8篇关于CenterNet的计算机毕业论文

今天分享的是关于CenterNet的8篇计算机毕业论文范文, 如果你的论文涉及到CenterNet等主题,本文能够帮助到你

多目标检测及追踪算法研究与应用

这是一篇关于多目标检测及追踪,CenterNet,DeepSort,视频监控的论文, 主要内容为多目标检测和追踪技术为计算机视觉技术领域的研究热点问题。遇到复杂的场景,例如:物体重叠、目标形变等情况,会导致多目标检测和追踪算法的准确性降低,制约其应用。本文对目标检测和跟踪算法进行了优化,并应用在实践中。主要开展了以下几个方面的工作:1)在目标检测算法上,基于Center Net框架,引入多特征融合模块与可变形卷积(Deformable Convolution Net,DCN),提出改进的Center Net网络,即Improved-Center Net:在解码网络中,引入DCN来替换上采样网络的部分卷积,提高模型适应被检测对象发生几何形变情况下的模型适应能力;设计基于注意力机制的特征融合模块,融合底层和高层的语义信息,减少上采路径的计算量。经过实验证明,Improved-Center Net与Center Net相比,在公共数据集上准确度最高提高3.2%,在自制数据集上准确度最高提高3.0%。2)在目标追踪算法上,针对Deep Sort算法在非线性条件下鲁棒性不足的问题,提出了改进的Deep Sort算法,即LG-Deep Sort:在轨迹预测中采用双向LSTM网络模型,利用上下文信息来减少Deep Sort算法在非线性环境下产生的预测误差;使用广义交并比(Generalized Intersection over Union,GIo U)匹配来对交并比(Intersection over Union,Io U)匹配进行优化,减少算法的漏检率。实验证明,LG-Deep Sort与Deep Sort相比,在MOT16测试集上准确度上提升了2.8%,Improved-Center Net与LG-Deep Sort融合实验相比于Center Net与Deep Sort,在MOT16测试集上准确度提高4.7%,自制数据集提高3.3%。3)在应用上,开发了视频采集和算法应用平台:系统采用B/S架构,基于视频推送技术获取牧场实时视频,可以获取场景应用数据集;基于本论文在多目标检测和追踪方面的算法,初步实现了产房仔猪盘点、牧场周界检测和死猪淘汰事件检测等场景应用。

基于无人机机器视觉的放牧牲畜牛羊识别和计数研究

这是一篇关于CenterNet,目标检测,放牧牛羊计数,Res2Net,注意力机制的论文, 主要内容为对草原放牧牛羊数量快速准确的统计是进行科学放牧管理和草原草畜平衡分析的重要前提。内蒙古地区作为国内农畜产品的主要产地,草原放牧牛羊的数量逐年上升,但人工统计牛羊数量存在难度大、效率低、统计准确度不足等问题。本文以无人机搭载相机构成图像采集系统,采用深度学习算法对航拍放牧牛羊的图片进行分类识别计数。本文主要研究工作如下:1.使用无人机进行航拍采集草原放牧牛、羊图像并建立数据集,搭建深度学习算法试验平台。2.分别选择深度学习算法中常用的目标检测算法Faster R-CNN、SSD、Retina Net、YOLOv5和Center Net加载自建数据集进行训练并对比牛羊分类检测能力,其中Center Net算法表现出的综合性能最佳,因此选择Center Net算法进行下一步改进。3.为提升检测性能,对Center Net算法进行如下优化,并制作一个图形化界面直观展示模型检测效果。(1)加载预训练权重防止过拟合、选择合适的优化器和学习率衰减策略提升模型性能;(2)使用多尺度特征提取网络Res2Net-v1b-50提升无锚框的一阶段目标检测算法Center Net对航拍情景下放牧牛、羊图像粘连小目标的检测效果,类平均精度由66.06%提升到87.485%;(3)在替换多尺度特征提取网络的基础上进一步加入ECANet注意力机制,算法的类平均精度达到88.220%。经过一系列改进,Center Net算法中牛、羊对数平均漏检率相比原模型分别下降了53%和32%,有效改善了粘连目标的检测,提升了检测精度。综上所述,本文提出的改进Center Net算法对航拍放牧牛羊的分类检测和计数效果良好,精度提升明显,对于放牧牲畜的快速准确统计、实现草畜平衡具有一定的应用价值和意义。

