排序方式: 共有27条查询结果,搜索用时 15 毫秒
1.
为了提高自动驾驶汽车环境感知的性能,增强单目相机对障碍物三维和边界信息的感知能力,提出了一种基于地面先验的3D目标检测算法。基于优化的中心网络(CenterNet)模型,以DLA(deep layer aggregation)为主干网络,增加目标3D边沿框中心点冗余信息预测。根据自动驾驶场景的地面先验信息,结合针孔相机模型,获取目标3D中心深度信息,以优化深度网络学习效果。使用KITTI 3D数据集评测算法性能,结果表明:在保证2D目标检测准确性的基础上,该算法运行帧率约20 fps,满足自动驾驶感知实时性要求;同时相比于CenterNet模型,在平均方位角得分(average orientation score)和鸟视图平均准确率(bird eye view AP)上分别有4.4和4.4%的性能提升。因而,该算法可以提高自动驾驶汽车对障碍物三维和边界信息的感知能力。 相似文献
2.
针对尺度多样化、目标密集、成像质量较差的遥感影像上飞机目标识别精度低的问题,提出结合平行层特征共享结构和注意力机制的遥感飞机目标自动检测模型AFF-CenterNet。该方法采用“编码-解码”的主干网络结构,以ResNet50进行基础特征提取;引入空洞卷积与注意力约束的平行层特征共享结构进行特征融合,有效提高了算法的特征提取能力;在UCAS-AOD和RSOD公共遥感数据集上分别进行实验,检测精度达到96.78%,相较于Faster R-CNN、SSD、YOLOv5s和原CenterNet算法分别提高了6.2、7.2、1.48和16个百分点。实验结果表明,该AFF-CenterNet算法在保持一定计算效率的条件下最大化CenterNet的小目标表征能力,有效提升了遥感影像中飞机的检测精度,对实现遥感影像飞机快速检测具有一定的参考意义。 相似文献
3.
基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。 相似文献
4.
5.
6.
7.
针对椎间盘图像灰度值较高及成像图具有不均匀性 导致的空间信息难捕捉、特征缺乏语义信息等问题,以磁共振腰椎T2矢状位的椎间盘识别为 目标,本文提出一种基于改进CenterNet模型的椎间盘检 测算法TCA_CenterNet (top coordinate attention CenterNet),首先在主干特征提取网络顶层(Top)加入坐标注意力机制(coordinat e attention,CA), 加强网络对椎间盘的关注度,增强模型对目标位置的敏感性;其次采用深浅层特征融合,增 强CenterNet 提取有效特征的能力,并通过数据增强提高模型的泛化性能。实验结果表明,模型最终的平 均精度均值 (mean average precision,mAP)达到81.15%,平均帧率为1 4.2 frame/s,与其他对比算法相比,该改进算法具有更好的准确性与鲁棒性 。 相似文献
8.
随着电力生产智能化的推进,电力图像被广泛应用。然而由于图像编辑软件的发展导致部分电力图像被恶意窜改,严重影响电力生产进程。其中以拼接窜改最为常见。基于深度学习技术,提出了一种双通道CenterNet的图像拼接窜改检测模型。原色图像通道提取窜改图像的色调、纹理等特征,隐写分析通道发掘图像窜改区域的噪声特征。同时设计了一种基于注意力机制的特征融合模块,自适应地对双通道的特征进行加权融合,以增强检测模型的特征识别能力。实验结果表明,所提模型可以达到更优的检测性能,在电力图像的窜改检测应用中具有实际意义。 相似文献
9.
针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。 相似文献
10.
针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明:E-CenterNet算法的mAP达到83.3%,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法。 相似文献