發(fā)布時間：2020-04-03 05:51

【摘要】：目標(biāo)檢測和分割一直是計(jì)算機(jī)視覺領(lǐng)域中的重要研究內(nèi)容。傳統(tǒng)的目標(biāo)檢測和分割算法大多通過人工設(shè)計(jì)的方式提取特征,且僅適用于特定的任務(wù)場景,泛化能力較差。此外,由于光照變化快、目標(biāo)形態(tài)各異且目標(biāo)間存在遮擋等因素的影響,傳統(tǒng)目標(biāo)檢測和分割算法的性能已經(jīng)無法滿足復(fù)雜任務(wù)的需求。卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn),在很大程度上彌補(bǔ)了傳統(tǒng)算法的不足,算法的準(zhǔn)確率和實(shí)時性都有了很大程度的提高。但小目標(biāo)在圖像中占據(jù)的像素信息少、特征不明顯、易受背景干擾等特點(diǎn),使得現(xiàn)有模型對于小目標(biāo)的檢測和分割效果均不理想且存在明顯的局限性。因此,對小目標(biāo)的檢測和分割算法進(jìn)行深入分析,是一項(xiàng)十分困難且有意義的研究。本文針對小目標(biāo)檢測和分割實(shí)驗(yàn)中出現(xiàn)的具體問題,提出了新的網(wǎng)絡(luò)結(jié)構(gòu)和算法:1.小目標(biāo)檢測方面本文深入分析了SSD(Single Shot Multibox Detector)網(wǎng)絡(luò)模型的優(yōu)缺點(diǎn),并對小目標(biāo)檢測效果差的原因進(jìn)行剖析。針對小目標(biāo)檢測中存在的漏檢和多重疊框問題,提出了一種加強(qiáng)低層特征信息融合的網(wǎng)絡(luò)結(jié)構(gòu)ELFSSD(Enhance Low_level Feature SSD),該網(wǎng)絡(luò)在SSD512模型的基礎(chǔ)上進(jìn)行改進(jìn)。首先,將較小的特征圖conv4_3進(jìn)行反卷積操作得到特征圖Dconv4_3,以便增大特征圖中小目標(biāo)的細(xì)節(jié)信息。然后,將低層conv3_3的特征圖和Dconv4_3的特征圖通過逐點(diǎn)相加的方式進(jìn)行融合。其次,將融合后的特征圖加入先驗(yàn)框的預(yù)測,減少小目標(biāo)特征信息的丟失。最后,為了解決正負(fù)樣本不平衡的問題,引入聚焦損失函數(shù)。在自行構(gòu)建的大米檢測數(shù)據(jù)集上進(jìn)行驗(yàn)證,采用該網(wǎng)絡(luò)結(jié)構(gòu)的平均檢測精度達(dá)到91.2%,高于SSD模型5.4%,高于DSSD模型3%。2.小目標(biāo)分割方面(1)在以粘連大米為研究對象的小目標(biāo)分割過程中,針對粘連大米頭部自帶偽凹點(diǎn)從而造成過分割的問題,提出了一種平角差凹點(diǎn)分割算法。本文先根據(jù)面積和長寬比閾值篩選出粘連區(qū)域,然后采用最短歐式距離的方法尋找出候選凹點(diǎn)。最后對候選凹點(diǎn)進(jìn)行修正,根據(jù)凹點(diǎn)的矢量夾角與平角差作為篩選依據(jù),去除大米頭部自帶的偽凹點(diǎn),從而提高分割的準(zhǔn)確率。本文提出的平角差凹點(diǎn)分割算法對粘連大米的平均分割有效率能達(dá)到97%。平角差凹點(diǎn)分割算法雖然在一定程度上提高了分割的準(zhǔn)確率,但對采集到的圖像質(zhì)量要求較高,且僅適用于輪廓邊緣簡單的小目標(biāo)分割。對于醫(yī)療圖像中形態(tài)各異、輪廓復(fù)雜的細(xì)胞核來說,傳統(tǒng)的分割算法無法對細(xì)胞核的輪廓進(jìn)行精確的分割。故本文引入基于卷積神經(jīng)網(wǎng)絡(luò)的分割算法,進(jìn)一步研究其在小目標(biāo)上的分割效果。(2)本文深入研究了卷積神經(jīng)網(wǎng)絡(luò)Mask RCNN分割算法的關(guān)鍵技術(shù),并基于Mask RCNN在kaggle2018比賽提供的細(xì)胞核數(shù)據(jù)集上實(shí)現(xiàn)小目標(biāo)的實(shí)例分割。針對數(shù)據(jù)集中彩色背景圖像出現(xiàn)的漏分割和誤分割情況進(jìn)行分析,本文在Mask RCNN網(wǎng)絡(luò)的基礎(chǔ)上,將空洞卷積加入到檢測分支ResNet的網(wǎng)絡(luò)結(jié)構(gòu)中,在增大感受野的同時,防止特征信息的丟失。其次,在FPN網(wǎng)絡(luò)結(jié)構(gòu)中加入一條右側(cè)連接路徑,將更多的特征信息融合在一起,從而提高特征學(xué)習(xí)的準(zhǔn)確率。此外,在訓(xùn)練方法上采用部分?jǐn)?shù)據(jù)先訓(xùn)練初始化參數(shù),然后再整體訓(xùn)練數(shù)據(jù)集的方式。與原有的Mask RCNN網(wǎng)絡(luò)相比,本文改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)在分割平均精確率上提高了1%,分割速度上由原來的5fps提升到7fps。
【圖文】：

