时段的目标红外特性和实现全天时检测提供数据基础。针对RetinaNet算法在实际检测场景中算法实时性不足的问题,论文使用Mobile Net v2代替原先的特征提取网络Res Net50,有效减少模型参数量和计算量;同时使用加权双向特征金字塔结构弥补特征提取网络轻量化造成的检测精度损失;实验结果表明,基于Retina Net的轻量级红外车辆检测算法在保证检测精度的同时,相比原始算法参数量降低63.7%,推理速度提高29.3%。针对红外检测算法性能验证和智能管理红外车辆数据的需求,论文设计并开发红外车辆检测软件,通过软件集成作用实现用户管理、车辆检测、人工标记和数据存储与回溯四个功能,算法检测和数据管理的有效性在软件实际使用中得到验证。论文依据城市安防监控的真实任务场景对数据、算法和软件的需求,构建全天时机载红外车辆数据集,优化红外车辆检测算法以保证模型检测性能的同时提升推理速度,开发红外车辆检测软件以验证算法性能和智能管理数据,从而实现机载成像下红外车辆检测系统。

基于深度学习的乳腺癌病理图像细胞核分割方法研究

这是一篇关于有丝分裂细胞核分割,深度可分离卷积,大卷积核,内卷积,金字塔池化的论文, 主要内容为乳腺癌是乳腺上皮细胞在多种致癌因子的作用下,发生增殖失控的现象,并且其发病率位居女性恶性肿瘤的首位。而目前应用最为广泛的诺丁汉分级系统则通过腺管形成程度、细胞核多样性以及核分裂计数等三个方面的得分进行评估。由于有丝分裂细胞稀疏、背景复杂,给分割和识别造成极大困难,因此核分裂计数难度最大。而使用自动化方法完成核分裂计数,对于辅助医生进行诊断,减轻医生工作量而言有着积极意义。而在实际环境中,各类基于深度学习的自动化方法需要大量数据用于训练和验证,并且需要较好的硬件资源以应对庞大的计算开销。基于上述内容,本文开展了以下研究工作。首先,与医院开展合作,使用临床数据制作新数据集。其次,为了获得较高的有丝分裂细胞核分割和识别精度,提出一种基于轻量化残差和注意力门的有丝分裂细胞核分割与分类方法SC＿Mitosis。最后,考虑到实际应用的需求和小目标分割的特性,继续开展模型轻量化和感受野特征融合方向的研究,提出一种基于多支路特征金字塔的有丝分裂细胞核分割方法LKSIPP＿Net进行有丝分裂细胞核分割。本文的具体工作和创新点如下:(1)制作一个基于临床影像数据的乳腺癌病理图像有丝分裂细胞核分割与检测数据集GZMH。其原始数据由广东省人民医院赣州医院提供,经过专业医生精细标注。并使用了本文提出的SC＿Mitosis在该数据集上进行了验证。(2)在SC＿Mitosis中,使用深度可分离卷积构建残差结构以降低参数量,并提出一个在GRU内部融合通道和空间注意力的门控结构,以此构建分割网络分割候选区域。并使用Res Net34分类网络并获得最终分类结果。最后在ICPR 2012竞赛数据和GZMH上验证了所提方法的有效性。其中在ICPR 2012数据集上的F1-score达到了0.8796,而在规模更大的GZMH数据集上F1-score达到了0.5685,均优于对比的其他方法,展现了SC＿Mitosis的良好性能。(3)在LKSIPP＿Net中,提出一个使用大卷积核和内卷积的多支路的特征金字塔增强语义提取和融合能力,结合残差结构构成分割网络。使用自适应平均池化配合内卷积提升感受野,并且使用了并行的深度可分离结构在使用大卷积核提升感受野的同时降低参数量。经过实验验证,LKSIPP＿Net在ICPR 2012数据集上的F1-score达到了0.8173,优于对比的其他方法,展现出了从感受野特性出发进行研究的良好潜力。

基于深度学习的服装版型识别相关技术研究

这是一篇关于服装识别,Mask RCNN,Cascade RCNN,深度可分离卷积,SENet的论文, 主要内容为随着服装行业的迅速发展和消费者对时尚要求的不断提高,服装图像识别技术已成为当前研究热点,被广泛应用于电商以图搜物、服装智能搭配和定制等领域。同时,服装版型在服装设计中扮演着至关重要的角色,直接影响服装的剪裁、线条和形状,决定了服装的舒适度和市场竞争力。然而,传统的版型设计方法存在着误差和局限性,无法满足现代时尚产业对版型精准度和效率的要求。因此,版型识别技术逐渐成为了研究热点,并被广泛应用于服装制作、销售和市场营销等领域,具有非常广阔的应用前景。通过版型识别技术,可以帮助消费者更直观地了解服装信息,从而更准确地选择适合自己的服装。也可以帮助服装设计师更好的进行服装设计,定制出更符合消费者需求的服装,提高消费者对品牌的忠诚度。因此,版型识别技术是一项前沿的技术,其应用可以帮助服装行业更好地应对市场变化和消费者需求。本文从以下三个部分来阐述基于深度学习的服装版型识别技术的研究。(1)为了提高服装版型识别的准确度和精度,需要使用一个高质量的数据集。本文贡献了一个包含T恤(T-shirt)、Polo衫(Polo)、衬衫(shirt)、卫衣(fleece)、开衫(cardigan)、西装(suit)、裙子(dress)和风衣(windbreaker)这八个不同品类、风格、尺寸和材质的服装版型图片,以及相应标注信息的数据集。这样做有助于机器学习算法和模型更好的理解和识别不同的服装版型。使用自建的数据集,可以提高机器学习算法和模型的性能,进而提高服装版型识别的质量。(2)为了探究现有的算法对于服装版型的分类识别研究,本文从传统的机器学习领域和深度学习领域,分别选取了PCA、SVM、Le Net-5、Alex Net和VGG16这五款算法进行对比分析研究,探究不同算法对于服装版型识别的效果及优缺点。实验结果显示VGG16算法表现最好,精确度和召回率均在81%以上,F1分数为0.816,准确率为95.40%。(3)为了提升服装版型的识别效果,本文提出了改进的Mask RCNN网络,为了进一步提升识别性能,本文在基础的Mask RCNN上进行改进,首先结合Cascade RCNN的级联头,使得Mask RCNN添加了级联检测头,以进一步提高检测器的性能。其次结合深度可分离卷积,使其与Mask RCNN相结合,可以用它来替换Mask RCNN中的标准卷积层。这将减少模型的参数量和计算成本,同时提高模型的精度和速度。最后结合注意力机制SENet。将其作为Mask RCNN的一部分,用来调整网络中每个通道的权重,以更好的捕捉特征信息,提高模型的感知能力和检测精度。经过实验验证,改进后的Mask RCNN网络相比基础的Mask RCNN网络在Bbox＿AP＿0.5提升了3.6%,Segm＿AP＿0.5提升了3.9%。验证了改进的Mask RCNN算法在服装图像识别方面取得的优越性能,尤其是在分割和准确率方面都得到了提高。