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。     

一种结合域自适应的图像语义分割算法

语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用.现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用.为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神经网络.但真实图像与合成图像在分布域上存在的差异会降低模型性能,因此这里使用一种对抗学习方法来实现域的自适应,以解决上述问题.又因为语义分割的结构化输出描述了源域与目标域的空间相似性,所以这里选择在语义分割的输出空间上实现域自适应方法.在此基础上,这里又于不同级别的空间构建多级域自适应网络以提升模型性能.     

采用RGB-D的标准件语义分割方法

图像的语义分割在工业自动化分拣、自动化装配等领域中具有重要的应用,在工程应用中有很多形状相同、尺寸不同的工件,同一类别的不同尺寸的工件在图像上仅通过彩色图像难以区分其在尺寸上差别。为了解决这一问题,提出了一种结合深度图像生成尺度特征图的方法,通过尺度特征图中目标中的点与目标重心的距离作为衡量不同尺寸目标的尺度,区分不同尺寸目标的类别,并基于MASK-RCNN设计了尺度分类网络结构。选取形状相同、尺寸不同工件中较具有代表性的标准件制作数据集进行测验。实验结果表明该方法具有较好的准确性,对于标准件数据集的语义标签分类准确率达96.3%。     

基于深度学习的铸件CT图像分割算法

针对现有方法分割弱边缘铸件CT图像难度大、精度低、鲁棒性差的问题,提出一种融合残差模块与混合注意力机制的U型网络分割算法(AttRes-U-Nets)。该算法以U-Net网络为基础,首先构建深度残差网络ResNets作为算法的编码网络,解决传统U-Net网络特征提取能力不足的问题;然后,引入改进后的混合注意力机制,突出分割目标区域与通道的特征响应,提高网络灵敏度;最后,将Focal loss与Dice loss结合为一种新损失函数FD loss缓解样本不平衡带来的负面影响。使用120阀体数据集对算法性能进行验证,实验结果表明,本文算法对铸件分割的像素准确率(PA)和交互比(IoU)分别达到98.72%和97.40%,优于传统U-Net算法与其他主流语义分割算法,为弱边缘分割提供了新思路。     

基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

基于语义分割的纸质包装产品表面缺陷检测

针对工业生产中纸质包装产品表面缺陷检测主要依赖人工,效率低下且检测精度无法保证等实际问题,采用一种基于深度学习中语义分割任务的表面缺陷检测方法。以包装纸盒表面缺陷图像数据为例,根据分割任务需求,从结构上改进Unet算法,并基于OpenMMLab开源计算机视觉算法体系中mmsegmentation语义分割工具箱模块,配置DeepLabV3+、Unet、改进Unet三种图像分割算法环境,分别训练迭代相同次数,对比分析分割检测结果以及对验证集图像的预测效果,可以证实改进Unet算法分割性能得到提升,能更好地检测出纸质包装产品表面的深度划痕缺陷;而DeepLabV3+算法性能相对最优,能更好地检测出纸质包装产品表面的破损缺陷,这对于实现纸质包装产品表面缺陷的自动检测具有一定意义。     

一种双分支结构的图像语义分割算法

图像语义分割需要精细的细节信息和丰富的语义信息,然而在特征提取阶段,连续下采样操作会导致图像中物体的空间细节信息丢失。为解决该问题,提出一种双分支结构语义分割算法,在特征提取阶段既能有效获取丰富的语义信息又能减少物体细节信息的丢失。该算法的一个分支使用浅层网络保留高分辨率细节信息有助于物体的边缘分割,另一个分支使用深层网络进行下采样获取语义信息有助于物体的类别识别,再将两种信息有效融合可以生成精确的像素预测。通过Cityscapes数据集和CamVid数据集上的实验验证,与现有语义分割算法相比,所提算法在较少的参数条件下,获得了较好的分割效果。     

基于深度学习的微流体液滴特征检测方法

微流体液滴可以作为一个进行生化反应的微容器,在生物、化学、医学等领域有着广泛的应用前景.近年来,深度学习越来越多地被用于微流体测量,如利用微流体液滴图像测量流体的速度、浓度.通过分析T型微通道基本流型,发现已经形成的液滴及其生成过程挤压-滴状区具有不同的特征.通过一个基于深度学习的多语义分割网络,可以得到不同的分散相区...     

