基于ResECNet的小目标检测算法研究与实现
这是一篇关于小目标检测,ResECNet算法,特征金字塔网络,损失函数,原型系统的论文, 主要内容为随着深度学习技术的快速发展,目标检测领域也取得重大突破,目标检测技术被成功应用于安防监控、智能驾驶、医疗图像识别等众多领域。然而,由于小目标自身的特性(像素少、易于噪声混淆等),当前主流目标检测算法对小目标的检测精度远低于中大尺寸目标的检测精度。本文针对小目标特征难以提取的问题,对特征金字塔网络进行改进,设计一个全局上下文信息模块提取上下文信息辅助小目标的检测,并在此基础上提出Res ECNet小目标检测算法。本文主要研究工作如下:(1)面向小目标检测的跨分辨率信息交互算法研究。针对特征金字塔网络底层特征较弱、鲁棒性不强影响小目标检测的问题,设计一种特征金字塔网络的改进形式。在原本特征金字塔网络的基础上,增加一个特征拼接模块和自底向上的路径,通过充分融合不同分辨率的特征,对各层特征进一步加强。同时针对小目标像素少,提取到的特征也少,导致难以检测小目标的问题,设计一个全局上下文信息提取模块,利用全局上下文信息来辅助小目标检测。最后将全局上下文信息提取模块与改进的特征金字塔网络进行融合,使得融合后的特征既含有丰富的语义、位置信息又含有丰富的全局上下文信息。(2)基于Res ECNet的小目标检测。针对Retina Net算法存在的问题,为了更好的检测小目标,设计Res ECNet小目标检测算法。该算法在Retina Net算法的基础上进行多种改进,以深度残差网络为特征提取网络,使用分辨率更高的底层特征图来检测小目标,并利用融合全局上下文信息的再优化跨分辨率信息交互网络进行特征融合和上下文信息提取,使得最终提取的特征兼顾深层语义信息和全局上下文信息;同时设计改进的GIo U Loss作为算法的边界回归损失,以及使用K-means对锚框进行参数设置来进一步提升算法对小目标检测的性能。最后,通过实验验证Res ECNet算法的有效性。(3)小目标检测原型系统设计与实现。为了实际部署本文设计的Res ECNet算法,本文设计并实现一个基于C/S架构的小目标检测原型系统,原型系统以Res ECNet为小目标检测算法,拥有用户登录、图片检测、视频检测、数据存储、检测记录查看、模型训练和用户权限管理的功能。最后对系统进行测试,验证系统的有效性。
基于深度学习的遥感图像不定向目标检测算法的研究
这是一篇关于目标检测,特征金字塔网络,自适应特征融合,注意力机制,遥感图像的论文, 主要内容为近年来,遥感技术取得了突破性的发展,获取了大量高分辨率的遥感图像。目前,在遥感图像目标检测任务中使用深度学习技术取得了巨大进步,并在不同场景中被广泛地应用。使用基于卷积神经网络为代表的深度学习模型可以有效解放人力,将特征提取交于卷积算法完成,极大提高网络对于不同数据的鲁棒性。本文根据深度学习领域中遥感图像目标检测所面临的问题为导向,通过对现有检测算法进行归纳和总结,提出了基于anchor-free的遥感图像不定向目标检测基线网络,该网络的检测方法是基于像素级的检测,因此避免了部署anchor boxes导致计算消耗大等问题。针对遥感图像目标尺度变化大,目标方向不定等难点,结合自适空间特征融合与聚合路径特征金字塔网络的性能优势,提出了聚合路径自适应特征金字塔目标检测网络,分别以Mobile Net-V2、Res Ne Xt-50和Res Ne Xt-101做骨干网络进行测试。针对遥感图像背景复杂,目标尺度变化大,样本不足等难点,本文提出一种基于改进非局部注意力机制的骨干网络NLARes Ne Xt,并与改进上采样操作的FPN构建新的主干网络,改进的注意力机制使用分组卷积来降低网络的计算量。本文在DOTA数据集和HRSC2016数据集上进行了综合实验。通过对实验数据的分析,本文所设计的方法有较高的准确率,验证了本文所提出的网络的有效性和可行性。
高密交通场景的车辆目标检测算法研究与实现
