一种改进的用于服装解析的自监督网络学习方法

针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注任何人体关节信息,直接从像素标签中学习人体更高层次的信息,利用学习到的人体关节信息更好地定位服装分割的区域,降低了姿态估计过程中的损失。实验表明,Deeplabv2-SSL网络可以有效地解析服装中人体的个别部位以及服装区域。测试过程中总体像素精度大约83.37%,平均像素精度大约52.53%,较其他语义分割模型性能更佳。     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。     

融合MultiDeepPPL的苗族服饰分割研究

针对基于深度学习的苗族服饰图像语义分割模型存在提取过程中服饰掩码拟合质量不高的问题,文章提出一种基于渐进式注意力学习的多尺度深度学习金字塔模型(Multi-scale Deep learning pyramidal network of progressive attentional learning,MultiDee...     

粘连颗粒图像的分割方法综述

粘连图像分割作为颗粒计数、分类、定级评价、识别的基础环节,其实际应用价值不言而喻.本文简要介绍现有的传统分割算法和基于深度学习的分割算法种类,根据粘连颗粒尺寸小、随机散落、数量众多、形状不规则及边缘特征模糊等特点,结合粘连分割算法在各种领域中的应用现状,重点阐述基于分水岭、凹点、U-Net语义分割的方法,介绍关键技术,...     

基于U型卷积神经网络的羊肋排图像分割

以羊肋排为研究对象,提出了一种基于U型卷积神经网络的羊肋排图像分割算法。采集羊肋排样本图像,利用图像增广技术扩充图像数据,经归一化后,建立羊肋排图像数据集;建立羊肋排图像分割模型U-Net,以卷积和池化运算提取肋排特征,融合肋排的深层特征和浅层特征,经多次反卷积操作实现融合特征的精准定位,得到肋排区域的二值图像,从而实现端到端的图像语义分割;引入精度(PA)、均像素精度(MPA)、平均交并比(MIoU)3种图像语义分割评判标准判断网络的分割性能。试验结果表明:U-Net分割肋排图像PA、MPA、MIoU分别为92.38%,88.52%,84.26%。比较现有的3种经典图像语义分割方法 SegNet、FCN8s、FCN32s,U-Net平均交并比(MIoU)较上述3种方法分别高出6.47%,15.34%,25.86%,且处理单幅肋排图像的时间比次优的SegNet缩短48ms。针对劈半羊胴体图像数据集,U-Net的MIoU为75.57%。     

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明：提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

基于注意力机制的苗族服饰图案分割

针对苗族服饰图案存在色彩差异大、样式及纹理多样性等问题,采用传统的图像分割算法进行苗族服饰图案分割,会使得一些特征空间信息丢失,导致图像分割的效率与精度较低。为此,本文提出一种基于注意力机制的苗族服饰图案分割模型,通过提取图像特征,使模型能够更好地将感兴趣的特征从局部水平关联到全局水平。同时也采用了数据增强策略,增加训练数据以提高模型泛化能力。实验结果表明,本文模型与传统语义分割网络(U-Net)和全卷积神经网络(FCN)模型相比,仅采用不到1/2的训练参数,IoU增长了14.79%和18.21%,Dice系数增长了11.03%和13.95%。因此,本文为苗族服饰图案分割算法研究提供了一种有效可行的方法。     

基于物理显微镜法的纤维含量AI检测与传统检测方式对比

文章针对传统纤维含量显微镜测定法存在的弊端,提出了AI横截面自动检测仪的原理,即通过图像采集、语义分割等方法对单根纤维横截面进行分割生成蒙版图,根据蒙版图计算每种纤维的平均横截面面积,进而分析其含量;通过选择代表性试样开展实验,结果显示,AI横截面自动测试仪测得的纤维含量与传统人工测试相比最大误差在3%以内,测试时间由人工测试的50 min缩短到仪器测试的5 min。AI检测方法结果稳定,消除了人为误差,具有明显的优越性,可用于纺织品纤维含量的检测。