精华内容
下载资源
问答
  • 鉴于此,提出一种多尺度特征融合算法。该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生的结果与原始预测特征融合,以此提高检测器的精度。将...
  • 多尺度特征融合

    万次阅读 2019-05-11 04:03:45
    多尺度特征融合 应用:人体姿态估计领域,对于人体关键点检测。 对比一般的目标检测backbone,比如Vgg网络的特点是层次的提取特征,称为feature map。CNN卷积神经网络的层数的加深的过程,是特征提取从低层次到高层...

    多尺度特征融合

    应用:人体姿态估计领域,对于人体关键点检测。

    对比一般的目标检测backbone,比如Vgg网络的特点是多层次的提取特征,称为feature map。CNN卷积神经网络的层数的加深的过程,是特征提取从低层次到高层的语义特征的提取过程。比如对于人脸特征的提取,网络的低层提取的特征只是一些轮廓特征,随着网络的深入提取的特征可能是眼睛,鼻子等更高的语义特征,到最后网络到达最深的层是可能就提取到了整张人脸轮廓的特征了。这样网络的最后一层就可以接入一个分类器进行检测识别。

    但是随着网络的加深,每一层都会丢失一些信息,到最后一层就会丢掉比较多的信息。

    为了解决这个问题,有了特征融合的解决方案。基本思想是认为在该层网络进行卷积操作之前,将上一层的特征图加上该层的特征图,这样就可以保留上一层的一些信息,减少该层信息的丢失。

    应用:多尺度特征融合:

    目标检测领域提高小目标的检测精度:图片的一些小目标在进行特征提取时,图片分辨率会越来越小,到最后小目标的特征信息可能就会丢失,从而对小目标的检测精度就不好。FPN

    人体姿态估计领域:提高关键点检测的精度:对于关键点检测中是检测人体的不同部分,并不是人体各个部分的特征都集中在最后一层特征图上,不同部分的特征可能会分布到不同尺度的特征图上,如果只是通过最后一层的特征图来进行关键点检测,会导致比较差的结果。Hourglass Network

    展开全文
  • 提出了一种基于多尺度特征融合的细粒度图像分类方法。通过运用特征金字塔结构对不同层次的特征进行尺度变换,再进行信息融合;之后筛选其中包含细节特征最多的前三个区域图,将其与图像的全局特征共同作用以判断图片...
  • 深度特征融合---高低层(多尺度特征融合

    万次阅读 多人点赞 2019-03-09 23:00:07
    在很工作中,融合不同尺度特征是提高分割性能的一个重要手段。低层特征分辨率更高,包含更位置、细节信息,但是由于经过的卷积更少,其语义性更低,噪声更。高层特征具有更强的语义信息,但是分辨率很低,对...

    概述

    基本概念

    在很多工作中,融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高,包含更多位置、细节信息,但是由于经过的卷积更少,其语义性更低,噪声更多。高层特征具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。如何将两者高效融合,取其长处,弃之糟泊,是改善分割模型的关键。
    很多工作通过融合多层来提升检测和分割的性能,按照融合与预测的先后顺序,分类为早融合(Early fusion)和晚融合(Late fusion)。

    早融合(Early fusion): 先融合多层的特征,然后在融合后的特征上训练预测器(只在完全融合之后,才统一进行检测)。这类方法也被称为skip connection,即采用concat、add操作。这一思路的代表是Inside-Outside Net(ION)和HyperNet。 两个经典的特征融合方法:
    (1)concat:系列特征融合,直接将两个特征进行连接。两个输入特征x和y的维数若为p和q,输出特征z的维数为p+q;
    (2)add:并行策略[36],将这两个特征向量组合成复向量,对于输入特征x和y,z = x + iy,其中i是虚数单位。

    晚融合(Late fusion):通过结合不同层的检测结果改进检测性能(尚未完成最终的融合之前,在部分融合的层上就开始进行检测,会有多层的检测,最终将多个检测结果进行融合)。这一类研究思路的代表有两种:
    (1)feature不融合,多尺度的feture分别进行预测,然后对预测结果进行综合,如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)
    (2)feature进行金字塔融合,融合后进行预测,如Feature Pyramid Network(FPN)等。

    DenseASPP for Semantic Segmentation in Street Scenes
    语义分割–(DenseASPP )DenseASPP for Semantic Segmentation in Street Scenes

    典型方法概述

    在本文中,我们介绍了多篇文章,但归纳起来共讨论了4类方法:
    (1)早融合:用经典的特征融合方法:在现有的网络(如VGG19)中,用concat或add融合 其中的某几层;

    • FCN、Hypercolumns—>add
    • Inside-Outside Net(ION)、 ParseNet 、HyperNet—>concat
    • 变种:用DCA特征融合方法代替concat和add操作;

    (2)晚融合:
    (2.1)采用类似特征金字塔网络(FPN)的思想,对特征融合后进行预测。 (FPN一般用于目标检测,提高小目标检测能力) 三个变种:

    • YOLO2的方法,只在金字塔的top-down路径的最后一层进行预测,此外还有 U-Net [31] and SharpMask for segmentation, Recombinator networks for face detection, and Stacked Hourglass networks for keypoint estimation.
    • YOLO3的方法,在金字塔的每一层都进行预测
    • FSSD的方法,对 FPN进行细微改造