这是一篇关于车辆检测,无锚检测,特征金字塔网络,IoU,损失函数的论文, 主要内容为高密场景的车辆检测是计算视觉领域的热点研究内容之一,对于车路协同感知的研究与发展具有重要意义。基于交通场景进行车辆目标检测时,常常容易因为场景中由于车辆分布密集或待检测目标距离采集设备过远而产生目标识别效率差、检测速度慢等情况。在深度学习算法中,计算机视觉任务的目标检测成为主流,由于传统的基于锚框的目标检测算法效率低且无法保证精度与速度的平衡,本文基于无锚检测方法,对现有深度学习算法进行优化,实现了高效高精度的密集车辆目标检测。论文主要工作如下:(1)提出了一个全卷积单阶段无锚检测方法,消除预定义的Anchor box,避免了与锚框相关的复杂计算。直接对目标车辆的中心点进行计算,得到预测目标的位置,提升了目标检测任务的效率,并大大提高了检测速度。(2)在算法框架中,本文设计了一种基于Retina Net算法的高密度交通场景下车辆目标检测算法,从预测方法以及预测结果的质量估计方面,对该算法进行优化从而得到性能提升。针对由于检测车辆过于密集而产生的重叠样本以及远距离的检测目标,提出了特征金字塔结构FPN,采用层级预测不同尺度的目标,并对该结构进行优化,对负责远距离小目标检测层增加一次预测过程,从而降低了检测区域的重叠概率提高检测精确度。在检测层对输出的预测框进行质量估计,计算交并比(Io U)提升回归精度。针对不同的检测任务分别设定损失函数,通过引入Focal loss的损失计算,与Io U loss以及二元交叉熵损失函数结合得到该算法的损失值。(3)采集西安市碑林区南二环交通拥堵场景的数据,通过视频关键帧筛选、2d图像标记制作自己的数据集,输出为COCO数据集格式用于测试本论文算法。用生成的数据集实现本文算法并与YOLOv3以及Retina Net算法进行实验对比。最后为了更好的展示本文研究成果,本文基于C/S架构将所研究算法模型进行系统集成,开发实现了密集车辆目标检测平台。从实验结果分析,与Retina Net算法对比,本论文算法在检测速度fps指标和目标检测精度方面都得到了极大的提升。检测速度从32fps增加到52fps,对车辆的检测精度由52%增加到了90%,同时提高了对高密度场景中目标的检测能力。
基于ResECNet的小目标检测算法研究与实现
这是一篇关于小目标检测,ResECNet算法,特征金字塔网络,损失函数,原型系统的论文, 主要内容为随着深度学习技术的快速发展,目标检测领域也取得重大突破,目标检测技术被成功应用于安防监控、智能驾驶、医疗图像识别等众多领域。然而,由于小目标自身的特性(像素少、易于噪声混淆等),当前主流目标检测算法对小目标的检测精度远低于中大尺寸目标的检测精度。本文针对小目标特征难以提取的问题,对特征金字塔网络进行改进,设计一个全局上下文信息模块提取上下文信息辅助小目标的检测,并在此基础上提出Res ECNet小目标检测算法。本文主要研究工作如下:(1)面向小目标检测的跨分辨率信息交互算法研究。针对特征金字塔网络底层特征较弱、鲁棒性不强影响小目标检测的问题,设计一种特征金字塔网络的改进形式。在原本特征金字塔网络的基础上,增加一个特征拼接模块和自底向上的路径,通过充分融合不同分辨率的特征,对各层特征进一步加强。同时针对小目标像素少,提取到的特征也少,导致难以检测小目标的问题,设计一个全局上下文信息提取模块,利用全局上下文信息来辅助小目标检测。最后将全局上下文信息提取模块与改进的特征金字塔网络进行融合,使得融合后的特征既含有丰富的语义、位置信息又含有丰富的全局上下文信息。(2)基于Res ECNet的小目标检测。针对Retina Net算法存在的问题,为了更好的检测小目标,设计Res ECNet小目标检测算法。该算法在Retina Net算法的基础上进行多种改进,以深度残差网络为特征提取网络,使用分辨率更高的底层特征图来检测小目标,并利用融合全局上下文信息的再优化跨分辨率信息交互网络进行特征融合和上下文信息提取,使得最终提取的特征兼顾深层语义信息和全局上下文信息;同时设计改进的GIo U Loss作为算法的边界回归损失,以及使用K-means对锚框进行参数设置来进一步提升算法对小目标检测的性能。最后,通过实验验证Res ECNet算法的有效性。(3)小目标检测原型系统设计与实现。为了实际部署本文设计的Res ECNet算法,本文设计并实现一个基于C/S架构的小目标检测原型系统,原型系统以Res ECNet为小目标检测算法,拥有用户登录、图片检测、视频检测、数据存储、检测记录查看、模型训练和用户权限管理的功能。最后对系统进行测试,验证系统的有效性。
基于ResECNet的小目标检测算法研究与实现
