基于深度学习的水下海洋生物目标检测方法研究
这是一篇关于深度学习,目标检测,水下目标,注意力,均衡采样,特征聚合的论文, 主要内容为水下海洋生物检测与定位,对海洋资源合理开发与利用,具有非常重要的研究意义和研究价值。水下环境复杂特殊,易受环境干扰,传统目标检测方法无法满足检测需求。相对传统目标检测方法,基于深度学习目标检测方法检测精度高,但对水下目标检测效果差,漏检和误检频发,因此本文基于深度学习提出两个适用于水下目标检测方法,主要研究内容如下:提出跨尺度特征跳变融合与双重注意力的两阶段网络水下目标检测方法。通过转变常规特征提取方式并设计跨尺度特征跳变融合以提取多尺度目标特征并增强目标特征信息。由于水下干扰因素多、背景复杂,导致特征信息相似化,因此该方法通过构建双重注意力机制,对目标通道特征信息以及空间位置信息赋予更多关注,以提高目标与背景的可辨性,并对目标精准定位。为获取更多困难样本,该方法采取一种新采样方式,通过自适应均衡正负样本,提高整体样本质量,以高效训练正样本,使网络快速收敛达到最佳训练效果以提升检测器性能。在Pascal VOC、URPC2019及Wild Fish标准数据集上进行实验,m AP分别达到80.9%、85.3%和96.9%,单张图像检测时间为0.57s,其检测性能优于主流检测方法。提出基于Ghost Net与跨路径特征聚合的单阶段网络水下目标检测方法。首先重新构建特征表示层,通过减少一定池化层并增加浅层特征图小目标信息,提高小目标检测率,其次针对水下目标特点,通过改进特征金字塔结构,提出跨路径特征聚合网络,减少水下噪声干扰并增强网络分类能力。在水下场景中目标检测率低,通过构建高效注意力机制,将位置信息嵌入通道中并用Transformer对检测器重新编码,强化目标特征和位置信息,提高网络回归能力和检测率。为使网络更轻量,采用轻量级Ghost Net代替残差单元(Resunit)使网络参数量更少。该研究方法在Pascal VOC、URPC2019以及Wild Fish标准数据集上m AP分别达到82.3%、89.1%和97.3%,本方法检测帧率为81.5FPS,单张图像检测时间为12.3ms,优于先进检测方法,相比跨尺度特征跳变融合与双重注意力的水下目标检测方法,m AP分别提升了1.4%、3.8%和0.4%。
基于点云图像分类的梭子蟹性别识别方法研究
这是一篇关于梭子蟹识别,神经网络,注意力机制,特征提取,特征聚合的论文, 主要内容为舟山海域的三疣梭子蟹是中国沿海重要的经济蟹类。但是由于雄蟹和雌蟹的营养成分不同,因此在市场上销售之前需要将梭子蟹的性别进行分级。传统的人眼识别和手工分级效率非常低下,为此,本文立足于目前的智能渔业现状,研究出基于点云图像分类的梭子蟹性别识别方法,为现代渔业分级装备的环境感知提供理论基础。本文的主要工作如下:(1)构建出一个用于梭子蟹性别识别的数据集(PGCD):在公开数据库中,并没有用于梭子蟹性别分类的数据集,所以需要构建相关的数据集。本文首先从水产品加工公司采集到一些原始数据集;其次使用等比例调整大小并填充的方法对原始数据集进行降低像素预处理;然后将数据集随机分成原始训练集和原始测试集;最后为了解决少量样本可能给网络带来的过度拟合问题,或者样本不均衡导致模型预测时对多数类的侧重问题,本文使用五种数据增强方式对原始数据集进行数据扩充,从而建立了PGCD,为后续的实验提供数据库。(2)提出一种多组卷积神经网络的梭子蟹性别识别算法:该算法引入Res Net对图像块提取特征,减少特征提取过程的信息丢失,使得特征提取更有力;然后利用注意力机制代替传统的池化层,从而更专注地找出输入数据的有用信息;最后进行了一系列的参数调整,使得所提的MGCNN拥有最优分类性能。实验结果表明,所提方法在PGCD数据集上的具有良好的分类性能。本章方法虽然只是对梭子蟹的图像块分类进行初步地尝试,但却很好地诠释了多组卷积神经网络的有效性,为后续梭子蟹点云图像的高精度分类研究提供了重要的理论支持。(3)提出一种基于多视图学习聚合网络的梭子蟹性别识别算法:该算法引入Res2Net对多旋转视角的2D视图进行特征提取,进一步增加了可接受域的范围,使得视图的特征提取能力更加强大;同时使用注意力池化代替了传统的最大池化,更专注的找到输入数据中与当前输出相关的有用信息,有效的解决了特征表示带来的特征信息损失,以及每个视图在降维过程中丢失细节信息的问题。实验结果表明,该网络可以实现更优的性能。其优越性验证了多视图学习聚合网络的有效性。
