基于改进的DeepLabV3+的轻量级焊点语义分割算法

针对反窃电任务中,PCB电路板元器件细小且排列紧密的特点,在原有的DeepLabV3+语义分割网络上做出了一系列改进,使其能更好地对焊点进行分割。(1)改进主干网,使用更轻量级的ShuffleNetV2代替原来的Xception;(2)改进ASPP模块,调整感受野,提高分割精度。此外,权衡了Block输出通道数的选取。最后,进行了一系列对比实验。实验结果表明该算法能够精准地对焊点进行分割,相比于原DeepLabV3+,该算法mIoU提高了1.24%,mPA提高了1.30%,参数量减少了82.5%,在CPU和GPU上推理时间分别减少81.8%、36.6%。     

基于卷积神经网络的多尺度图像语义分割

针对现有的图像语义分割算法存在的因细节信息丢失导致分割效果不佳的问题,论文提出一种基于DeepLabV3+的改进算法。论文的深度学习网络分为编码器和解码器模块,在编码器模块使用改进的ResNet＿101和空洞空间金字塔池化结构提取多尺度特征,在解码器模块结合多个输出,并且融合图像低层信息,解决目标细节丢失问题。为验证论文算法的有效性,在PASCAL VOC 2012数据集上进行实验,结果表明,改进后的算法在物体细节处理方面得到了良好效果,性能方面有所提升。     

基于语义分割和空间上下文信息的防震锤识别

针对目前输电线路中防震锤部件识别精确率低,缺陷无法诊断,未充分利用其空间上下文信息的问题,提出结合DeepLabV3+语义分割网络与防震锤的空间上下文关系对其进行识别与缺陷诊断;利用图像分块和数据集预处理提高DeepLabV3+网络分割精度,将防震锤与其周围部件分割出来后,建立其空间上下文关系缩小防震锤的识别范围,提高其识别精确率;实验结果表明,图像分块与预处理能够将DeepLabV3+网络的分割精度提升到93.4%以上,DeepLabV3+网络可以有效的识别正常防震锤与缺陷防震锤,识别召回率可以达到87%以上,建立防震锤与周围部件的空间上下文关系能够提高其识别精确率到90%以上。     

改进DeepLabV3+的高效语义分割

针对目前高精度的语义分割模型普遍存在计算复杂度高、占用内存大,难以在硬件存储和计算力有限的嵌入式平台部署的问题,从网络的参数量、计算量和性能3个方面综合考虑,提出一种基于改进DeepLabV3+的高效语义分割模型.该模型以MobileNetV2为骨干网络,在空洞空间金字塔池化(AS-PP)模块中并联混合带状池化(MSP...     

基于特征融合和注意力机制的图像语义分割

针对目前高精度语义分割模型需要大量计算资源,难以在硬件存储和计算力有限的嵌入式平台上部署,提出了一种基于特征融合和注意力机制的图像语义分割模型。首先,对基于DeepLabV3+的模型进行优化,采用通道剪枝对MobileNetV2骨干网络轻量化;然后,在轻量化后的模型中引入拆分三重注意力模块(STA)来提高特征图内部维度相关性;最后,在解码部分增加细粒度上采样模块完善边缘细节信息。在PASCAL VOC 2012和Cityscapes数据集上的实验中,本文模型的参数量仅为4.15×10⁶,浮点计算量为10.23 GFLOPs,平均交并比分别为70.98%和72.26%,表明该模型在计算资源、内存占用和准确性之间达到了较好的均衡。     

多尺度融合增强的图像语义分割算法

针对现有的图像语义分割算法存在小尺度目标丢失和分割不连续的问题,提出多尺度融合增强的图像语义分割算法,该算法在DeeplabV3+网络模型的基础上,通过构建多尺度特征提取和融合增强网络提高了对小目标特征的描述能力,使网络在分割大目标的同时也能获得小目标的特征信息,从而解决了语义分割时小尺度目标丢失和分割不连续的问题。在Cityscapes数据集上实验的结果表明,改进后的算法明显提升了小目标分割精度,解决了分割不连续的问题。最后在公开数据集PASCAL VOC 2012上进一步验证了改进算法的泛化性。     