这是一篇关于小目标检测,ResECNet算法,特征金字塔网络,损失函数,原型系统的论文, 主要内容为随着深度学习技术的快速发展,目标检测领域也取得重大突破,目标检测技术被成功应用于安防监控、智能驾驶、医疗图像识别等众多领域。然而,由于小目标自身的特性(像素少、易于噪声混淆等),当前主流目标检测算法对小目标的检测精度远低于中大尺寸目标的检测精度。本文针对小目标特征难以提取的问题,对特征金字塔网络进行改进,设计一个全局上下文信息模块提取上下文信息辅助小目标的检测,并在此基础上提出Res ECNet小目标检测算法。本文主要研究工作如下:(1)面向小目标检测的跨分辨率信息交互算法研究。针对特征金字塔网络底层特征较弱、鲁棒性不强影响小目标检测的问题,设计一种特征金字塔网络的改进形式。在原本特征金字塔网络的基础上,增加一个特征拼接模块和自底向上的路径,通过充分融合不同分辨率的特征,对各层特征进一步加强。同时针对小目标像素少,提取到的特征也少,导致难以检测小目标的问题,设计一个全局上下文信息提取模块,利用全局上下文信息来辅助小目标检测。最后将全局上下文信息提取模块与改进的特征金字塔网络进行融合,使得融合后的特征既含有丰富的语义、位置信息又含有丰富的全局上下文信息。(2)基于Res ECNet的小目标检测。针对Retina Net算法存在的问题,为了更好的检测小目标,设计Res ECNet小目标检测算法。该算法在Retina Net算法的基础上进行多种改进,以深度残差网络为特征提取网络,使用分辨率更高的底层特征图来检测小目标,并利用融合全局上下文信息的再优化跨分辨率信息交互网络进行特征融合和上下文信息提取,使得最终提取的特征兼顾深层语义信息和全局上下文信息;同时设计改进的GIo U Loss作为算法的边界回归损失,以及使用K-means对锚框进行参数设置来进一步提升算法对小目标检测的性能。最后,通过实验验证Res ECNet算法的有效性。(3)小目标检测原型系统设计与实现。为了实际部署本文设计的Res ECNet算法,本文设计并实现一个基于C/S架构的小目标检测原型系统,原型系统以Res ECNet为小目标检测算法,拥有用户登录、图片检测、视频检测、数据存储、检测记录查看、模型训练和用户权限管理的功能。最后对系统进行测试,验证系统的有效性。
面向田间复杂环境的水稻叶片病害识别算法研究
这是一篇关于水稻叶片病害,深度学习,特征金字塔网络,多尺度投票策略,自注意力机制的论文, 主要内容为水稻是世界上广泛种植的谷类作物,是人类重要的粮食来源。然而,水稻病害会严重影响水稻的生长,减少其收成,甚至在一些地区造成饥荒。因此,自然田间条件下水稻病害的自动识别对于水稻生长的精准管控具有重要意义。目前,尽管国内外学者已经提出了许多应用于水稻病害的识别方法,但是真实场景下存在的尺度变化与复杂背景干扰等问题仍未得到有效解决,这影响了分类模型在自然领域病害识别的识别精度。针对这一问题,本文分别提出了多尺度投票策略与定向自注意力机制方法以解决尺度问题与复杂背景干扰,具体研究内容如下:(1)针对现有水稻叶片病害(Rice Leaf Disease,RLD)公共数据集采集环境的局限性,本文采集了田间条件下的RLD数据集。其中包括1046幅水稻白叶枯病图像、1053幅稻瘟病图像、1542幅水稻褐斑病图像、823幅水稻纹枯病图像和1582幅健康叶片图像。(2)针对田间条件下RLD图像尺度变化问题,提出了一种用于RLD识别的多尺度投票策略。本文将Efficient Net-b0作为基础模型,并嵌入了特征金字塔网络进行特征融合。为了进一步降低不同尺度特征层对分类结果的负面影响,提出了一种面向尺度差异的多数投票策略以整合不同尺度的决策信息,即多尺度投票策略。所提出的模块都通过消融试验证明其有效性,并与当前主流的算法进行了比较,包括SSD、FPN、PANet和Bi FPN。试验结果表明,所提出的方法在准确性和效率上优于其他方法。该模型的准确率达到90.24%,比基础模型Efficient Net-b0提高了4.48%,比SSD、FPN、PANet和Bi FPN等主流的多尺度网络至少提高了1.08%。(3)针对田间条件下存在的复杂背景干扰等问题,提出了一种基于Grad-Cam的定向自注意力机制。本文以Efficient Net-b0作为基础模型,首先使用Grad-Cam生成不同标签下的热力图。在此基础上,提出了一种定向自注意力机制,以减少复杂背景对网络模型分类精度的负面影响。实验结果表明,所提出方法的准确率达到了89.42%,与CBAM、DANet、ECANet、Sim AM等主流的注意力机制相比,达到了最高的识别精度。最后,本文将所提出的多尺度投票策略与定向自注意力进行结合,试验结果证明合并后的网络模型识别性能上有了进一步提升,其识别准确率达到了90.65%。本文的研究成果拓展了深度学习分类模型在野外复杂环境下的适应性,为田间自然条件下RLD的自动识别垫定基础,可为水稻生长的精准管控提供决策信息,具有广泛的应用前景。
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：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/54526.html
