红外与毫米波学报
2022, 41(6): 1092
上海电力大学电子与信息工程学院, 上海 201000
针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题, 提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析, 使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度, 以轻量级网络MobileNetv3作为主干网络进行特征提取; 此外, 基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计, 使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%, 检测速度提升2.19倍, 在UCAS_AOD, RSOD, DIOR这3个遥感数据集上进行测试, 实验结果表明, 算法鲁棒性强, 能够在保证模型检测精度的同时有效提高检测实时性。
遥感 目标检测 聚类 深度可分离卷积 参数量 remote sensing target detection clustering depth separable convolution parameter quantity
西北大学信息科学与技术学院, 陕西 西安 710127
在脊椎CT图像分割问题中,由于脊椎与组织对比度过低和噪声的影响,传统分割算法存在分割精度差和自动化程度低等问题。基于此,提出一种通过AttentionNet定位脊椎,然后使用改进的DenseUnet进行脊椎CT分割的方法。首先,对所有脊椎CT样本数据进行裁剪、重采样、灰度值归一化等预处理操作;再次,对样本使用AttentionNet训练得到具有位置信息的Attention图;然后,对传统DenseUnet进行改进,在每个Dense block加入Shuffle操作来增加网络的鲁棒性,在每个Dense block后加入1×1卷积,以降低通道数,减少网络参数量;接着使用改进后的DenseUnet对训练样本进行预训练,得到具有先验信息的预测图;最后,将Attention图、预测图及原始图像融合为三通道的训练样本作为输入,采用改进的DenseUnet训练分割模型,并在测试集上进行验证,最终实现脊椎CT自动分割。实验结果表明,所提方法的分割精度优于传统DenseUnet,是一种有效的脊椎CT自动分割方法。
图像处理 分割 Attention图 参数量 预训练 多通道融合 激光与光电子学进展
2020, 57(20): 201008
西南交通大学信息科学与技术学院, 四川 成都 611756
提出了一种低参数量实时图像语义分割网络模型Atrous-squeezeseg。模型在最低参数量为2.1×10
7时的运算帧率为45.3 frame/s,像素点准确度与均交并比分别可达到59.5%与62.9%。同时,嵌入式设备NVIDIA TX2的运算帧率可达8.3 frame/s。实验结果表明,相比于其他分割算法,所提模型的速度和参数量均得到了提升。
图像处理 图像分割 实时图像 低参数量 卷积模块 多尺度特征 激光与光电子学进展
2019, 56(9): 091003
