基于坐标轴投影勘察的深度图像树型分割

针对具有空间连通域特征的深度图像,提出了一种基于坐标轴投影勘察的树型分割方法.通过投影勘察实现沿最优投影方向的坐标轴投影,把对深度图像的空间连通域分割转化为对投影在坐标轴上的一维点数据的区间连通域分割,最终利用树型结构实现分割.将该方法应用于实际深度图像的分割,并分别对理想和极端两种情况下的分割结果进行了讨论.结果表明...     

基于高层特征融合的图像语义分割

在深度学习下的图像语义分割中,为了探究高层特征对于户外场景语义分割性能的影响,在对高层特征进行分析的基础上,提出了融合高层特征的图像语义分割方法。在目前主流深度学习框架Caffe下搭建的分割模型,并采用斯坦福8类户外场景数据集对模型进行了训练和测试。测试结果验证了该方法的有效性和准确性。     

基于机器视觉的轮椅床可行驶区域分割研究

针对现有具备护理功能的电动轮椅床在轮椅状态下的体积较大、驾驶较为困难等问题,提出一种基于机器视觉的轮椅床避障方案,采用视觉传感器采集环境信息,应用深度残差神经网络理论进行图像分割,检测出视场中的可行驶区域和障碍物。根据轮椅床实际运行环境特点,将公开数据集中的图片重新划分标签,采用重新划分标签后的数据集对分割模型进行训练。对训练后的模型进行可行驶区域分割试验,并与传统分割方法进行对比。结果表明,基于深度残差神经网络的分割方法解决了传统图像分割方法在地面和障碍物外观接近、2种不同地面的交界处以及光照不均匀等情况下易失效的问题,平均分割精度达到90%以上。     

铸件缺陷语义分割的编码器-解码器网络

深度学习的快速发展扩展了基于视觉的缺陷检测应用。针对铸件缺陷类间差异小、类内差异大、缺陷规模小等难点，提出一种编码器-解码器架构的语义分割网络，使用在ImageNet上预训练的ResNeSt主干网络作为特征提取器，构建密集连接的多尺度特征融合模块提升有效特征利用率，增强网络特征表示能力，解码器端融合低层级特征改善缺陷边缘分割效果，再通过双线性插值进行上采样以恢复空间分辨率。网络在构建的X射线铸件缺陷分割数据集上进行训练和评估，采用混合损失函数解决数据集样本不均衡问题，提升模型性能。实验结果表明，提出的语义分割方法能够提升铸件缺陷分割精度，效果优于其他语义分割方法。     

利用卷积神经网络的自动驾驶场景语义分割

图像语义分割是现代自动驾驶系统的一个必要部分,因为对汽车周围场景的准确理解是导航和动作规划的关键。为提高自动驾驶场景的图像语义分割准确率,且考虑到当下流行的基于卷积神经网络的语义分割模型(DeepLab v3+)无法有效地利用注意力信息,导致分割边界粗糙等问题,提出一种融合底层像素信息与通道、空间信息的语义分割神经网络。在卷积神经网络中插入注意力模块,提取出图像语义级别的信息,通过学习图像的位置信息和通道信息得到更加丰富的特征;从卷积神经网络输出的各类别得分值计算出单点势能,且从初步分割图和原图得到成对势能,以便全连接条件随机场对图像的全部像素进行建模,并且优化图像的局部细节;全连接条件随机场通过迭代得到语义分割的最终结果。在CityScapes数据集上进行了测试,与DeepLab v3+相比较,改进后的模型分别提高了均交并比和均像素精度等关键指标1.07%和3.34%。它能够更加精细地分割目标,较好地解决分割边界粗糙,有效地抑制边界区域分割的过度平滑和不合理孤岛等问题。     

基于深度语义分割的多源遥感图像海面溢油监测

针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响,从而导致溢油区域监测效果较差的问题,本文引入了深度语义分割的方法,将深度卷积神经网络与全连接条件随机场相结合,形成端对端连接。以Resnet结构为基础,首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络作为输出。通过多源遥感图像对海面溢油区域进行监测,并利用可见光图像估计溢油区域面积。实验在所建立的多源遥感图像数据集上与其它先进模型进行对比,结果表明本文方法提高了溢油区域的分割精度以及精细细节程度,平均交并比为82.1%,监测效果具有明显地改善。     

基于FESS的混合模型脑图像分割方法

提出一种基于FESS的混合模型脑图像分割方法.其特点在于生成模型与判别模型得到了有效结合.生成模型通过条件随机场融合体素点的灰度信息、形状信息以及区域相邻关系,实现对脑子结构外观特征的描述.在此基础上,利用生成模型将训练样本映射到FESS特征空间;判别模型中采用LS-SVM分类器并将数据场应用于混合分割模型的训练过程中,降低了判别模型由于训练数据不平衡而引起的性能波动并提高其泛化能力.实验结果表明,与若干前沿的脑图像分割方法相比,该方法具有更好的分割质量和性能.     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于深度语义分割的遥感图像海面舰船检测研究

针对在复杂海况下,遥感图像舰船检测容易受到海杂波、薄云、海岛等影响,导致检测结果可靠性低的问题,引入了端对端的深度语义分割方法,将深度卷积神经网络与全连接条件随机场结合。以ResNet架构为基础,首先将遥感图像经过深度卷积神经网络作为输入,对图像进行粗分割,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理建立条件随机场为递归神经网络作为输出,从而实现了端对端的连接。所提方法在Google Earth和NWPU-RESISC45建立的数据集上与其他模型进行对比,实验表明,所提方法提高了目标检测精度以及捕获图片精细细节的能力,平均交并比为83.2%,相对于其他模型具有明显优势,且运行速度快,满足遥感图像海面舰船检测的需求。     

一种CT图像的肺实质分割方法

为了实现计算机辅助诊断,解决自动化CT图像处理的问题,文中提出一种肺实质分割的算法.采用求直方图峰值间极小值的方法获取最优阈值,实现图像分割;在此基础上,采用空间滤波以及连通域标记法去除干扰得到肺实质区域.结果表明该方法能实现肺实质分割,解决了肺结节检测的预处理问题.