發(fā)布時間：2020-04-03 05:51

【摘要】：目標檢測和分割一直是計算機視覺領(lǐng)域中的重要研究內(nèi)容。傳統(tǒng)的目標檢測和分割算法大多通過人工設(shè)計的方式提取特征,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、目標形態(tài)各異且目標間存在遮擋等因素的影響,傳統(tǒng)目標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),在很大程度上彌補了傳統(tǒng)算法的不足,算法的準確率和實時性都有了很大程度的提高。但小目標在圖像中占據(jù)的像素信息少、特征不明顯、易受背景干擾等特點,使得現(xiàn)有模型對于小目標的檢測和分割效果均不理想且存在明顯的局限性。因此,對小目標的檢測和分割算法進行深入分析,是一項十分困難且有意義的研究。本文針對小目標檢測和分割實驗中出現(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,并對小目標檢測效果差的原因進行剖析。針對小目標檢測中存在的漏檢和多重疊框問題,提出了一種加強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)上進行改進。首先,將較小的特征圖conv4_3進行反卷積操作得到特征圖Dconv4_3,以便增大特征圖中小目標的細節(jié)信息。然后,將低層conv3_3的特征圖和Dconv4_3的特征圖通過逐點相加的方式進行融合。其次,將融合后的特征圖加入先驗框的預(yù)測,減少小目標特征信息的丟失。最后,為了解決正負樣本不平衡的問題,引入聚焦損失函數(shù)。在自行構(gòu)建的大米檢測數(shù)據(jù)集上進行驗證,采用該網(wǎng)絡(luò)結(jié)構(gòu)的平均檢測精度達到91.2%,高于SSD模型5.4%,高于DSSD模型3%。2.小目標分割方面(1)在以粘連大米為研究對象的小目標分割過程中,針對粘連大米頭部自帶偽凹點從而造成過分割的問題,提出了一種平角差凹點分割算法。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。最后對候選凹點進行修正,根據(jù)凹點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,從而提高分割的準確率。本文提出的平角差凹點分割算法對粘連大米的平均分割有效率能達到97%。平角差凹點分割算法雖然在一定程度上提高了分割的準確率,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分割。對于醫(yī)療圖像中形態(tài)各異、輪廓復(fù)雜的細胞核來說,傳統(tǒng)的分割算法無法對細胞核的輪廓進行精確的分割。故本文引入基于卷積神經(jīng)網(wǎng)絡(luò)的分割算法,進一步研究其在小目標上的分割效果。(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比賽提供的細胞核數(shù)據(jù)集上實現(xiàn)小目標的實例分割。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,從而提高特征學習的準確率。此外,在訓練方法上采用部分數(shù)據(jù)先訓練初始化參數(shù),然后再整體訓練數(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在其周圍繪制一個最小矩形框，用來標記目標的位置。如圖1.1(c)所示，語義分割主要側(cè)重于每個像素點對應(yīng)的類別，然后對同類目標進行區(qū)域標記。如圖 1.1(d)所示，實例分割相當于目標檢測和語義分割技術(shù)的結(jié)合。對比于目標檢測的矩形框，實例分割可以詳細地描繪出物體的邊緣輪廓；對比于語義分割，實

小目標檢測效果不理想。由于小目標在圖像中占據(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。因此和大目標相比，小目標的特征信息比較難提取，導致檢測效果較差。表 1.1 展示了MS COCO實例分割挑戰(zhàn)賽前三名的排名情況，根據(jù)小目標平均檢測精度APS和大目標平均檢測精度APL值的對比，可以看出小目標檢測的平均精確度明顯低于大目標。表 1.1 MS COCO實例分割挑戰(zhàn)賽前三名排名情況隊名 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)顯微鏡下的粘連細胞圖 1.2 小目標的實際應(yīng)用場景
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻】

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;;基于深度學習的小目標檢測研究綜述[J];戰(zhàn)術(shù)導彈技術(shù);2019年01期

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

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

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

6 董鴻燕,李吉成,沈振康;基于高通濾波和順序濾波的小目標檢測[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;;基于深度學習的航空對地小目標檢測[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檢測[J];上海海事大學學報;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)劃的雷達小目標檢測方法[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;;基于深度學習的小目標檢測技術(shù)的研究進展[A];中國計算機用戶協(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