【摘 要】
：
为了提高分割算法在焊缝缺陷检测工程中的实用性,提出轻量级焊缝缺陷评估网络MYNet。其中,轻量级的残差结构降低了模型的计算量,多层视觉融合机制FPN (feature pyramid network)提高了网络的分割能力,并行蒙版机制可以得到快速和高质量的缺陷分割蒙版;引入开源跨平台计算机视觉库OpenCV,利用像素阈值计算不同缺陷面积;引入腾讯超高性能的移动平台推理框架,加快模型在中央处理器的前
论文部分内容阅读
为了提高分割算法在焊缝缺陷检测工程中的实用性,提出轻量级焊缝缺陷评估网络MYNet。其中,轻量级的残差结构降低了模型的计算量,多层视觉融合机制FPN (feature pyramid network)提高了网络的分割能力,并行蒙版机制可以得到快速和高质量的缺陷分割蒙版;引入开源跨平台计算机视觉库OpenCV,利用像素阈值计算不同缺陷面积;引入腾讯超高性能的移动平台推理框架,加快模型在中央处理器的前向推理速度。搭建以ARM Cortex-A72架构为控制核心的数字化人工智能(artificial in
其他文献
研究Faster R-CNN目标检测网络的基本结构与训练方法；建立了机电装备状态数据集，训练了目标检测网络，一步实现了指针式仪表区域的提取、数字式仪表读数的识别以及开关、插头状态的识别；在不同视角和光照强度下对目标检测网络进行了测试，结果表明模型在不同的环境中均能保持90%以上的准确度。并以此为依据推理故障的原因，最后根据推理结果，使用基于Unity 3D软件与Hololens 2硬件开发的机电装
在模糊C均值模型中引入邻域信息是一种有效的减少噪声影响的图像分割方法，然而，这种算法对类差异敏感，故提出具有鲁棒性对类差异不敏感的模糊C均值算法。首先，基于隶属度构建一种类指数形式的抑制势表达式来抑制较大类对目标函数的作用，并将其引入至基于像素包的模糊C均值算法的目标函数中。然后，根据构建的目标函数利用拉格朗日乘子法推导出新的聚类中心和隶属度的表征形式。最后，采用类差异大的无损检测图像进行分割实验
深度学习在计算机视觉领域已经取得很大发展，虽然基于深度学习的实例分割研究近年来才成为研究热点，但其技术可广泛应用在自动驾驶，辅助医疗和遥感影像等领域。实例分割作为计算机视觉的基础问题之一，不仅需要对不同类别目标进行像素级别分割，还要对不同目标进行区分。此外，目标形状的灵活性，不同目标间的遮挡和繁琐的数据标注问题都使实例分割任务面临极大的挑战。本文首先对实例分割中一些具有价值的研究成果按照两阶段和单
为方便非专业用户修图，提出一种基于Transformer的图像编辑模型TMGAN，使用户可通过自然语言描述自动修改图像属性。TMGAN整体框架采用生成对抗网络，生成器采用Transformer编码器结构提取全局上下文信息，解决生成图像不够真实的问题；判别器包含基于Transformer的多尺度判别器和词级判别器两部分，给生成器细粒度的反馈，生成符合文本描述的目标图像且保留原始图像中与文本描述无关的
数字化技术在文物保护工作中的应用极大促进了文化遗产领域的快速发展。三维激光扫描设备获得的文物点云数据，不可避免包含大量噪声，直接影响点云数据的后续处理。为有效去除无序点云中噪声点，较好恢复点云数据，本文基于无监督网络提出一种新型点云去噪网络框架。设计一种两阶段去噪算法，首先通过上层网络分类并去除离群点；再通过引入一个空间先验项，引导收敛到流形上多模式中最接近真实点云的最优模式，从去除离群噪声点的点
针对现有深度学习医学图像超分辨率重建算法所需网络参数量大、计算复杂度过高、网络难以训练的问题， 提出一种采用伪3D卷积的轻量级密集残差连接3D卷积神经网络(P3DSRNet)模型. 首先利用密集残差块拓宽残差块中卷积层的通道， 将更多的特征信息传送到激活函数， 使网络中浅层图像特征更容易地传播到高层， 增强医学图像超分辨率的表达能力; 然后采用伪3D可分离卷积策略训练网络， 将标准3D卷积核分离成
针对传统的识别方法不能满足人类活动识别技术研究需求的现状，提出一种基于小波变换和卷积神经网络相结合的深度学习模型。将多通道传感器的波形数据通过小波变换分解并重组作为输入。利用不同卷积核的卷积神经网络高效提取多维特征，使用最大池化层对人体无意识抖动引起的干扰噪声进行滤波操作。经过全连接层输出分类，实现对人体活动状态的准确识别。实验分别从模型收敛速度，损耗和精度三方面评估了模型性能，并在OPPORTU
针对目标驱动的视觉导航系统中由于导航的场景变化而导致智能体导航性能大大减弱的问题，提出了一种基于长短时记忆网络（Long Short-Term Memory，LSTM）的深度强化学习视觉导航模型。该模型通过输入当前状态和目标状态的RGB图像来实现视觉导航，在改进原有目标驱动视觉导航模型的基础上，基于历史状态信息，结合LSTM和通用后继表征（Universal Successor Represent
针对梯度域路径追踪算法在像素平面均匀采样的策略会使渲染图像在不同频率区域的渲染质量差别较大的问题， 提出增益控制策略下的梯度域路径追踪算法. 引入平均梯度计算局部平均梯度值， 筛选并标记出高频区域和低频区域， 将低频区域的样本用于对高频区域增强采样; 随着每轮渲染高低频区域的不断更新， 自适应地对样本进行分配， 实现像素平面采样的增益控制. 一方面， 在不同材质和光照的场景下， 将改进算法和梯度域
目前基于深度学习的视网膜OCT图像分类方法存在网络特征提取能力低、小目标病变分类困难等问题。为此本文提出了一种双分支多尺度特征融合网络，通过加入门控注意力机制，利用深层特征作为选通信号传递给浅层特征，在消除冗余特征的同时，获得更细尺度的抽象信息。同时加入空洞空间金字塔模块，实现在不降低特征图分辨率的同时增大感受野，按不同比例有效捕获全局上下文信息，提高了小目标病变分类精度。实验结果表明，本文提出的