基于深度学习的疲劳驾驶检测算法研究与设计
这是一篇关于疲劳检测,RetinaNet,自注意力机制,轻量化的论文, 主要内容为随着经济的逐步发展及人们消费需求的日益增长,汽车作为消费品也逐渐成为不可替代的通行工具。然而家庭汽车持有量的高速增长,也导致了交通事故、交通拥堵等问题的攀升。据统计,疲劳驾驶及由此导致的不当驾驶行为是造成高速公路、城市公路交通事故的重要原因之一。智能化设备及技术在监测、分析和预防驾驶员疲劳驾驶行为方面具有极大潜力。目前疲劳驾驶检测存在实时性不够、灵敏度和可靠性差等问题。本文基于深度学习方法研究并设计了驾驶员疲劳检测系统,采用单阶段的Retina Net算法作为基准模型,通过融入自注意力机制和轻量化及损失函数的改进,算法的精确度和计算效率得到提高,为实时监测驾驶员的疲劳状态提供了有效帮助。本文的研究内容和主要贡献如下:(1)针对传统单阶段算法检测精度较低的问题,本文提出了基于Retina Net模型的疲劳驾驶状态检测改进算法。所提算法舍弃了常用的Res Net主干网络,设计了融入自注意力机制的混合神经网络,通过对全局信息的有效利用,建立了长程依赖关系。其次,根据应用领域及对数据集的分析,舍弃了部分预测大目标的高层输出特征图,并采用较小的锚框尺寸获取面部人眼、嘴部状态信息,减少模型运算量。实验表明,相比于原Retina Net模型,本文的改进检测算法在疲劳驾驶检测数据集上的精确度提高了约2.6%,召回率提高了约3.3%左右。(2)针对传统注意力模型中线性层参数量较大,检测实时性差的问题,本文基于所提的Retina Net改进模型,进行了轻量化设计,优化了损失函数。首先,在主干网络的设计中引入深度可分离卷积和倒残差结构,对改进的注意力模型进行轻量化设计。其次,结合目标框的几何信息,对边界框坐标的损失函数进行改进优化。实验表明,改进的轻量化模型,不仅具备较高的精确度,还将DW深度可分离卷积层模型的参数量减少至原来的1/9,提高了模型的计算效率。在引入改进的损失函数后,改进模型的收敛速度及边界框坐标预测的准确性也得到了验证。基于上述研究,本文设计了一套疲劳驾驶检测系统。该系统对单位时间内人眼状态、嘴部状态的变换进行了监测,并根据疲劳判定指标对驾驶人员的疲劳状态进行定性分析。本文包括图40幅,表6个,参考文献82篇。
基于RetinaNet的小目标检测方法研究
这是一篇关于小目标检测,RetinaNet,特征金字塔,切片辅助,级联稀疏查询的论文, 主要内容为小目标检测作为目标检测中的研究热点,在遥感检测、产品瑕疵检测、医学影像检测等领域有着广泛的应用。近年来,国内外已经有许多关于小目标检测的研究,但小目标仍存在特征提取能力弱,预测定位精度要求高,上下文语义信息信噪比低和浅层特征计算高度冗余等问题,主流的目标检测算法在小目标上的检测效果不佳。本文针对上述问题,以单阶段目标检测模型Retina Net为基础,在特征提取融合、回归预测、数据增强和检测头四方面进行改进,提高方法对小目标的检测性能。具体内容如下:(1)针对小目标特征提取能力弱,特征融合语义易丢失以及预测定位精度要求高等问题,提出一种基于注意力机制的双向特征融合小目标检测方法—BD-Retina Net。首先,在Retina Net骨干网络的残差模块中引入SA-Net注意力机制模块,提高骨干网络对小目标语义信息的获取能力。其次,提出一种自调节权重的多尺度双向融合特征金字塔结构DB-FPN,加大特征融合过程中小目标特征的权重占比。最后,优化回归预测损失函数,平衡小目标预测框正负样本数量,提高预测框定位精度。(2)针对小目标细节特征清晰度低,上下文语义信息信噪比低以及浅层特征计算高度冗余等问题,提出一种基于切片辅助和级联稀疏查询的小目标检测方法—SAQRetina Net。首先,引入图像分割中的切片思想,使用切片辅助微调提高小目标在图片中的区域占比,使用切片辅助推理增强小目标细节特征表现;其次,设计性能更优秀的骨干网络AS-Res Net,采用可切换空洞卷积结构和多尺度卷积结构,减少背景噪声对小目标上下文信息的污染;最后,设计基于级联稀疏查询的检测头,使用深层特征中小目标的粗略位置信息指导浅层特征生成稀疏特征图,减少浅层特征处理过程中对图片背景区域的冗余计算。最后,本文使用三种公开数据集验证以上两种方法的可行性和有效性,经对比实验结果显示,所提出的两种检测方法均优于主流检测方法,可以有效提高方法的小目标检测精度。
基于深度学习的肺炎影像分类算法研究
