基于改进DeepLabv3+的道路分割算法

基于深度学习的遥感影像图像分割技术使用越来越广泛,针对现有算法存在参数量较大、细节部分提取结果差等问题,提出一种基于改进DeepLabv3+的道路图像分割方法。将轻量型网络MobileNetV2引入改进后的池化金字塔模型用以提取中阶特征图,增强了不同感受野之间的相关性;并采用多尺度拼接融合方法生成高阶特征图,同时引入注意力机制来进一步加强对图像特征的提取效果。实验结果表明,所提方法相比于DeepLabv3+模型mIoU提高了5%,有效提升了遥感图像的分割精度。     

基于人脸结构信息引导的人脸图像修复网络

针对人脸图像修复的深度学习网络存在修复后的人脸图像面部语义信息不合理和面部轮廓不协调的问题，提出了一种基于人脸结构信息引导的人脸图像修复网络。首先，采用编码器-解码器网络技术构建人脸结构草图生成网络，并在结构草图生成网络的生成器中加入跳跃连接和引入带膨胀卷积的残差块以生成待修复区域的结构草图。其次，在构建人脸修复网络时，在修复网络生成器中引入注意力机制，让修复网络在修复过程中更多关注待修复区域，并以生成的人脸结构草图为引导从而实现人脸图像面部语义结构和纹理信息的生动修复。最后，在结构草图生成网络的损失函数中引入特征匹配损失进行模型训练，从而约束生成器生成与真实结构草图更相似的结果；在修复网络的损失函数中联合感知损失和风格损失进行模型训练，从而更好地重建待修复区域的人脸图像面部轮廓结构和颜色纹理，使修复后的图像更接近真实图像。对比实验结果表明，在人脸图像数据集中，本文所设计的网络模型的修复性能有较高的提升。     

基于高度有效驱动注意力与多层级特征融合的城市街景语义分割北大核心CSCD

针对DeepLabv3+网络在进行城市街景图像分割任务时,没有充分利用到网络中多层级特征信息,导致分割结果存在大目标有孔洞、边缘目标分割不够精细等不足;并且考虑到城市街景数据具有天然的空间位置特殊性,本文提出在DeepLabv3+网络的基础上引入高度有效驱动注意力机制(height-driven efficient attention model,HEAM)与多层级特征融合模块(multi-stage feature fusion model,MFFM),将HEAM嵌入特征提取网络与空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)结构中,使其对目标关注更多垂直方向上的空间位置信息;MFFM通过融合多层特征图,在网络中形成多条融合支路依次连接到网络解码端,采用逐次上采样提高解码时像素上的连续性。将改进的网络通过CamVid城市街景数据集验证测试,实验结果表明,该网络能有效改善DeepLabv3+的不足,并且合理运用了数据集的位置先验性,增强了分割效果,在CamVid测试集上平均交并比(mean intersection over union,MIoU)达到了68.2%。     

基于类特征注意力机制融合的语义分割算法

针对DeepLabv3+模型对图像目标边缘分割不准确、不同类目标分割不一致等问题，提出一种基于类特征注意力机制融合的语义分割算法。该算法在DeepLabv3+模型编码端先设计一个类特征注意力模块增强类别间的相关性，更好地提取和处理不同类别的语义信息。然后采用多级并行的空间金字塔池化结构增强空间之间的相关性，更好地提取图像不同尺度的上下文信息。最后在解码端利用通道注意力模块的特性对多层融合特征重新校准，抑制冗余信息，加强显著特征来提高网络的表征能力。在Pascal Voc2012和Cityscapes数据集上对改进模型进行了有效性和泛化性实验，平均交并比分别达到了81.34%和76.27%，使图像边缘分割更细致，类别更清晰，显著优于本文对比算法。     

面向人脸识别的口罩区域修复算法

遮挡下的人脸识别一直是现实场景中的一个难题。特别是新冠肺炎疫情爆发后,在机场、车站等需要鉴别入场人员身份信息的场所,口罩遮挡使得可供识别的面部特征大幅减少,原有的人脸识别算法准确率随之下降。对去除口罩遮挡进行了研究,提出了一个新的框架修复人脸,利用边缘生成网络还原遮挡区域的边缘,在此基础上再利用区域填充网络恢复被遮挡的人脸,同时保留身份信息。为提升模型的性能,提出空间加权对抗损失和身份一致性损失训练上述网络,并利用关键点信息,构建了两个戴口罩的人脸数据集。实验结果表明,恢复被口罩遮挡的人脸的图像使人脸识别算法 ArcFace 的准确率达到 98.39%,比直接采用ArcFace识别遮挡人脸提升了4.13%的准确率。     

基于改进DeepLabv3+网络的露天矿路网提取方法

针对无人机获取的露天矿影像道路提取过程中道路边界信息丢失和路网提取不准确问题,提出一种基于改进DeepLabv3+网络的露天矿路网提取方法.利用Retinex算法对原始图像进行降噪预处理,得到色彩和光照均衡的数据集;并针对道路区域与背景所占像素比例相差较大的特点,使用占比加权的方法解决了网络训练中正负样本严重不平衡的问题;最后在原始DeepLabv3+模型的基础上构建具有不同空洞速率的密集连接ASPP模块来优化所提取的露天矿道路网络,扩大道路特征点的感受野,提高多尺度特征的覆盖范围.实验结果表明,该语义分割方法的效果优于原DeepLabv3+算法,平均交并比达到79.27％,能够在大范围内准确地提取道路目标,可应用于露天矿区主干路网的提取.     

