为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB...为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB)算法。首先,针对风浪扰动降低目标稳定性的问题,优化MobileNetV2结构提出一种特征提取方法,解决了算法无法处理短时间目标变化较大图像的问题;然后,针对深层特征输出通道数较多且存在不均匀分布大气湍流噪声的问题,利用本地全局信息选择性地聚合特征,提出一种特征筛选机制,剔除冗余通道的同时解决了算法对环境噪声敏感度高的问题;其次,针对光照不匀降低目标边界清晰度问题,从浅层空间维度和深层通道维度中提取轮廓信息建立一种并行轮廓学习机制,解决了算法利用轮廓特征效率低的问题;最后,针对障碍物遮挡破坏目标特征完整性问题,融合优化后的条带池化建立一种特征融合机制,解决了算法无法联系离散分布特征问题。实验表明,SDFB算法的实时性和精确性均高于其他算法,能够更好地适应海上场景无人机分割目标需求。展开更多
显著性目标检测是获取图像中视觉显著目标的任务,它是计算机视觉及相关研究领域的重要内容。当前在复杂的自然场景下基于深度学习的算法依然存在特征学习不足和检测错误率较高的问题,因此提出一种新颖的基于多特征融合的显著性目标检测...显著性目标检测是获取图像中视觉显著目标的任务,它是计算机视觉及相关研究领域的重要内容。当前在复杂的自然场景下基于深度学习的算法依然存在特征学习不足和检测错误率较高的问题,因此提出一种新颖的基于多特征融合的显著性目标检测算法。以HDHF(hybrid deep and handcrafted feature)模型的预测显著图作为特征,融合全局像素的深度特征。此外,利用显著性提名获取候选目标的位置,并在各候选目标中添加中心先验。在全卷积神经网络中,利用前向传播算法最终预测得到像素级的显著性目标。在四个包含多个显著性目标和复杂背景的图像数据集上进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,尤其是在背景复杂的图像上具有较优的检测效果。展开更多
目前,可见光船舶图像的实例分割仍然是较有挑战性的工作。由于船舶图像场景复杂多变,多数实例分割算法无法对复杂场景下的船舶图像进行有效分割。本文提出了基于注意力机制的依靠位置分割目标(attention based segmenting objects by lo...目前,可见光船舶图像的实例分割仍然是较有挑战性的工作。由于船舶图像场景复杂多变,多数实例分割算法无法对复杂场景下的船舶图像进行有效分割。本文提出了基于注意力机制的依靠位置分割目标(attention based segmenting objects by locations,SOLOA)船舶实例分割算法,针对网络特征图里实例信息不完善、背景干扰较多的问题,使用空间注意力机制来充分利用分类特征中的实例信息,建模图像实例间的相互关系并与分割特征相融合。实验结果表明,在新构建的船舶图像数据集上进行训练和测试,改进的网络模型能有效地增强网络特征中的实例信息、减弱背景的干扰。SOLOA算法的船舶实例分割准确率高于其他算法,可以很好地适应复杂场景下的船舶分割需求。展开更多
文摘为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB)算法。首先,针对风浪扰动降低目标稳定性的问题,优化MobileNetV2结构提出一种特征提取方法,解决了算法无法处理短时间目标变化较大图像的问题;然后,针对深层特征输出通道数较多且存在不均匀分布大气湍流噪声的问题,利用本地全局信息选择性地聚合特征,提出一种特征筛选机制,剔除冗余通道的同时解决了算法对环境噪声敏感度高的问题;其次,针对光照不匀降低目标边界清晰度问题,从浅层空间维度和深层通道维度中提取轮廓信息建立一种并行轮廓学习机制,解决了算法利用轮廓特征效率低的问题;最后,针对障碍物遮挡破坏目标特征完整性问题,融合优化后的条带池化建立一种特征融合机制,解决了算法无法联系离散分布特征问题。实验表明,SDFB算法的实时性和精确性均高于其他算法,能够更好地适应海上场景无人机分割目标需求。
文摘显著性目标检测是获取图像中视觉显著目标的任务,它是计算机视觉及相关研究领域的重要内容。当前在复杂的自然场景下基于深度学习的算法依然存在特征学习不足和检测错误率较高的问题,因此提出一种新颖的基于多特征融合的显著性目标检测算法。以HDHF(hybrid deep and handcrafted feature)模型的预测显著图作为特征,融合全局像素的深度特征。此外,利用显著性提名获取候选目标的位置,并在各候选目标中添加中心先验。在全卷积神经网络中,利用前向传播算法最终预测得到像素级的显著性目标。在四个包含多个显著性目标和复杂背景的图像数据集上进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,尤其是在背景复杂的图像上具有较优的检测效果。
文摘目前,可见光船舶图像的实例分割仍然是较有挑战性的工作。由于船舶图像场景复杂多变,多数实例分割算法无法对复杂场景下的船舶图像进行有效分割。本文提出了基于注意力机制的依靠位置分割目标(attention based segmenting objects by locations,SOLOA)船舶实例分割算法,针对网络特征图里实例信息不完善、背景干扰较多的问题,使用空间注意力机制来充分利用分类特征中的实例信息,建模图像实例间的相互关系并与分割特征相融合。实验结果表明,在新构建的船舶图像数据集上进行训练和测试,改进的网络模型能有效地增强网络特征中的实例信息、减弱背景的干扰。SOLOA算法的船舶实例分割准确率高于其他算法,可以很好地适应复杂场景下的船舶分割需求。