这是一篇关于新冠肺炎,肺炎检测,分类,注意力机制,RetinaNet,Faster RCNN的论文, 主要内容为近年以来,新冠肺炎疫情频频爆发,确诊人员剧增,需要一种能够快速检测分类新冠肺炎胸片的人工智能辅助诊断工具,用以向医生提出快速的、置信的诊疗建议。本文通过对目标检测以及现有的肺炎检测分类方法进行深度总结,分析相关的算法模型和理论知识,发现现有方法对于肺炎检测分类存在部分问题,如使用单层特征图对于小型肺炎病灶的检测不充分,部分单阶段检测器对于病灶的检测分类精度较低等问题。针对存在的各种问题,通过改进深度学习目标检测模型,使其更适合于新冠肺炎影像的检测分类工作,主要从以下几个方面进行研究:(1)在Faster RCNN的基础上进行改进,对backbone、neck、head进行改进。以Faster RCNN基线模型为基础,进行了消融实验,确定了效果最好的改进方法。通过将Res Net50作为backbone,同时使用注意力机制,在模型neck部分使用特征金字塔网络与Res Net50各层特征充分连接,通过提取多尺度特征和逐层连接的方式进一步提升特征提取能力。在网络head部分,使用更为精确的ROI Align,以规避特征丢失造成的误差。实验表明,改进的Faster RCNN可以很好的将肺炎病灶检测分类,并且对小型病灶区域的检测效果也比较好,能够很好的完成新冠肺炎影像的检测分类工作。(2)在Retina Net的基础上进行改进,通过对模型的backbone、neck进行改进。以Retina Net基线模型为基础,进行了消融实验,确定了效果最好的改进方法。在backbone部分使用注意力机制、可变形卷积方法,同时在模型的neck部分对Retina Net的特征金字塔网络进行调整,使用带有底层大尺度特征图的完整的FPN模块,以进一步提升特征提取能力。实验表明,改进的Retina Net能够很好的检测肺炎影像的病灶,在保持速度的基础上,也保证了检测分类的精度,能够很好的完成对新冠肺炎影像的检测分类工作。综上所述,本文对新冠肺炎影像的病灶区域进行检测,并对患病与否进行分类。改进了两阶段的Faster RCNN目标检测网络和一阶段的Retina Net目标检测网络。通过实验表明,改进后的模型对于肺炎图像的检测分类性能、精度、m AP都有所提升,效果更好。
基于RetinaNet的小目标检测方法研究
这是一篇关于小目标检测,RetinaNet,特征金字塔,切片辅助,级联稀疏查询的论文, 主要内容为小目标检测作为目标检测中的研究热点,在遥感检测、产品瑕疵检测、医学影像检测等领域有着广泛的应用。近年来,国内外已经有许多关于小目标检测的研究,但小目标仍存在特征提取能力弱,预测定位精度要求高,上下文语义信息信噪比低和浅层特征计算高度冗余等问题,主流的目标检测算法在小目标上的检测效果不佳。本文针对上述问题,以单阶段目标检测模型Retina Net为基础,在特征提取融合、回归预测、数据增强和检测头四方面进行改进,提高方法对小目标的检测性能。具体内容如下:(1)针对小目标特征提取能力弱,特征融合语义易丢失以及预测定位精度要求高等问题,提出一种基于注意力机制的双向特征融合小目标检测方法—BD-Retina Net。首先,在Retina Net骨干网络的残差模块中引入SA-Net注意力机制模块,提高骨干网络对小目标语义信息的获取能力。其次,提出一种自调节权重的多尺度双向融合特征金字塔结构DB-FPN,加大特征融合过程中小目标特征的权重占比。最后,优化回归预测损失函数,平衡小目标预测框正负样本数量,提高预测框定位精度。(2)针对小目标细节特征清晰度低,上下文语义信息信噪比低以及浅层特征计算高度冗余等问题,提出一种基于切片辅助和级联稀疏查询的小目标检测方法—SAQRetina Net。首先,引入图像分割中的切片思想,使用切片辅助微调提高小目标在图片中的区域占比,使用切片辅助推理增强小目标细节特征表现;其次,设计性能更优秀的骨干网络AS-Res Net,采用可切换空洞卷积结构和多尺度卷积结构,减少背景噪声对小目标上下文信息的污染;最后,设计基于级联稀疏查询的检测头,使用深层特征中小目标的粗略位置信息指导浅层特征生成稀疏特征图,减少浅层特征处理过程中对图片背景区域的冗余计算。最后,本文使用三种公开数据集验证以上两种方法的可行性和有效性,经对比实验结果显示,所提出的两种检测方法均优于主流检测方法,可以有效提高方法的小目标检测精度。
基于深度学习的肺炎影像分类算法研究