基于微小目标检测的印刷电路板故障诊断研究

这是一篇关于深度学习,目标检测,CenterNet,图像超分辨率,印刷电路板故障诊断的论文, 主要内容为随着科学技术的迅速发展和信息时代的来临,电子器件也早已广泛应用在了人们日常生活的方方面面,电子设备中所用元器件的数量急剧增加使得其内部电路结构日趋复杂。印刷电路板(Printed Circuit Boards,PCB)作为电子器件的组成部分,同样变得越来越小,越来越集成,导致故障发生概率和检测难度也大大提高。因此,为了降低电路板故障检测难度与成本,探索并研究新型的电路板故障诊断方法是非常有必要的。本文研究基于微小目标检测方法的印刷电路板故障诊断,针对电路板微小故障点改进模型结构,并针对改进的模型对数据集进行优化。(1)基于改进CenterNet的电路板故障诊断将电路板故障诊断问题视为微小目标检测问题,引入基于Anchor-free的目标检测模型,构建并实现了基于Center Net的电路板故障诊断模型。为了更好的满足电路板故障诊断任务的需求,本文引入了基于注意力机制的Res Ne St以提升网络特征提取能力,构建并实现了基于Res Ne St与Center Net融合的电路板故障诊断模型,提高了模型检测精度。(2)基于图像超分辨率的电路板故障诊断为了针对电路板图像与其他物体识别相比,待检测目标相较于图像整体面积小、前景与背景区分不明显的问题,引入增强型生成对抗网络,构建并实现了基于ESRGAN超分辨率的电路板故障诊断模型。该模型通过对电路板图像数据集进行超分辨率重建,使图像获得更清晰的边缘与更丰富的纹理细节,使网络模型更容易发现微小故障点,而后采用Mosaic算法进行数据增强,提高数据多样性,最终提高模型精度。经过实验对比验证,ESRGAN超分辨率算法对电路板图像数据集的处理对于提高网络模型识别精度是有效的,优于其他目标检测模型。

基于深度学习框架下局部特征提取的服装实例检索方法的研究

这是一篇关于深度学习,目标检测,服装姿态估计,服装检索,CenterNet的论文, 主要内容为随着互联网和电子商务的发展,网络购物已经成为当前主流的消费方式之一,在传统的服装店销售额下降的情况下,越来越多的商家开始在网络上开店以占取市场份额,导致越来越多的买家开始在网络上购买服装。在过去的十年里,互联网上的服装图像越来越多,如何在海量的服装图像中检索到有效的服装图像成为一个挑战。一个出色的服装检索系统可以提升消费者的体验从而提升交易量,这对于电商平台来说是至关重要的。因此,本文在深度学习框架下对服装实例检索方法进行研究,本文的主要工作内容如下:1.本文使用现阶段最流行的基于关键点的目标检测模型Center Net进行服装检测。特征提取网络采用了两种不同的网络,深层聚合网络可以很好地融合语义特征和空间特征,参数量更大的堆叠沙漏网络可以获取更加准确的关键点信息。预测网络有三个分支,分别是目标中心点、中心点偏移量和目标宽高的预测。Center Net通过高斯核函数预测服装的中心点,其边框和偏移通过中心点坐标回归进行校正。实验证明堆叠沙漏网络在面积较小的服装、被遮挡的服装、受到背景的干扰、上衣和裙子凑在一起容易被辨认为连衣裙这几种情况下,检测效果优于深层聚合网络。2.本文在目标检测网络模型的基础上添加关键点检测相关的预测分支构建服装姿态估计网络模型,Deep Fashion2数据集中不同服装类型的关键点个数一般不同,本文选择了数量较多且具有代表性的服装类型:短袖上衣、长袖上衣、长裤、短袖连衣裙。加载相应特征提取网络训练好的最优目标检测模型进行训练,这样可以加快服装姿态估计模型的收敛速度。添加的预测分支分别为关键点、关键点偏移量和关键点到中心点距离的预测。前两个预测可以确定关键点的位置,最后一个预测通过关键点和中心点的相对位置关系对关键点的位置进行再次优化,这样可以保证服装姿态估计的效果。在遮挡、背景干扰等情况下,堆叠沙漏网络的关键点定位更加准确,服装姿态估计效果更好。3.本文使用Res Net-50对目标区域的图像进行特征提取,之后通过两种不同方式进行特征提取:通过全局池化提取服装的全局特征;或者结合关键点的信息提取聚集在服装关键点部位的局部特征,然后将提取的局部特征和全局特征进行融合。接下来我们对提取的服装特征进行分类训练,并使用三元组损失函数进行优化。本文使用了另一种度量学习损失函数N-pair loss,该损失函数在训练时,通过加载N对样本进行训练,每个样本都对应着一个正样本和N-1个负样本,充分考虑了不同负样本对训练的影响,实验证明检索效果要好于之前的三元组损失函数。

