基于改进Mask-RCNN的遥感影像建筑物提取

由于遥感影像中建筑物种类繁多且与周围环境信息混淆,传统方法难以实现建筑物的准确高效提取.本文提出了一种基于改进Mask-RCNN的建筑物自动提取方法,利用PyTorch深度学习框架搭建改进Mask-RCNN网络模型架构,在网络的设计中添加了路径聚合网络和特征增强功能,通过监督和迁移学习的方式对Inria航空影像标签数据集进行多线程迭代训练与模型优化学习,实现了建筑物的自动精确分割和提取.基于不同开源数据集,分别与SVM、FCN、U-net和Mask-RCNN等建筑物提取算法进行对比,实验表明,本文方法可以高效准确、高效地提取建筑物,对于同一个数据集,提取结果的mAP、mRecall、mPrecision和F1分数这4个评价指标均优于对比算法.     

基于Mask R-CNN的肝脏CT影像自动分割算法研究

精准医疗正日益成为诊断、分析、治疗和评估不 可或缺的一部分,尤其是对于肝部病 变的患者,精确的分析肝部影像,可以使肝病患者得到精确的诊断,并缩短治疗时间。本文 提出了一种基于Mask R-CNN算法的CT图像肝脏区域自动分割方法,对肝脏区域检测起到了 重 要的自动识别作用;对于肝脏海量图像样本计算,本文算法框架采用PyTorch,并用Cuda模 块调用GPU指令集,进行有效并行计算。通过测试图像的重叠度和ROC精度的结果显示,此模 型预测精度达到 92%,可以达到 肝脏区域自动识别功能,并提高肝部 病变检测率,为临床医学提供了有效的辅助分析。     

基于ai深度学习的机器人碰撞预估计控制器设计

机器人运动过程中与外部障碍物之间容易发生碰撞,当碰撞作用力过大时会造成机器零件损坏的问题,为解决这一问题,设计基于ai深度学习的机器人碰撞预估计控制器。建立人机交互电路与串口通信电路,将伺服电机设备、运动控制器、PC感应装置分别接入既定作用区域内,完成预估计控制器的整体应用结构设计。以PyTorch深度学习框架为基础,定义激活函数,再根据预估计参数的实际取值范围,实现对目标机器人对象的精准检测。按照力矩控制条件表达式,确定碰撞行为的表现强度,完成对机器人运动路径的规划,联合相关应用设备,实现基于ai深度学习的机器人碰撞预估计控制器设计。实验结果表明,ai深度学习算法作用下,机器人与障碍物碰撞部位的接触面积不会超过0.25m2,由碰撞行为导致的外部作用力相对较小,不会造成严重的机器零件损坏问题。