这是一篇关于新冠肺炎,肺炎检测,分类,注意力机制,RetinaNet,Faster RCNN的论文, 主要内容为近年以来,新冠肺炎疫情频频爆发,确诊人员剧增,需要一种能够快速检测分类新冠肺炎胸片的人工智能辅助诊断工具,用以向医生提出快速的、置信的诊疗建议。本文通过对目标检测以及现有的肺炎检测分类方法进行深度总结,分析相关的算法模型和理论知识,发现现有方法对于肺炎检测分类存在部分问题,如使用单层特征图对于小型肺炎病灶的检测不充分,部分单阶段检测器对于病灶的检测分类精度较低等问题。针对存在的各种问题,通过改进深度学习目标检测模型,使其更适合于新冠肺炎影像的检测分类工作,主要从以下几个方面进行研究:(1)在Faster RCNN的基础上进行改进,对backbone、neck、head进行改进。以Faster RCNN基线模型为基础,进行了消融实验,确定了效果最好的改进方法。通过将Res Net50作为backbone,同时使用注意力机制,在模型neck部分使用特征金字塔网络与Res Net50各层特征充分连接,通过提取多尺度特征和逐层连接的方式进一步提升特征提取能力。在网络head部分,使用更为精确的ROI Align,以规避特征丢失造成的误差。实验表明,改进的Faster RCNN可以很好的将肺炎病灶检测分类,并且对小型病灶区域的检测效果也比较好,能够很好的完成新冠肺炎影像的检测分类工作。(2)在Retina Net的基础上进行改进,通过对模型的backbone、neck进行改进。以Retina Net基线模型为基础,进行了消融实验,确定了效果最好的改进方法。在backbone部分使用注意力机制、可变形卷积方法,同时在模型的neck部分对Retina Net的特征金字塔网络进行调整,使用带有底层大尺度特征图的完整的FPN模块,以进一步提升特征提取能力。实验表明,改进的Retina Net能够很好的检测肺炎影像的病灶,在保持速度的基础上,也保证了检测分类的精度,能够很好的完成对新冠肺炎影像的检测分类工作。综上所述,本文对新冠肺炎影像的病灶区域进行检测,并对患病与否进行分类。改进了两阶段的Faster RCNN目标检测网络和一阶段的Retina Net目标检测网络。通过实验表明,改进后的模型对于肺炎图像的检测分类性能、精度、m AP都有所提升,效果更好。
基于RetinaNet的小目标检测方法研究
这是一篇关于小目标检测,RetinaNet,特征金字塔,切片辅助,级联稀疏查询的论文, 主要内容为小目标检测作为目标检测中的研究热点,在遥感检测、产品瑕疵检测、医学影像检测等领域有着广泛的应用。近年来,国内外已经有许多关于小目标检测的研究,但小目标仍存在特征提取能力弱,预测定位精度要求高,上下文语义信息信噪比低和浅层特征计算高度冗余等问题,主流的目标检测算法在小目标上的检测效果不佳。本文针对上述问题,以单阶段目标检测模型Retina Net为基础,在特征提取融合、回归预测、数据增强和检测头四方面进行改进,提高方法对小目标的检测性能。具体内容如下:(1)针对小目标特征提取能力弱,特征融合语义易丢失以及预测定位精度要求高等问题,提出一种基于注意力机制的双向特征融合小目标检测方法—BD-Retina Net。首先,在Retina Net骨干网络的残差模块中引入SA-Net注意力机制模块,提高骨干网络对小目标语义信息的获取能力。其次,提出一种自调节权重的多尺度双向融合特征金字塔结构DB-FPN,加大特征融合过程中小目标特征的权重占比。最后,优化回归预测损失函数,平衡小目标预测框正负样本数量,提高预测框定位精度。(2)针对小目标细节特征清晰度低,上下文语义信息信噪比低以及浅层特征计算高度冗余等问题,提出一种基于切片辅助和级联稀疏查询的小目标检测方法—SAQRetina Net。首先,引入图像分割中的切片思想,使用切片辅助微调提高小目标在图片中的区域占比,使用切片辅助推理增强小目标细节特征表现;其次,设计性能更优秀的骨干网络AS-Res Net,采用可切换空洞卷积结构和多尺度卷积结构,减少背景噪声对小目标上下文信息的污染;最后,设计基于级联稀疏查询的检测头,使用深层特征中小目标的粗略位置信息指导浅层特征生成稀疏特征图,减少浅层特征处理过程中对图片背景区域的冗余计算。最后,本文使用三种公开数据集验证以上两种方法的可行性和有效性,经对比实验结果显示,所提出的两种检测方法均优于主流检测方法,可以有效提高方法的小目标检测精度。
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：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54422.html
