【摘 要】
：
针对目前工业裂缝分割算法存在细小裂缝易丢失，孤立噪点难消除的问题，提出一种基于可逆金字塔和平衡注意力的工业裂缝分割网络（Reversible Pyramid and Balanced Attention Network，RPBAN）。首先提出可逆金字塔模块，在编码器与解码器之间引入特征金字塔和改进后的倒-特征金字塔，加深全局特征与细节特征的融合，从而提升细小裂缝检测性能；其次，在解码阶段引入平衡注
论文部分内容阅读
针对目前工业裂缝分割算法存在细小裂缝易丢失，孤立噪点难消除的问题，提出一种基于可逆金字塔和平衡注意力的工业裂缝分割网络（Reversible Pyramid and Balanced Attention Network，RPBAN）。首先提出可逆金字塔模块，在编码器与解码器之间引入特征金字塔和改进后的倒-特征金字塔，加深全局特征与细节特征的融合，从而提升细小裂缝检测性能；其次，在解码阶段引入平衡注意力模块，将平衡特征作为引导信息，有效消除孤立噪点；最后，在学习阶段选取Focal Loss作为损失函数
其他文献
针对铁路货车车号的断裂、倾斜、变形等特点，传统字符分割方法分割精度低的问题，本文提出一种基于改进包围圆的分割方法。首先，基于铁路货车单行、双行两种排列方式，采用自适应游程算法进行双行车号的分割。鉴于游程算法背景像素前景化的处理特点，预先采用游程算法进行断裂消除，再使用包围圆方法进行字符分割。实验结果表明：在图像质量不高情况下，可以实现良好的分割精度且在分割准确率和鲁棒性方面均优于传统算法，具有很高
针对电力物联网智能终端有限的存储、计算和通信资源，现有运行管理算法大多偏重于降低节点功耗，导致终端安全抗捕获的性能受限。为在保障电力物联网终端节点运行性能的同时提升抗物理捕获攻击能力，提出一种轻量级密钥管理方案。通过集中器节点部署增加管控中央区域，形成了一种新型的双层网格部署模型。基于新结构提出一种双阶段的密钥信息分配算法。各阶段根据各子区域节点数目设置Blom矩阵空间的安全阈值，大幅提高了电力信
遮挡问题是导致目标跟踪任务失败的重要因素，如何提升算法抗遮挡性能是跟踪领域的研究热点。本文首先剖析了遮挡易导致跟踪失败的原因，论述了构建强判别性的鲁棒目标模型对提高跟踪算法抗遮挡性能的重要意义，分析了抗遮挡目标模型的构建方案。而后基于抗遮挡目标模型利用信息的类型，将代表性目标跟踪算法分为基于有效特征信息、状态估计信息、稳定时空信息的目标跟踪算法，分析了特征的场景适应性，阐述了卡尔曼滤波、粒子滤波的
针对裂缝图像的光照不均匀、斑马线等复杂背景使得传统的裂缝图像分割算法容易丢失细微及末梢裂缝等问题，本文提出了一种基于泰勒级数和多尺度特征的裂缝图像分割算法。首先，采用瑞利和高斯分布构成的有限混合模型对裂缝背景和目标进行建模，并使用期望最大化算法求解混合模型的参数；然后，通过泰勒级数的展开式描述裂缝的梯度方向，利用尺度变换构造裂缝图像的高阶多尺度特征；最后，将灰度有限混合模型和裂缝高阶多尺度特征融合
监控视频运动片段分割是视频浓缩的基础和前提，现有的视频片段分割方法实现步骤复杂、计算量大，严重影响着视频浓缩的实时性能。针对此问题，提出了一种基于时空流量的监控视频运动片段分割方法。所提方法仅对监视区域边界像素进行稀疏采样，形成时空侧面；在此基础上，通过背景建模提取时空侧面中的目标；然后将运动目标进入和退出视觉监视区域建模成时空流量；最后根据目标特征匹配进行模型修正，得到累积时空流量曲线，并据此进
在传统的非局部操作中，对各个位置点之间长距离依赖性的逐个计算导致了庞大的计算量，使得其并不能成为一种即插即用的有效模块。基于此问题，我们提出一种新型的轻量级非局部（Lightweight Factorized Non-local，LFN）模块。LFN模块利用捕捉全局依赖性的非局部操作来提升神经网络的性能并应用于计算机视觉领域。LFN模块是对传统非局部操作的因子分解，通过对水平和垂直两个方向进行分解
矿石的粒度大小是评判破碎机破碎效果的重要参考，而图像分割是矿石粒度检测的关键步骤。针对破碎矿石形状复杂、粘连、堆叠、噪声严重而导致的图像分割不准确问题，提出一种基于改进HED网络模型的破碎矿石图像分割方法。首先，对采集的矿石图像进行双边滤波预处理操作，减少噪声对分割的影响；其次，使用残差可变形卷积块代替普通卷积块，增强模型对不同大小形状矿石的特征提取能力，并利用空洞卷积代替原有的池化层以扩大感受野
针对交叉路口下不确定运动流车辆跟踪问题，提出一种基于多层图多角度对车辆进行跟踪的方法。首先，构建多层图形将各运动流分配到具有不同邻域的不同层；其次，将多角度视图下所有多层图形映射到所选定主视图中；最后，通过求解映射主视图下运动流最短路径，实现对车辆轨迹的跟踪。由跟踪实验及分析，结果表明：本方法对交叉路口不确定运动流的车辆运行轨迹可有效预测并进行跟踪，且跟踪效果与地面真实情况基本一致，误判率维持6%
Dear editor,In recent years many supervised video pose estimation methods have achieved growing successes based on well-labeled training datasets. Nonetheless, when facing roughly-labeled training dat
半监督学习要求无标记数据集远大于标记数据集，然而无标记数据集中包含的复杂无关信息又会对模型训练造成负面影响。针对此问题，本文提出了一种基于增强的均值教师模型的半监督图像分类方法。首先根据类激活映射的工作机制，构建一个具有类激活映射功能的网络；然后将无标记数据集输入结合类激活映射的目标初定位网络，得到目标初定位图；最后将标记图像和目标初定位图像组成训练数据集，训练得到半监督图像分类器。本文设置了标记