多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

基于SegNet的非结构道路可行驶区域语义分割

为了增强自动驾驶车辆对非结构化道路中可行驶区域的场景理解能力,基于SegNet深度学习网络结构,提出了一种针对非结构道路的可行驶区域语义分割方法。在传统的卷积神经网络基础上,构建编码-解码深度卷积神经网络,用于自动习得图片中非结构化道路的特征,通过在数据集上进行训练和学习,得到图像语义分割模型,可直接用该模型预测非结构道路中的可行驶区域,实现自动驾驶车辆在非结构道路中行驶时的环境感知。实验结果表明,研究方法分割效果和精确度提升明显,Dice相似度和Jaccard相似系数均可达80%以上。     

基于深度学习的眼角膜图像自动化分析研究

为使本科生了解生物医学影像处理技术,掌握深度学习方法,结合吉林大学大学生创新创业训练计划,设计了"基于深度学习的眼角膜图像自动化分析研究"实验项目.在研发治疗角膜新生血管(CNV:Corneal Neovascularization)等疾病的药物过程中,人们需要观察并获取小鼠眼角膜血管在药物影响下的生长情况及数据.为此设计了基于深度学习的眼角膜图像自动化分析程序,以合作医院提供的经凝胶处理的小鼠眼角膜图像为项目研究对象,通过Matlab工具以及神经网络等深度学习算法完成对眼角膜特征的提取和分割.采用SegNet语义分割网络和基于SVM(Support Vector Machine)的图像分割两种方法实现小鼠眼角膜图像的自动提取,分析了两种方法下眼角膜提取的精度与可靠性.结果 表明,使用SegNet语义分割网络得到的结果精度较高,其准确率可以达到97.75％.     

基于RGB-D图像和深度学习的场景语义分割网络

近年来,深度卷积神经网络应用于图像语义分割领域并取得了巨大成功。本文提出了一个基于RGB-D(彩色-深度) 图像的场景语义分割网络。该网络通过融合多级RGB网络特征图和深度图网络特征图,有效提高了卷积神经网络语义分割的准确率。同时,本文利用带孔的卷积核设计了具有捷径恒等连接的空间金字塔结构来提取高层次特征的多尺度信息。在SUN RGB-D数据集上的测试结果显示,与其它state-of-the-art的语义分割网络结构相比,本文所提出的场景语义分割网络性能突出。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

自动驾驶汽车连通专用道网络设计问题研究

【目的】现有自动驾驶汽车专用道设计模型不能保证设立的专用道彼此相互连通，将导致自动驾驶汽车频繁驶入驶出专用道。这不仅增加自动驾驶汽车的走行时间，也会增加与有人驾驶车辆的相互干扰，降低整个交通系统的性能。基于此建立了一个自动驾驶汽车连通专用道网络设计模型，用于设计连通的自动驾驶汽车专用道网络，保证无人驾驶汽车只使用专用道即可完成出行。【方法】提出的自动驾驶汽车连通专用道网络设计模型是一个离散双层规划模型，上层问题以系统总出行时间最小为目标，决策在哪些路径上设置自动驾驶汽车专用道；下层问题描述自动驾驶汽车连通专用道条件下有人驾驶汽车与自动驾驶汽车的均衡配流问题。由于所提模型的特点，基于模拟退火算法设计了求解算法，并通过数值试验验证了算法的有效性。【结果】通过数值分析发现即使在自动驾驶汽车的市场占有率较低时，所提连通专用道方案仍然可以有效减少系统总出行时间。【结论】当自动驾驶汽车在市场占有绝对份额后，应设立有人驾驶汽车的连通专用道，允许自动驾驶汽车自由使用剩余车道。这样既能保证有人驾驶汽车的路权，也能充分发挥自动驾驶汽车提高道路通行能力及减少系统总出行时间的潜力。     

多特征融合的深度强化学习色彩增强方法

提出一种结合深度特征与美学特征的图像增强方法.首先,结合多种图像特征重构智能体评估网络,该网络通过拼接图像语义特征、图像色彩特征及历史动作信息输出当前策略.其次,感知奖励模型通过预训练分类模型激活层网络提取深层特征,使用余弦距离获得图像间的深度感知距离;利用美学模型获得图像间的概率距离.最后,结合两方面的距离表示并将其用于奖励模型构造中.在MIT-Adobe FiveK数据集上的实验结果表明,本色彩增强方法在结构相似度和平均均方误差上优于其他基线算法,模型场景适用性强.生成图像在保留更多的细节信息的同时,可以有效增强图像色彩.     