基于语义分割的室外场景识别技术研究

针对于场景识别问题,提出一种基于开源的室外场景数据集以及自定义采集的数据集在deepLabV3+深度学习模型上进行实验,并运用一种改进的K-近邻算法对DeepLabV3+深度学习模型进行优化.与现有的测试数据集的方法不同,省去了对数据集进行标签的工作,减少了大量的前期准备工作,提高了模型的计算效率以及分类模型的准确率和...     

基于语义分割与迁移学习的手势识别

针对复杂场景下深度相机环境要求高,可穿戴设备不自然,基于深度学习模型数据集样本少导致识别能力、鲁棒性欠佳的问题,提出了一种基于语义分割的深度学习模型进行手势分割结合迁移学习的神经网络识别的手势识别方法。通过对采集到的图像数据集首进行不同角度旋转,翻转等操作进行数据集样本增强,训练分割模型进行手势区域的分割,通过迁移学习卷积神经网络更好的提取手势特征向量,通过Softmax函数进行手势分类识别。通过4个人在不同背景下做的10个手势,实验结果表明: 针对复杂背景环境下能够正确的识别手势。     

基于DeepLabv3+的轻量级电力线语义分割方法

针对电力巡检中传统视觉电力线识别精度不高,现有基于深度学习的电力线分割速度慢的问题,提出一种基于DeepLabv3+的轻量级电力线语义分割方法。首先使用Mobilenetv2替换原始主干网络Xception,并对ASPP模块进行先降维后升维的操作,在不降低模型感受野和分割精度的情况了减少了模型的参数量。使用Focal Loss和Dice Loss组合的损失函数加强了模型对电力线的分割效果,最后采用多尺度特征融合和注意力机制进一步减少了分割结果中的图像噪点。改进的DeepLabv3+相较于原网络分割速度提升了108.65%,mIoU和mPA分别提升了1.58%和2.09%。     

基于DeepLabV3+的农作物病害识别算法

针对自然背景下农作物病害识别效果欠佳的问题,提出一种改进的DeepLabV3+算法来提升在自然背景下农作物病害的识别准确率。论文所做的贡献主要是在DeepLabV3+模型的编码器阶段输出特征图之前加入通道注意力机制,在解码器阶段的输入特征图之前加入空间注意力机制,之后按照卷积神经网络的拼接方法将二者进行拼接,以实现高级特征和低级特征的有效融合。实验结果显示,改进后的算法对实验数据的识别准确率和召回率均有一定成程度的提升,具有较高的实际应用价值。     

基于DeepLab V3模型的图像语义分割速度优化研究

为了解决移动端视觉感知模块的内存资源和硬件条件不适应卷积神经网络的快速应用等问题。以经典的DeepLab V3模型为基础,在保证分割精度的前提下,以优化卷积神经网络模型的运行速度为目标,提出一种新的轻量化网络结构。所设计的网络结构将原有非线性激活函数替换成新的Swish激活函数进行精度补偿,采用改进后的轻量化MobileNet V2结构替代DeepLab V3原有的特征提取器。实验结果表明,改进的DeepLab V3网络模型和目前精度最高的DeepLab V3+算法相比,其在维持一定精度的前提下,参数量和计算复杂度大大减小,运行速度明显提升,模型内存占用率下降了近96%,综合性能更强,更适合对分割性能要求较高的快速分割网络。     

改进DeepLabV3+的农作物病害分割方法

针对于传统农作物病害识别存在的效率低、难度大等问题,提出了一种改进DeepLabV3+网络的农作物病害分割方法。主干特征提取网络使用轻量级的MobileNetV3,在空洞空间金字塔池化（ASPP）中使用深度可分卷积替代普通卷积,减少模型计算量;引入SE通道注意力和ECA有效通道注意力,挖掘有效的通道信息来提高分割精度。以某地区的苹果叶片病害图像作为研究对象。实验结果表明,改进的DeepLabV3+算法平均交并比可达到82.7%,而且模型参数量只有4.98MB,具有较好的性能。     