還需圍繞每個識別的目標(biāo)在其周圍繪制一個最小矩形框，用來標(biāo)記目標(biāo)的位置。如圖1.1(c)所示，語義分割主要側(cè)重于每個像素點(diǎn)對應(yīng)的類別，然后對同類目標(biāo)進(jìn)行區(qū)域標(biāo)記。如圖 1.1(d)所示，實(shí)例分割相當(dāng)于目標(biāo)檢測和語義分割技術(shù)的結(jié)合。對比于目標(biāo)檢測的矩形框，實(shí)例分割可以詳細(xì)地描繪出物體的邊緣輪廓；對比于語義分割，實(shí)

小目標(biāo)檢測效果不理想。由于小目標(biāo)在圖像中占據(jù)的像素信息少，特征不明顯，，且易受背景的干擾，如圖1.2 所示。因此和大目標(biāo)相比，小目標(biāo)的特征信息比較難提取，導(dǎo)致檢測效果較差。表 1.1 展示了MS COCO實(shí)例分割挑戰(zhàn)賽前三名的排名情況，根據(jù)小目標(biāo)平均檢測精度APS和大目標(biāo)平均檢測精度APL值的對比，可以看出小目標(biāo)檢測的平均精確度明顯低于大目標(biāo)。表 1.1 MS COCO實(shí)例分割挑戰(zhàn)賽前三名排名情況隊(duì)名 AP AP50AP70APSAPMAPLMegvii 0.526 0.730 0.585 0.343 0.556 0.660UCenter 0.510 0.705 0.558 0.326 0.539 0.648MSRA 0.507 0.717 0.566 0.343 0.529 0.627(a) 候鳥集群 (b)顯微鏡下的粘連細(xì)胞圖 1.2 小目標(biāo)的實(shí)際應(yīng)用場景
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 夏明革,何友,黃曉冬,歐陽文;基于紅外圖像的小目標(biāo)檢測與跟蹤方法[J];火力與指揮控制;2003年01期

2 劉曉楠;王正平;賀云濤;劉倩;;基于深度學(xué)習(xí)的小目標(biāo)檢測研究綜述[J];戰(zhàn)術(shù)導(dǎo)彈技術(shù);2019年01期

3 孫菲;黃濤;;基于光電傳感器的小目標(biāo)檢測與跟蹤技術(shù)綜述[J];光學(xué)與光電技術(shù);2018年03期

4 蔣永馨;袁群哲;邵承永;葉喜勇;徐曉剛;;海上遠(yuǎn)景小目標(biāo)檢測方法的研究[J];光電工程;2011年10期

5 任蕾;施朝健;冉鑫;;應(yīng)用改進(jìn)頻率調(diào)諧的海上小目標(biāo)檢測方法[J];中國圖象圖形學(xué)報;2012年03期

6 董鴻燕,李吉成,沈振康;基于高通濾波和順序?yàn)V波的小目標(biāo)檢測[J];系統(tǒng)工程與電子技術(shù);2004年05期

7 梁華;宋玉龍;錢鋒;宋策;;基于深度學(xué)習(xí)的航空對地小目標(biāo)檢測[J];液晶與顯示;2018年09期

8 任蕾;施朝健;冉鑫;;結(jié)合局部和全局顯著性的海上小目標(biāo)檢測[J];上海海事大學(xué)學(xué)報;2012年02期

9 肖春生;察豪;周沫;;海雜波環(huán)境下慢速小目標(biāo)檢測方法[J];火力與指揮控制;2011年11期

10 庫亮;周治平;;一種基于動態(tài)規(guī)劃的雷達(dá)小目標(biāo)檢測方法[J];測控技術(shù);2009年06期

相關(guān)會議論文 前10條

1 李利榮;張桂林;胡知非;;基于小波多分辨率分析和能量交叉法的小目標(biāo)檢測[A];冶金自動化信息網(wǎng)年會論文集[C];2004年

2 吳國平;吳亦奇;裘詠霄;杜志順;;灰色自適應(yīng)小目標(biāo)檢測[A];第19屆灰色系統(tǒng)全國會議論文集[C];2010年

3 李利榮;張桂林;胡知非;;基于小波多分辨率分析和能量交叉法的小目標(biāo)檢測[A];全國冶金自動化信息網(wǎng)年會論文集[C];2004年

4 董亞超;包俊;劉宏哲;;基于深度學(xué)習(xí)的小目標(biāo)檢測技術(shù)的研究進(jìn)展[A];中國計(jì)算機(jī)用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集[C];2019年

5 李燕蘋;謝維信;楊p

本文編號：2613015