基于HOG的物体分类方法

研究了利用梯度方向直方图(HOG)特征实现物体分类的方法,并且将该特征结合深度图像分割和支持向量机(SVM)分类器,实现了一个物体分类系统.该系统基于新型传感器Kinect,可以提供实时的彩色图和高精度的深度图.利用其深度图做图像分割并且还原物体的三维信息,提出了依据物体距离自适应放缩分割出的物体区域窗口尺寸的方法,解...     

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.     

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域，以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构，已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题，限制了深度学习模型的分割性能。基于此，该文提出了一种融合多尺度特征和反向注意力机制的深度网络，并用于肝脏肿瘤的自动分割。具体地，基于U-Net模型的框架，分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块，使得网络能根据分割目标的大小自适应地选择不同尺度的特征，并引导网络关注分割目标的边缘特征，进而提高网络的边缘分割能力。此外，设计了一种新的混合损失，以解决医学图像分割中的类别不平衡问题。最后，在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明，所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。     

基于一维卷积的生产线冷态重轨表面缺陷快速检测

采用直观、高效的基于机器视觉的检测方式对生产线冷态重轨表面缺陷进行自动化检测.以彩色双目线阵相机作为采集传感器获取深度信息和RGB信息.深度信息用于缺陷快速检测，RGB信息及深度信息用于缺陷分割.然后，提出一个基于一维卷积网络的深度网络用于缺陷快速检测.该网络主要包括基于一维卷积网络的特征提取器，由全连接层和Dropout层组成的分类器，以及加入尺寸先验的滤波器.为了验证所提出的网络性能，本文搭建了数据采集平台并对重轨样件进行了数据采集.实验结果表明，本文的快速检测网络在采集的数据上缺陷级检测率为100%，误检率为35%，优于对比网络.     

基于彩色-深度图像和深度学习的场景语义分割网络

近年来,深度卷积神经网络应用于图像语义分割领域并取得了巨大成功。提出了一个基于RGB-D(彩色-深度)图像的场景语义分割网络;该网络通过融合多级RGB网络特征图和深度图网络特征图,有效提高了卷积神经网络语义分割的准确率。同时,利用带孔的卷积核设计了具有捷径恒等连接的空间金字塔结构来提取高层次特征的多尺度信息。在SUN RGB-D数据集上的测试结果显示,与其他state-of-the-art的语义分割网络结构相比,所提出的场景语义分割网络性能突出。     

基于深度学习的汽车轮毂缺陷自动分割技术

针对建立轮毂无损检测智能化平台的需要,本文提出一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,构造一种深度学习网络结构来模拟人类的视觉感知。本文依据汽车轮毂X射线图像,利用U-Net网络来训练轮毂缺陷分割模型,并在感兴趣区域的基础上模拟人脑层次感知系统,该层次感知系统能识别感兴趣区域的灰度像素,通过深度学习分层网络和卷积神经网络,逐层提取缺陷区域的内在特征,从而实现轮毂缺陷的自动分割。实验表明本方法针对复杂轮毂缺陷的识别率达到90%以上,且识别时间开销大约5ms/张,优于传统方法。可见该方法能够满足轮毂缺陷自动分割的需求,具有潜在的应用前景。     

自动驾驶算法的异常事件生成系统设计与评估

评价自动驾驶算法对异常交通事件的响应具有重要的应用价值,针对在真实世界中制造异常交通事件存在代价高、风险大等问题,本文提出了一种面向自动驾驶算法评估的异常交通事件生成方法,该方法可以自动生成5类异常交通事件;基于该方法,搭建了一个驾驶策略评估系统,以实现对自动驾驶算法的评估.为验证生成的异常交通事件的有效性,对一种基于深度网络的模仿学习自动驾驶算法进行了评估.实验结果表明,生成的异常交通事件可以更全面地评估自动驾驶算法的性能.      