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。     

一种基于YOLO的多尺度融合图像分割模型

图像分割是指将图像分成若干具有相似性质区域的过程,是许多图像处理任务的预处理步骤.针对现有的分割模型结构在大目标上表现比小目标更好,需要在细粒度特征上有针对性的强化,需要在结构上进一步进行创新尝试,高效利用特征图表达.在研究了国内外总体的图像分割模型之后,研究YOLO框架用于检测和识别目标原理,并利用特征图的可迁移性质...     

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。     

基于多路径网络的权值调整图像语义分割算法

为提高图像语义分割准确程度,针对场景解析中类别边缘分辨清晰度,提出了一种基于多路径网络的权值调整图像语义分割算法。通过引入多路径网络和权值调整并对图像场景中的物体类别具有的特征进行分析,提高图像的语义分割的准确程度;通过采用ADE20K数据集进行训练,提高边缘信息的分割效果,使模型具有更好的泛化能力。此算法加快了网络收敛速度。     

基于深度学习的光场加密图像恢复技术

光场技术可以将图像加密从二维提升到三维,加强加密的安全性。采用重聚焦算法实现图像解密时会引入图像间的干扰。以深度学习技术为框架,分析图像干扰的规律性,构造模拟光场数据集,创建了一个7层的全卷积神经网络,以模拟光场数据集作为输入,原图作为标签,训练一个全卷积神经网络,将真实光场解密图像输入得到结果。实验结果表明,利用全卷积神经网络可以有效改善光场解密图像的干扰问题,改善解密后的图像质量。     

基于最小Tsallis交叉熵的阈值图像分割方法

利用Tsallis熵的非广延性(nonextensivity),本文提出了一种最小Tsallis交叉熵阈值分割方法.该方法通过引入一个参数q.在阈值的选择过程中不仅考虑了目标和背景之间的信息昔差异,而且考虑了目标和背景之间的相互关系,克服了传统最小交叉熵忽略目标和背景之间的相互关系所导致的阈值选择不恰当的缺点.实验结果表明,通过选择合适的参数q,所提出方法的分割效果明显优于传统的最小交叉熵阈值法.     

基于云理论的生长区域图像分割方法

针对种子点的选取和不确定信息的处理问题。提出了一种基于云理论的区域生长图像分割方法。首先利用图像的全局信息获取种子点,具体是把云变换生成的正态云模型的交叉点作为生长区域的种子点,以极大判定法则作为区域生长过程中的生长准则,然后以逆向云算法实现分割区域由定量的像素集合到定性的云概念的转换过程。以云综合算法将相邻的区域进行合并,最终实现基于区域生长的不确定性图像分割。实验表明,该方法较其他方法能更好的的处理图像中的不确定性信息。且获得了较好的实验效果。     

基于机器学习识别与标记分水岭分割的盲道图像定位

视觉导盲仪是一种旨在解决盲人出行困难的导盲设备,为了实现视觉导盲仪诱导盲人找到盲道并沿盲道行走,提出了一种基于机器学习识别与标记分水岭分割的盲道图像定位算法,通过离线训练与在线的识别、分割来定位盲道区域。首先对盲道图像进行视角变换的预处理,根据盲道的地面方程将变化的倾斜视角转换为固定的俯视视角,消除射影变换带来的失真;然后利用局部二进制模式描述子提取鸟瞰图的纹理特征,以自适应增强学习算法离线训练盲道识别分类器;进而利用分类器对鸟瞰图像进行在线识别,粗略确定盲道区域;最后将识别结果进行形态学处理后作为标记,利用标记分水岭算法得到精确分割的盲道区域并定位盲道中心线。在研制的视觉导盲仪上进行验证,结果表明盲道定位准确率达到了95.44%,速度平均每秒8帧,具有高准确率的同时达到实时性要求,为盲道的准确三维定位提供了必要条件。     

基于标签预留Softmax算法的机器视觉检测鉴别语义分割迁移学习技术

面向机器视觉检测鉴别的语义分割卷积神经网络(Convolutional Neural Network,CNN)模型能识别、测量被测对象的零部件、尺寸等特征,针对机器视觉检测鉴别增加识别零部件或关键部位的需求,以及进一步迁移学习会损失CNN模型部分权值的问题,提出一种基于标签预留Softmax算法的语义分割迁移学习技术....