基于Anchor-free的轻量级金具检测模型研究
这是一篇关于金具检测,轻量化,CenterNet,特征聚合,边缘端的论文, 主要内容为基于无人机航拍图像的输电线路金具实时检测,对于提前预判其故障并保障电网安全具有重要意义。但由于金具尺寸较小,密集遮挡严重,导致模型可提取的特征少,而增强网络特征提取的能力,又会额外增加计算成本和检测耗时,因此如何在提升检测精度的同时减小模型体积成为边缘端部署的前提工作。针对上述问题,本文主要完成以下几方面工作:首先,总结常用金具检测模型,选择精度较高且速度较快的Anchor-free无锚网络作为研究方向。针对金具目标检测的任务特性,为了降低模型的计算复杂度和加快检测速度,本文以Center Net算法为基础模型,结合金具数据集的数据特征,改进Mobile Net V3作为特征提取网络,设计并优化轻量化金具检测模型M-Center Net。实验结果表明,改进后的M-Center Net模型大小为18.5MB,减小了4倍以上。实验证明Mobile Net V3相比其他骨干网络在精度、效率和模型大小上更具优势,更便于嵌入式设备的部署。其次,本文针对小尺度和密集遮挡的金具缺检误检问题,为进一步提升检测精度,设计了高分辨率特征聚合方法和轻量级多尺度感受野增强模块,提出了一种高精度高效率的金具检测模型HRM-Center Net。所设计模型极大地增强了特征提取能力,有效减少图像在下采样过程中损失的空间语义信息。HRM-Center Net在金具数据集上精度达到80.3%,较M-Center Net精度提升5%,尤其在小尺度和密集遮挡金具上效果提升明显。与其它主流模型对比,本文提出的模型实现速度和精度的平衡,具有较好的可靠性和鲁棒性。最后,设计基于分段式稀疏化训练的模型剪枝方法,经压缩后的HRMCenter Net参数量降为原来的46%,FPS达到44。此后,采用Xavier NX工控机设备,以剪枝后轻量级模型作为部署对象,开发了VUE可视化界面,并设计端到端的边缘端输电线路金具检测系统。实验验证本文模型能在嵌入式系统中流畅运行,在较小尺寸的金具图像上FPS可达到50以上,实现了边缘端的实时检测。
基于深度学习的水下海洋生物目标检测方法研究
这是一篇关于深度学习,目标检测,水下目标,注意力,均衡采样,特征聚合的论文, 主要内容为水下海洋生物检测与定位,对海洋资源合理开发与利用,具有非常重要的研究意义和研究价值。水下环境复杂特殊,易受环境干扰,传统目标检测方法无法满足检测需求。相对传统目标检测方法,基于深度学习目标检测方法检测精度高,但对水下目标检测效果差,漏检和误检频发,因此本文基于深度学习提出两个适用于水下目标检测方法,主要研究内容如下:提出跨尺度特征跳变融合与双重注意力的两阶段网络水下目标检测方法。通过转变常规特征提取方式并设计跨尺度特征跳变融合以提取多尺度目标特征并增强目标特征信息。由于水下干扰因素多、背景复杂,导致特征信息相似化,因此该方法通过构建双重注意力机制,对目标通道特征信息以及空间位置信息赋予更多关注,以提高目标与背景的可辨性,并对目标精准定位。为获取更多困难样本,该方法采取一种新采样方式,通过自适应均衡正负样本,提高整体样本质量,以高效训练正样本,使网络快速收敛达到最佳训练效果以提升检测器性能。在Pascal VOC、URPC2019及Wild Fish标准数据集上进行实验,m AP分别达到80.9%、85.3%和96.9%,单张图像检测时间为0.57s,其检测性能优于主流检测方法。提出基于Ghost Net与跨路径特征聚合的单阶段网络水下目标检测方法。首先重新构建特征表示层,通过减少一定池化层并增加浅层特征图小目标信息,提高小目标检测率,其次针对水下目标特点,通过改进特征金字塔结构,提出跨路径特征聚合网络,减少水下噪声干扰并增强网络分类能力。在水下场景中目标检测率低,通过构建高效注意力机制,将位置信息嵌入通道中并用Transformer对检测器重新编码,强化目标特征和位置信息,提高网络回归能力和检测率。为使网络更轻量,采用轻量级Ghost Net代替残差单元(Resunit)使网络参数量更少。该研究方法在Pascal VOC、URPC2019以及Wild Fish标准数据集上m AP分别达到82.3%、89.1%和97.3%,本方法检测帧率为81.5FPS,单张图像检测时间为12.3ms,优于先进检测方法,相比跨尺度特征跳变融合与双重注意力的水下目标检测方法,m AP分别提升了1.4%、3.8%和0.4%。