角度空间三元组损失微调的人脸识别

针对角度Softmax损失强约束存在的问题,提出一种用角度空间三元组损失对角度Softmax损失预训练模型进行微调的算法。算法首先对原来的卷积神经网络结构进行改进,将1×1卷积核与池化层加在不同残差块间,以进行选择更有效的特征。然后用角度空间下的三元组损失对预训练模型进行微调,以降低困难样本的强约束条件。最后在测试时,分别提取原始人脸图像特征和水平翻转的人脸图像特征,对两个特征相加作为最终的人脸特征表达,以丰富人脸特征信息,提高识别率。实验结果表明,在LFW和YTF人脸数据集分别取得了99.25%和94.52%的识别率,在大规模人脸身份识别中,本文提出的方法在仅用单模型和比较小的训练集就能有效地提高人脸识别率。     

基于改进Deeplabv3+的雾气图像分割

针对传统雾气图像分割算法耗时长、分割结果存在凹陷等问题,提出一种基于DeepLabv3+的雾气图像分割算法.改进算法将DeepLabv3+原结构编码器的Backbone替换为更轻量的Mobilenetv2网络;将解码器的特征融合结构进行重新设计,同时加入注意力通道模块、边缘细化模块,通过消融实验得到分割效果最佳的雾气图...     

基于改进Swin-Unet的遥感图像分割方法

针对遥感图像数据本身存在分辨率高、背景复杂和光照不均等特性导致边界分割不连续、目标错分漏分以及存在孔洞等问题,提出了一种基于改进Swin-Unet的遥感图像分割方法。在编码器末端引入空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,用于捕获多尺度特征,增强网络获取不同尺度的能力,充分提取上下文信息;将解码器端的Swin Transformer Block替换为残差Swin Transformer Block,不仅保留了原始信息,又能够缓解模型出现梯度弥散现象;在跳跃连接中引入残差注意力机制,可以让模型更加关注特征图中的重要特征信息,抑制无效信息,从而提高模型分割的准确率。在自建数据集上进行实验,结果表明,改进后的网络平均交并比(mean Intersection over Union, mIoU)达到了80.55%,提高了4.13个百分点,证明改进后的网络可以有效提高遥感图像分割的精度。     

基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.5...     

生成对抗网络磨玻璃样肺结节分割方法

早期肺癌在影像学的表现形式之一是肺结节，其中磨玻璃样肺结节(Ground-Glass Nodules, GGNs)被认为是恶变可能性最大的肺结节之一。在诊断性CT图像上GGNs存在边缘模糊、大小形状各异、不规则等影响分割精度的问题。针对GGNs形态复杂、分割精确度欠佳的问题，提出了一种生成对抗式网络(Generative Adversarial Network, GAN)——GAN-DeepLabv3+,将DeepLabv3+作为图像分割生成器网络，通过引入编解码器结构，将深度可分离卷积应用到空洞空间卷积池化金字塔和解码器模块上，通过对抗式训练，最终获得GGNs病灶分割模型。实验结果证明，在对GGNs患者的CT医学图像的分割中，所提方法Dice系数为0.952,交并比(Intersection over Union, IoU)为0.876,像素精确度(Pixel Accuracy, PA)为0.991,相较于原始DeepLabv3+和ACRU-Net等现有方法，对GGNs均有一定的提升。     

基于三元组损失函数的深度人脸哈希方法

大规模人脸数据集上的快速检索是人脸识别应用的关键问题。较短长度人脸哈希方法可降低人脸特征比对的计算量,有助于大规模人脸识别的应用。为此提出了一种基于三元组损失函数的深度人脸哈希方法,通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征,使得由该特征表征的同类图像在欧式空间中的距离尽可能小,不同类图像在欧式空间中的距离尽可能大;通过在深度网络后添加随机映射层,进一步将高维特征映射到低维空间,并通过阈值化将低维空间映射到汉明空间。在多个标准的数据集上的实验结果表明本文方法相比于现有其他方法的优越性。     

一种引入聚焦机制的静态图像人体分割方法

针对静态图像中人体分割不能够聚焦所要分割区域,造成分割效果不佳的问题.通过对残差网络进行改进,使之能够适应人体分割这一任务,并在改进的残差网络中引入一种聚焦机制进行静态图像人体分割.根据静态图像人体分割问题,设计了具有聚焦机制的损失函数、辅助分割损失函数以及分割损失函数.另外,为了得到数据集的辅助分割类标、分割类标以及注意力聚焦图,提出了数据预处理算法.在Pascal-Person-Part数据集和LIP数据集上进行训练和测试,并将测试结果与SegNet,FCN-8s,DeepLabV2,Attention,LG-LSTM以及Attention+ SSL方法进行比较.通过比较像素精度、平均像素精度和IoU(Intersection over Union)指标,表明所提方法能够提高静态图像中人体分割的效果,验证了所提方法的可靠性.     

