基于多分辨率网络的桥梁裂缝检测方法研究

针对传统的桥梁裂缝检测算法具有抗噪能力差和难以处理复杂背景的裂缝图像,以及常规深度学习图像分割算法存在空间精确度低的问题,提出一种基于多分辨率且具有较高空间精确度的桥梁裂缝检测方法.首先使用无人机采集桥梁图像,通过图像增强处理得到桥梁裂缝数据集.接着利用并行连接多分辨率子网和重复的多尺度融合,使检测模型在整个过程中保持...     

海空复杂背景下红外弱点目标的检测算法

为第空复杂背景下红外弱点目标的检测,提出了基于小波变换模极大的检测算法,该算法通过计算小波变换模极大值求出图像中的所有奇异点,去除由复杂背景形成的模极大值链,消除云层、海浪及水天线等复杂背景,提高了单帧点目标检测能力,结果表明,余步坷检测信杂比为２的点目标。     

基于改进PSPNet的桥梁裂缝图像分割算法

针对传统桥梁裂缝检测算法检测精度低和现有的主流语义分割算法容易丢失裂缝图像细节信息、结果不连续等问题,提出了一种基于改进PSPNet的桥梁裂缝图像分割算法.首先使用无人机采集桥梁图像,通过图像增强处理得到桥梁裂缝数据集;其次通过带有扩张卷积的残差网络初步提取裂缝特征;接着将提取到的特征送入到空间位置自注意力模块(SPA...     

复杂背景的夜光遥感建筑区检测

提出了一种新的解决夜光遥感复杂背景问题的单阶段深度卷积检测网络,首先通过提取高维特征再特征选择的思想设计分类网络提取语义特征,并研究不同的通道数网络对降噪的影响;提出灰度能量的先验框匹配,将低噪声高质量的匹配框输入SSD检测网络,并使用积分图思想简化计算;使用可变形卷积以适应目标的形变,并获取更强的几何特征表达能力;通...     

复杂背景下扩展目标的分割算法研究

综合利用目标边缘、区域和纹理等多种特征，提出一种新的复杂背景下扩展目标的分割算法。在基于知识的串行边界初分割基础上，运用一种 新的分形分割方法抑制初分割图像中的自然背景团块，最后利用数学形态运算消除背景粘连。实验结果表明该方法能够有效的分割复杂背景下的扩展目标，并能较好地保留目标的形状特征。     

基于改进多分支特征共享结构网络的裂缝检测算法

针对路面裂缝检测时裂缝的位置、形态的不确定性及裂缝特征与路面背景纹理的相似性等问题,提出了一种改进的多分支特征共享结构网络的裂缝图像分割算法。为了在减少计算参数冗余的同时提高检测精度,使用轻量化特征提取网络获取高层特征,采用多分支跳跃连接的方法提高通道间的信息利用。各分支融合全局卷积网络（GCN）模块和边界细化（BR）模块,提高了对裂缝边缘的分割性能和对裂缝区域内部分类的鲁棒性,利用循环残差卷积（RRC）模块,推动了对裂缝特征的累积。最后采用中轴法提取裂缝骨架,计算裂缝的形态参数,得到裂缝长度和宽度的相对误差分别为4.73%和5.21%。设计的多组对比实验结果表明,所提改进算法能够有效地提高对路面裂缝检测的精度和效率。     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。     

智能抑制复杂空间背景下的红外弱小目标检测方法

在超远距离红外目标探测中,由于杂散光、探测器热传导及闪元盲元等复杂干扰,红外图像的背景常表现为非均匀性。同时,目标成像尺寸小,缺乏明显的形状和纹理特征,增加了检测与识别的难度。传统的特征提取方法易出现大量虚警,深度学习方法在特征提取方面具有优势,但在复杂背景干扰下训练难度较大。文中将计算机视觉领域中的背景重建问题与红外图像弱小目标检测任务相结合,提出了一种基于复杂背景智能抑制的红外弱小目标检测方法。该方法采用编码器-解码器架构设计了红外场景优化编解码背景抑制网络模型,引入多级融合机制和残差融合模块以实现多尺度特征提取和多层次特征融合,并提出感知一致性损失函数提高背景重建的鲁棒性。通过背景残差抵消策略有效实现背景抑制,最终结合全局阈值分割完成弱小目标检测任务。实验结果表明,与对比方法相比,文中方法在抑制背景方面背景标准差最高降幅达43.41%,目标信噪比最高提升至相似文献   

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

复杂背景下基于LBP纹理特征的运动目标快速检测算法

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中,快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性,并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题,提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern, LBP）纹理特征相结合的背景建模方法。首先,使用各像素直方图的众数作为参考背景,无需先验知识,节省了大量存储空间,再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模,消除了大部分动态背景和光照变化影响,实现目标的精确提取。实验表明,所提的算法在红外和可见光的多种复杂场景下,能快速提取前景目标的同时,提高了准确率和召回率。     

基于Bi-SINet的复杂背景下的目标检测

针对复杂背景下的目标检测任务,为提高检测算法的准确率,在SINet算法的基础上提出了一种改进的Bi-SINet算法。相对于SINet粗放的搜索-识别架构,Bi-SINet提出一种渐进式的检测架构,同时提出了一种基于双边注意力机制的邻接特征融合模块,进一步提高特征融合的效率。实验结果表明,所提出的Bi-SINet在COD10K测试集上相比SINet准确度提高了7%,EM指标达到了0.862,同时在其他测试集上的指标也高于SINet。Bi-SINet在提高检测精确度的同时降低了误检率,在性能上优于SINet算法。     

基于图神经网络的复杂网络关键节点检测算法

针对复杂网络关键节点检测算法准确性低及可靠性不足的问题,结合图神经网络(Graph Neural Network, GNN)模型提出了一种新的复杂网络关键节点检测算法。将复杂网络建模为图模型,通过注意力机制学习每个邻居节点的权重;利用GNN强大的图学习和推理能力,评估网络中节点与连接的关键性评分;采用强化学习(Reinforcement Learning, RL)搜索GNN的超参数,从而提高关键节点检测算法的可扩展性及可靠性。仿真实验结果表明,由该算法检测的关键节点具有较高的准确性,并且具有较快的运算速度。     

基于模式侧抑制复杂背景下的小目标检测

在复杂背景的图像序列中检测小目标一直是研究重点。提出了一种基于模式侧抑制的复杂背景下小目标检测的方法。将复杂背景下的小目标检测问题看作是在大量相似模式中寻找某个特殊模式的模式识别问题。通过建立基于模式的侧抑制网络模型，在模式空间中对模式进行侧抑制处理，达到突出特殊模式抑制相似模式的目的。同时指出，用该方法对图像进行多级处理可进一步改善处理效果。进行了该方法与去局部均值滤波、基于形态学Top-Hat算子滤波、多级滤波和基于侧抑制理论滤波四种传统方法的比较实验，并将信杂比（SCR）及信杂比增益作为评价算法性能的指标。实验结果表明，提出的方法在提高图像信杂比方面要优于其他几种方法，能有效抑制背景杂波，提高对目标的单帧检测能力。