基于Anchor-free的轻量级金具检测模型研究

这是一篇关于金具检测,轻量化,CenterNet,特征聚合,边缘端的论文, 主要内容为基于无人机航拍图像的输电线路金具实时检测,对于提前预判其故障并保障电网安全具有重要意义。但由于金具尺寸较小,密集遮挡严重,导致模型可提取的特征少,而增强网络特征提取的能力,又会额外增加计算成本和检测耗时,因此如何在提升检测精度的同时减小模型体积成为边缘端部署的前提工作。针对上述问题,本文主要完成以下几方面工作:首先,总结常用金具检测模型,选择精度较高且速度较快的Anchor-free无锚网络作为研究方向。针对金具目标检测的任务特性,为了降低模型的计算复杂度和加快检测速度,本文以Center Net算法为基础模型,结合金具数据集的数据特征,改进Mobile Net V3作为特征提取网络,设计并优化轻量化金具检测模型M-Center Net。实验结果表明,改进后的M-Center Net模型大小为18.5MB,减小了4倍以上。实验证明Mobile Net V3相比其他骨干网络在精度、效率和模型大小上更具优势,更便于嵌入式设备的部署。其次,本文针对小尺度和密集遮挡的金具缺检误检问题,为进一步提升检测精度,设计了高分辨率特征聚合方法和轻量级多尺度感受野增强模块,提出了一种高精度高效率的金具检测模型HRM-Center Net。所设计模型极大地增强了特征提取能力,有效减少图像在下采样过程中损失的空间语义信息。HRM-Center Net在金具数据集上精度达到80.3%,较M-Center Net精度提升5%,尤其在小尺度和密集遮挡金具上效果提升明显。与其它主流模型对比,本文提出的模型实现速度和精度的平衡,具有较好的可靠性和鲁棒性。最后,设计基于分段式稀疏化训练的模型剪枝方法,经压缩后的HRMCenter Net参数量降为原来的46%,FPS达到44。此后,采用Xavier NX工控机设备,以剪枝后轻量级模型作为部署对象,开发了VUE可视化界面,并设计端到端的边缘端输电线路金具检测系统。实验验证本文模型能在嵌入式系统中流畅运行,在较小尺寸的金具图像上FPS可达到50以上,实现了边缘端的实时检测。

多目标检测及追踪算法研究与应用

基于微小目标检测的印刷电路板故障诊断研究

肋骨骨折检测与三维分割研究

这是一篇关于肋骨骨折,深度学习,目标检测,目标分割,CenterNet,U-Net的论文, 主要内容为车祸、高空坠落、刑事案件等突发事件常常会导致人体受到伤害,引起胸部肋骨骨折。由于不同类型的肋骨骨折需要不同的治疗方法,因此,准确检测肋骨骨折的位置并进行骨折类型的判断,对于疾病治疗和伤害等级的鉴定具有重要的意义。由于肋骨骨折检测属于小目标检测,检测准确度较难提高,且其与周围区域相似度较大,传统人工的肋骨骨折判断方法随着工作时间的增长和人精神状态的下滑准确率会有明显下滑。近年来,深度学习的方法得到了快速的发展,其中的目标检测技术以及目标分割方法为准确得到肋骨骨折带来了新的思路。利用深度学习的方法不仅可以可以迅速检测出肋骨骨折的区域以及类型,帮助医生迅速得到骨折类型,而且可以有效地进行肋骨骨折的三维建模,帮助医生直观地得到肋骨骨折区域,开展有效治疗。然而由于肋骨骨折的特点,现有的深度学习算法并不能很好的适用于肋骨骨折检测以及分割任务,针对目前存在的问题,本文分别设计了对应的检测以及分割方法,提高了肋骨骨折的检出率。本文的主要工作概括如下:(1)在Center Net网络的基础上设计了适用于对肋骨骨折目标进行检测的方法。首先,针对肋骨骨折的特点,本文设计了层次融合沙漏网络作为特征提取模块,使网络可以更有效地捕获到肋骨骨折特征;其次,针对Center Net原网络生成的热图中包含信息较少以及不同的角点对应的中心点重合时易产生误分的问题,本文设计了热图金字塔结构来使预测模块生成的热图包含更多信息;设计了非局部双空间注意力模块来为每一组角点对应的中心点补充全局信息,提高了检测精度。实验表明,上述策略的使用均可为肋骨骨折检测任务的精度带来提升。(2)将二维检测任务扩展到了三维肋骨骨折分割任务。以Frac Net为基础,一方面,在特征提取阶段,本文基于二维肋骨骨折检测任务的经验设计了深度编码块,使得特征提取网络U-Net可以捕获到更多肋骨骨折特征,减少了分割结果中假阳性样本的个数;设计了辅助编码器来为不同尺度的解码端补充丢失的信息,使得各项指标较原始U-Net均有所提升。另一方面,在后处理阶段,本文在时空LSTM的启发下,针对肋骨骨折任务的特点设计了去时空相关模块,进一步减少了分割结果中的假阳性样本。实验表明,所提方法均有利于提高最终的三维肋骨骨折分割结果。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导，原文地址：https://bishedaima.com/lunwen/47955.html