基于改进DeepLabv3+网络的轻量级语义分割算法

由于深度学习中语义分割模型参数量较大且算法耗时较长,不适合部署到移动端,针对此问题,提出了一种基于改进DeepLabv3+网络的轻量级语义分割算法.首先,采用MobileNetv3代替原DeepLabv3+语义分割模型特征提取骨干网络以降低模型复杂度,加快模型运行速度;其次,将空洞空间金字塔池化模块中的标准卷积替换为深...     

基于改进UNet网络的车牌分割算法研究

针对传统图像算法在定位分割车牌时易受复杂环境因素影响,为提升分割准确率,采用深度学习UNet网络模型进行改进研究,对其增加注意力cSE模块,以增强网络对特征的提炼能力,与其他主流分割网络进行对比实验。实验结果表明,在自建车牌数据集上经过100轮训练后,该文改进方法中的各种指标系数表现最好,其中在测试集上的Dice、Miou指标分别比经典UNet网络提高了16%、15%,较FCN和CeNet等分割网络有较大幅度的提升,较主流的UNet改进网络也有不同程度的提升,证明了cSE-UNet网络能够提高车牌图像分割的准确率,是一种有效的改进网络模型。     

一种改进的Focal Loss在语义分割上的应用

传统基于深度学习的语义分割方法使用的损失函数为交叉熵,而交叉熵并不能解决训练数据中的样本非均衡性问题。语义分割任务属于像素级分类,样本的非均衡性问题在其中体现得十分突出。文章提出了一种改进的Focal Loss作为损失函数来自动解决训练样本的非均衡性。该损失函数等同于在标准交叉熵上加上一个权重,该权重能够自动增加困难样本的交叉熵损失值,同时保持简单样本的交叉熵损失值。将Focal Loss作为DeepLabv3+的损失函数,并将DeepLabv3+的Backbone替换为ResNet-18,再使用Cityscapes数据集作为训练样本,分别使用交叉熵和Focal Loss作为损失函数来对模型进行训练。实验结果表明,改进的Focal Loss损失函数相比于交叉熵获得的语义分割精度更高,且能够有效缓解训练样本的非均衡性问题。     

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas, DRIVE, ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。     

基于改进SBR算法的人脸特征点稳定检测

基于图像的特征点检测器在静态图像上取得了卓越的性能,然而这些方法应用于视频或序列图像时其精度和稳定性显著降低。配准监督(Supervision-by-Registration, SBR)算法利用光流算法(Lucas-Kanade, LK)追踪,可通过无标注视频训练针对视频的特征点检测器,已取得较好的结果,但LK算法仍存在一定局限性,导致检测的特征点序列在时空上的连贯性不强。为获得精准、稳定、连贯的人脸特征点序列检测效果,提出了平滑一致性损失函数、权重掩码函数对传统SBR网络模型进行改进。网络中添加长短期记忆网络(Long Short-Term Memory, LSTM)提高模型训练鲁棒性,在模型训练中使用平滑一致性损失函数提供稳定性约束,获得准确且稳定的人脸视频特征点检测器。在300VW、Youtube Celebrities数据集上的验证显示,SBR改进模型将人脸视频特征点检测的标准化平均误差(Normalized Mean Error, NME)从4.74降低至4.56,且视觉上人脸特征点检测的抖动显著减少。     

基于ARD-PSPNet网络下的水下鱼类图像分割算法研究

水下鱼类图像因受到光线散射和吸收、水体杂质 等因素影响,导致水下鱼类图像质量 较低,本文通过改进自动彩色均衡(automatic color equalization,ACE)算法进行水下鱼类 图像增强,有效改善图像质量,并为后续的水下图像分割打下良好的基础。针对水下鱼类图 像分割效果差、实时性低等问题,本文提出ARD-PSPNet网络模型,使用ResNet101网络模型 作为特征提取网络,利用分割性能良好的PSPNet(pyramid scene parsing network)网络模 型作为基础图像分割模型,通过引入深度可分离卷积来降低计算量,通过R-MCN网络结构, 充分利用浅层网络特征层丰富的位置信息和完整性,改进损失函数使得分割位置更加准确, 在Fish4knowledge数据集上进行实验, 结果表明:新模型与原模型相比,在平均交并比(mean intersection over union,MIOU)上提高了2.8个百分点,在平均像素准确率(mean pixel accuracy,MPA)上提高了约2个百分点。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。