基于点云图像分类的梭子蟹性别识别方法研究
这是一篇关于梭子蟹识别,神经网络,注意力机制,特征提取,特征聚合的论文, 主要内容为舟山海域的三疣梭子蟹是中国沿海重要的经济蟹类。但是由于雄蟹和雌蟹的营养成分不同,因此在市场上销售之前需要将梭子蟹的性别进行分级。传统的人眼识别和手工分级效率非常低下,为此,本文立足于目前的智能渔业现状,研究出基于点云图像分类的梭子蟹性别识别方法,为现代渔业分级装备的环境感知提供理论基础。本文的主要工作如下:(1)构建出一个用于梭子蟹性别识别的数据集(PGCD):在公开数据库中,并没有用于梭子蟹性别分类的数据集,所以需要构建相关的数据集。本文首先从水产品加工公司采集到一些原始数据集;其次使用等比例调整大小并填充的方法对原始数据集进行降低像素预处理;然后将数据集随机分成原始训练集和原始测试集;最后为了解决少量样本可能给网络带来的过度拟合问题,或者样本不均衡导致模型预测时对多数类的侧重问题,本文使用五种数据增强方式对原始数据集进行数据扩充,从而建立了PGCD,为后续的实验提供数据库。(2)提出一种多组卷积神经网络的梭子蟹性别识别算法:该算法引入Res Net对图像块提取特征,减少特征提取过程的信息丢失,使得特征提取更有力;然后利用注意力机制代替传统的池化层,从而更专注地找出输入数据的有用信息;最后进行了一系列的参数调整,使得所提的MGCNN拥有最优分类性能。实验结果表明,所提方法在PGCD数据集上的具有良好的分类性能。本章方法虽然只是对梭子蟹的图像块分类进行初步地尝试,但却很好地诠释了多组卷积神经网络的有效性,为后续梭子蟹点云图像的高精度分类研究提供了重要的理论支持。(3)提出一种基于多视图学习聚合网络的梭子蟹性别识别算法:该算法引入Res2Net对多旋转视角的2D视图进行特征提取,进一步增加了可接受域的范围,使得视图的特征提取能力更加强大;同时使用注意力池化代替了传统的最大池化,更专注的找到输入数据中与当前输出相关的有用信息,有效的解决了特征表示带来的特征信息损失,以及每个视图在降维过程中丢失细节信息的问题。实验结果表明,该网络可以实现更优的性能。其优越性验证了多视图学习聚合网络的有效性。
基于点云图像分类的梭子蟹性别识别方法研究
这是一篇关于梭子蟹识别,神经网络,注意力机制,特征提取,特征聚合的论文, 主要内容为舟山海域的三疣梭子蟹是中国沿海重要的经济蟹类。但是由于雄蟹和雌蟹的营养成分不同,因此在市场上销售之前需要将梭子蟹的性别进行分级。传统的人眼识别和手工分级效率非常低下,为此,本文立足于目前的智能渔业现状,研究出基于点云图像分类的梭子蟹性别识别方法,为现代渔业分级装备的环境感知提供理论基础。本文的主要工作如下:(1)构建出一个用于梭子蟹性别识别的数据集(PGCD):在公开数据库中,并没有用于梭子蟹性别分类的数据集,所以需要构建相关的数据集。本文首先从水产品加工公司采集到一些原始数据集;其次使用等比例调整大小并填充的方法对原始数据集进行降低像素预处理;然后将数据集随机分成原始训练集和原始测试集;最后为了解决少量样本可能给网络带来的过度拟合问题,或者样本不均衡导致模型预测时对多数类的侧重问题,本文使用五种数据增强方式对原始数据集进行数据扩充,从而建立了PGCD,为后续的实验提供数据库。(2)提出一种多组卷积神经网络的梭子蟹性别识别算法:该算法引入Res Net对图像块提取特征,减少特征提取过程的信息丢失,使得特征提取更有力;然后利用注意力机制代替传统的池化层,从而更专注地找出输入数据的有用信息;最后进行了一系列的参数调整,使得所提的MGCNN拥有最优分类性能。实验结果表明,所提方法在PGCD数据集上的具有良好的分类性能。本章方法虽然只是对梭子蟹的图像块分类进行初步地尝试,但却很好地诠释了多组卷积神经网络的有效性,为后续梭子蟹点云图像的高精度分类研究提供了重要的理论支持。(3)提出一种基于多视图学习聚合网络的梭子蟹性别识别算法:该算法引入Res2Net对多旋转视角的2D视图进行特征提取,进一步增加了可接受域的范围,使得视图的特征提取能力更加强大;同时使用注意力池化代替了传统的最大池化,更专注的找到输入数据中与当前输出相关的有用信息,有效的解决了特征表示带来的特征信息损失,以及每个视图在降维过程中丢失细节信息的问题。实验结果表明,该网络可以实现更优的性能。其优越性验证了多视图学习聚合网络的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/52592.html