基于多维度特征提取网络的肝脏图像分割

随着计算机技术的发展,基于深度学习的医学图像自动分割已经成为人工智能辅助医疗的重要研究方向.为弥补现有神经网络结构对信息提取不足而产生的边缘细节丢失问题,构建了一种基于多维度特征提取网络(RDD-UNet)模型,该模型是基于残差UNet和混合损失函数的三维分割网络,以向肝脏肿瘤分割方法提供高精度的脏器分割结果.首先,该网络从原始CT数据的3个轴向提取信息,以长短跳跃连接的组合形式融合多尺度语义特征,保证了层内和层间信息的充分利用.其次,网络中设计了不平衡深度可分离空洞卷积模块,在提升三维网络计算效率的同时,扩大了体素级别的特征感受范围.最后,针对小尺寸分割目标数据不平衡问题提出了混合损失函数,并与深度监督结构相结合,提升了边缘细节的分割效果.该网络模型从体素、轴向和网络层级3个维度上充分提取特征信息,提高了肝脏分割的准确率,在公共数据集LiTS 2017上的Dice分数达到0.965 2,与其他方法相比达到了较高的精度水平.     

基于状态转移算法和U-net的医学图像分割

U-net在医学图像分割领域应用广泛,但存在小目标分割精度低、模型收敛慢等问题,且其结构和超参数的设定对网络性能有很大影响。为此,本文提出基于混合状态转移算法的U-net结构设计方法,以获取不同分割任务下的较优的U-net体系结构。首先,提出一种可变深度的编码策略来表示U-net中不同的构建块和潜在的最优深度;其次,通过混合状态转移算法优化网络结构中的超参数和连接权重初始值;再次,设计一种新的交互操作来生成具有潜力的个体,利用迁移学习策略和减少epoch的方法加速网络个体的进化;最后,在心脏MRI、肝脏LiTS这2个医学图像数据集中进行测试,验证本文方法的有效性。研究结果表明：与经典的语义分割网络相比,本文所提方法在Dice、Jaccard、VOE等分割性能评价指标中有更好的表现,验证了本文所提算法的可行性和有效性。     

基于全局注意力引导的肺结节分割方法

肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络（region proposal network,RPN）进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络（residual network,ResNet）与卷积长短期记忆网络（convolutional long short-term memory,ConvLSTM）的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟（lung image database consortium,LIDC-IDRI）数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分（标准差）为89.97%（8.9%）,具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。     

一种基于深度学习的实时视频图像背景替换方法

针对视频会话业务的实时性需求,提出一种轻量级深度学习网络模型实现视频图像的实时背景替换功能.网络模型包含语义分割和背景替换两个模块.语义分割模块整体架构采用编解码结构,编码端使用编码器模块、空洞卷积金字塔池化模块、注意力模块以及增益模块提取特征;解码端使用解码器模块、调整模块以及编码器模块恢复图像,再传入背景替换模块完成背景替换.该网络模型在本文设定的数据集训练后分割精确度达到94.1%,分割速度达到42.5帧/s,在实时性和准确性上达到较好的平衡,具有很好的实用效果.     

深度补全的无动态对象单目视觉SLAM研究

现有的单目视觉SLAM方案为了提高精度，大多都是通过增加各种传感器来实现的，这并没有将单目相机的表现发挥到极致。文章提出了一个基于ORB-SLAM3的视觉SLAM系统，旨在最大化地利用单目资源，在单目相机的基础上通过增加深度预测网络来模拟深度相机，利用CNN和ORB融合的方法进行特征点提取，并结合深度图进行特征过滤，旨在提高驾驶场景单目相机位姿预测精度，同时为避免动态对象对SLAM系统造成的干扰，文章引入了图像的实例分割网络。     

面向光伏电站识别的深度实例分割方法

针对遥感图像上光伏电站边界精细提取的难点，在传统分割网络上添加逐像素的类别信息约束，提出一种融合逐像素置信度模块的两分支深度实例分割网络. 该网络通过4个损失结构和2个分支结构来实现，纵向上保证了网络每一层的语义信息，横向上保证了目标检测分支和分割分支的信息共享，提升了网络对于光伏电站边界的识别能力. 采用国产GF-1数据进行新疆光伏电站提取实验，结果表明，当召回率为89.5%时，基于该方法进行光伏电站检测的准确率达到83.4%. 该方法可为新疆光伏电站动态监测提供支撑.