分享6篇关于金字塔池化的计算机专业论文

今天分享的是关于金字塔池化的6篇计算机毕业论文范文, 如果你的论文涉及到金字塔池化等主题,本文能够帮助到你

基于关联增强改进CenterNet的安全帽佩戴情况检测方法

这是一篇关于目标检测,CenterNet,注意力机制,金字塔池化的论文, 主要内容为佩戴安全帽是电力、建筑等施工过程中需严格执行的安全规范。近年来工地的数量和规模因国家对基础建设的大力投入而不断增加,高效的安全巡检方法成为一种迫切需求。相对传统耗时费力的人工巡检,基于机器视觉的方法具有自动化程度高、易扩展等特点,因此成为当下的研究热点之一。目前安全帽自动化检测手段所面临的挑战包括:安全帽目标往往较小、密集且部分被遮挡,方法的精确度和实时性难以兼顾等。针对这些问题,本文在无锚框Center Net模型的基础上,提出一种高准确性、强实时性、模型轻量化的安全帽自动化检测方法,具体体现在主干网络的设计、模型上下文和注意力的提升以及模型轻量化策略等方面。核心研究工作和创新点如下:(1)针对主干网络中卷积下采样过程中损失信息的问题,提出一种关联融合(Association Fusion,AF)模块。为充分发挥CenterNet逐像素分类的特点,设计具备AF的主干网络结构,来实现主干网络深、浅层特征的融合,弥补信息损失。具体包括去除了跨层连接中冗余的短连接结构,增加了跨层连接后卷积核的尺寸,通过减少卷积核个数调整了特征图(feature map)通道数,在提升准确率和轻量化模型之间保持了良好的平衡。(2)针对浅层网络语义信息弱以及模型上下文能力不足的问题,提出一种上下文与注意力(Context and Attention,CA)模块。通过叠加空间和通道双重注意力机制以及空间金字塔池化,CA模块能有效加强编码层对解码层的注意力引导,提升模型上下文提取能力,优化模型的整体性能,缓解在某些特殊场景下检测能力薄弱的问题。(3)针对安全帽佩戴情况检测中的实际需求,将AF主干网络结构与CA相结合,同时使用Mobile Net V2代替原始CenterNet中的ResNet-18作为编码网络,构建了一套高效且轻量化的应用系统。本方法在SHWD公共数据集上的准确率、平均推理时间、平均权重大小均优于主流对比方法。实验结果证明,本文方法兼具强实时性与高准确度,满足复杂场景中的安全帽佩戴情况检测需求。

基于深度学习的类线性图像分割方法研究

这是一篇关于图像分割,深度学习,金字塔池化,条带池化,有监督学习,注意力机制的论文, 主要内容为图像分割任务作为计算机视觉领域的基础研究方向之一,在自动驾驶、智能医疗、遥感道路分割等领域有着广泛的应用。传统的图像分割方法是通过研究人员的先验知识设定手工特征,然后将具有相同特性的区域划分为同一类。然而,基于深度学习的图像分割方法是通过神经网络对图像特征进行提取,然后将深层特征进行上采样恢复原有尺寸,最后完成像素级的分类。基于深度学习的图像分割方法相对于传统方法,它所需要的数据量更大,但抗噪声干扰能力强,可以处理更加复杂的场景。目前流行的基于深度学习的图像分割方法分为两种结构:一是基于全卷积网络的方法,二是基于编码器-解码器的方法。两种方法具有不同的结构优势,但是步骤大同小异,首先通过图像预处理、然后进行特征提取、再将提取到的特征进行上采样、最后进行像素级分类。本文对基于深度学习的图像分割方法进行总结研究,主要贡献创新包括以下方面:结合传统方法的线性滤波,提出了一个基于线性滤波的固定卷积核模块去捕捉视网膜血管的局部线性性。同时,受金字塔池化和条带池化的启发,提出了一个基于strip pooling的多核融合池化模块,去捕捉视网膜血管宽度变化和远程上下文依赖关系。我们将所提出的模块添加到U-Net结构中,构建了一个改进U-Net的图像分割模型。我们将所提出的改进U-Net的图像分割模型运用到三个主流的视网膜数据集上,实验证明了所提出的方法的有效性。结合注意力机制和有监督学习,提出了一个基于有监督学习的注意力机制。研究表明加上位置信息的通道注意力机制可以提高模型性能,但是它们聚焦的注意力区域是不确定的,难以生成可理解的注意力权重图。在本文中,我们通过在对道路图像的重标定,人为设定重点关注区域,对注意力权重图进行有监督学习,将学习到的位置信息嵌入通道注意力中,这使得它能够确定性的关注我们希望网络关注的区域。我们将所提出的有监督注意力机制与主流网络框架结合并运用到Deep Globe数据集上,实验表明所提出的方法能够较大幅度提升基线模型的分割性能。

基于深度学习的无重叠视域摄像机行人再识别研究与应用

这是一篇关于行人再识别,特征对齐,多感知尺度,金字塔池化,智能监控系统的论文, 主要内容为行人再识别作为安防领域重要的课题之一,近些年来受到了广泛的关注。随着深度学习技术在该研究方向的成功应用,该技术得到了迅速的发展。但是,在实际场景中,存在行人遮挡、姿态变化等问题,使得行人在不同摄像头的视域中出现较大的外观差异。为了缓解上述问题,本文着重研究无监督条件下的行人再识别任务,提出一种局部对齐特征算法去减少无关区域干扰。同时,提出了多尺度感知池化特征融合的方法去防止关键信息丢失。不仅如此,本文设计了一个B/S架构智能监控系统将该任务应用于实际场景。本文的核心工作内容展列如下:1.针对行人图像对中普遍存在的遮挡及不对齐问题,本文采用了一种基于特征对齐的无监督学习算法。首先,使用一种动态规划的对齐算法实现精确的局部特征对齐,从而减少行人图像的干扰区域块的影响。然后,提取到图像的全局性表征,来保留行人整体的整体信息。最后,将全局表征和局部对齐表征进行联合,这样既保留整张图像特征的完整性又强化了图像的局部表达能力,从而提升基准方法的性能。2.针对深度学习表征会缺失关键信息的问题,本文提出了一个多感知尺度池化的方法。首先对深度网络的表征进行不同尺度池化,构成一种金字塔池化的分层结构,增强感受野的感知能力。然后将原始表征图和尺度池化结果进行融合。该做法不仅可以丰富图像细节,同时能够利用多种感知区域的方式去减少关键信息缺失,使得网络提取的特征更加鲁棒和有效。3.针对行人再识别的应用实践和价值前景,本文构建一个基于B/S架构的跨视域行人再识别智能监控系统,将算法嵌入到实际的监控系统中从而解决现实场景中的行人再识别问题。

基于关联增强改进CenterNet的安全帽佩戴情况检测方法

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。