多尺度特征自适应融合的图像语义分割算法

为解决Deeplab v3+网络在解码过程中仅融合一个尺度编码特征,导致部分细节信息丢失,从而造成最终分割结果较为粗糙等问题,提出多尺度特征自适应融合的图像语义分割算法.该算法在Deeplab v3+的解码过程中使用自适应空间特征融合结构,给不同尺度的编码特征分配自适应的融合权重,通过融合编码过程中的多尺度特征进行特征...     

基于加权损失函数的多尺度对抗网络图像语义分割算法

针对现有的语义分割算法存在分割结果空间不一致的问题,提出一种基于加权损失函数的多尺度对抗网络语义分割算法。在DeepLab v3基本框架的基础上,引入Pix2pix网络作为生成对抗网络模型,实现多尺度对抗网络语义分割。同时,为增加模型的泛化能力与训练精度,提出将传统的多分类交叉熵损失函数与生成器输出的内容损失函数和鉴别器输出的对抗损失函数相结合,构建加权损失函数。大量定性定量实验结果表明,该算法能够识别并分割细小的物体,其语义分割性能超过现有的深度网络,在保证语义分割空间一致性的同时提高了分割效率。     

基于YOLOv5和FCN-DenseNet水下图像多目标语义分割算法

带视觉系统的水下机器人作业离不开对水下目标准确的分割,但水下环境复杂,场景感知精度和识别精度不高等问题会严重影响目标分割算法的性能.针对此问题本文提出了一种综合YOLOv5和FCN-DenseNet的多目标分割算法.本算法以FCN-DenseNet算法为主要分割框架, YOLOv5算法为目标检测框架.采用YOLOv5算法检测出每个种类目标所在位置;然后输入针对不同类别的FCN-DenseNet语义分割网络,实现多分支单目标语义分割,最后融合分割结果实现多目标语义分割.此外,本文在Kaggle竞赛平台上的海底图片数据集上将所提算法与PSPNet算法和FCN-DenseNet算法两种经典的语义分割算法进行了实验对比.结果表明本文所提的多目标图像语义分割算法与PSPNet算法相比,在MIoU和IoU指标上分别提高了14.9%和11.6%;与FCN-DenseNet算法在MIoU和IoU指标上分别提高了8%和7.7%,更适合于水下图像分割.     

基于DeepLabV3+的遥感影像道路中心线提取北大核心CSCD

针对目前已有基于遥感影像道路中心线提取算法易受道路旁树木遮挡、建筑物及其阴影覆盖和道路上车辆等因素影响,造成提取出来的道路中心线存在断裂、不完整现象,提出了一种基于深度学习语义分割的道路掩膜,引用细化算法提取道路中心线矢量数据,对矢量道路中心线进行优化的道路中心线提取方法。首先,通过对深度学习语义分割提取出来的道路掩膜进行形态学膨胀处理,减少道路掩膜出现部分断裂、空洞、不完整现象;然后,利用细化算法,对膨胀处理后的道路掩膜提取道路中心线并进行矢量化;最后,结合出现断裂处的道路中心线间几何、空间等约束关系,进行优化处理。实验结果表明:该方法相对于其他道路中心线提取方法,具有较高的精确度、完整度,在不考虑前期深度学习样本制作、模型训练所使用时间的情况下,提取效率也优于其他方法;生成了标准格式的矢量道路中心线数据,可直接用于实际生产。     

基于语义重定位的语义分割并行网络

语义分割任务是对图像进行像素级别的分类预测,其难点在于对像素级别的准确预测和物体的边缘划分.现有方法大多采用基于编解码结构的网络模型,通过下采样快速扩充网络的感受野,但连续的下采样对特征图的空间信息造成了不可逆转的损失,为此,提出一种基于语义重定位的并行网络.设计了一条全局空间路径,在保持高分辨率的情况下提取丰富的空间...