    (2.2)feature不融合,多尺度的feture分别进行预测,然后对预测结果进行综合,如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)

    (3)用一个具有高低特征融合能力的网络替代普通的网络,如Densenet;
    (4)不进行高低层特征融合,而是在高层特征预测的基础上,再用底层特征进行预测结果的 调整

    相关工作:多尺度模型设计

    【AI不惑境】深度学习中的多尺度模型设计

    ===========================================================================================

    Deep Feature Fusion for VHR(高分辨率图像) Remote Sensing Scene Classification(DCA特征融合方法)

    https://blog.csdn.net/snail_crawling/article/details/84568071
    特征融合的目的,是把从图像中提取的特征,合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。两个经典的特征融合方法

    (1)concat:系列特征融合[35],直接将两个特征进行连接。两个输入特征x和y的维数若为p和q,输出特征z的维数为p+q;
    (2)add:并行策略[36],[37],将这两个特征向量组合成复向量,对于输入特征x和y,z = x + iy,其中i是虚数单位。

    孙等人[38]引入典型相关分析canonical correlation analysis (CCA) 来融合特征。基于CCA的融合方法使用两个输入特征间的相关关系,计算两种变换,变换后的特征比输入的两个特征集有更高的相关性 。
    CCA的主要不足,在于忽略了数据集中类结构间的关系。我们想要最大化特征集之间的相关性,所以将每组特征中的类分开。
    最近,[44]解决了CCA的弱点,引入了DCA。DCA最大化两个特征集中对应特征的相关关系,同时最大化不同类之间的差异
    在这里插入图片描述

    基于神经网络的目标检测论文之目标检测方法:改进的SSD目标检测算法(DensNet)

    我们的改进是使用DenseNet代替原始SSD结构中的VGG,以提高目标检测准确性。图4-9显示了以DenseNet为基础网络的SSD。
    改进后的SSD网络对小物体比较敏感,能够对小物体产生很好的拟合。SSD中小物体检测的弱点可以通过所提出的模型来解决,并且对于具有独特上下文的类来说,性能更好。
    在这里插入图片描述
    在这里插入图片描述

    FPN(feature pyramid networks)

    https://blog.csdn.net/wangdongwei0/article/details/83140839
    https://blog.csdn.net/WZZ18191171661/article/details/79494534

    特征金字塔是识别不同尺度的目标时常用的结构,但是特征金字塔需要较大的计算量和显存,所以最近研发的一些探测器都不再使用这种结构。
    作者开发出的一种构建特征金字塔的新方法,可以减少额外的对计算量和显存的消耗
    使用FPN作为backbone,Faster RCNN的精度进一步提升(因为提取的特征更加丰富),速度为6fps on a GPU
    最近在coco和imagenet上取得靠前名次的网络都采用了多尺度的方法。

    在这里插入图片描述
    在这里插入图片描述

    YOLOv3——引入:FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018)

    https://blog.csdn.net/Gentleman_Qin/article/details/84350496
    在这里插入图片描述
    YOLOv2网络结构中有一个特殊的转换层(Passthrough Layer),假设最后提取的特征图的大小是1313,转换层的作用就是将前面的2626的特征图和本层的1313的特征图进行堆积(扩充特征维数据量),而后进行融合,再用融合后的特征图进行检测。这么做是为了加强算法对小目标检测的精确度。为达更好效果,YOLOv3将这一思想进行了加强和改进。
    **YOLO v3采用(类似FPN)上采样(Upsample)和融合做法,融合了3个尺度(13
    13、2626和5252),在多个尺度的融合特征图上分别独立做检测**,最终对于小目标的检测效果提升明显。(有些算法采用多尺度特征融合的方式,但是一般是采用融合后的单一特征图做预测,比如YOLOv2,FPN不一样的地方在于其预测是在不同特征层进行的。)
    在这里插入图片描述

    融合特征的SSD:对小目标的快速检测

    FSSD: Feature Fusion Single Shot Multibox Detector
    https://blog.csdn.net/wangxujin666/article/details/83065261
    https://blog.csdn.net/Dlyldxwl/article/details/79324944
    本文是以SSD为基底进行“改造”的一篇文章。SSD是从网络的不同层中抽取不同scale的feature直接做predict,所以没有充分融合不同scale的feature。后续有提出DSSD,RSSD等改进方法,但是因为模型的complexity导致速度变慢很多。**本文借鉴了FPN的思想,重构了一组pyramid feature map,**使得算法的精度有了明显的提升,速度也没有太降。先看一张图直观感受一下FSSD对比其它算法的效果。

    Approach
    对比下图中几种结构:
    在这里插入图片描述
    (a)中棕色的block之间没有联系,所以是使用不同scale的图片来生成不同scale的feature map进行predict,这是最不高效的一种方法;
    (b)代表faster rcnn之类的two-stage算法,利用某一个scale的feature map来生成多scale的anchors去检测multi-scale objects;
    ©是典型的Top-Down结构,FPN为代表网络。该结构在此不做赘述,有不清楚的移步这里。DSSD也是该网络结构的应用;
    (d)是SSD的结构代表图,从网络不同层抽取不同scale的feature做预测,这种方式不会增加额外的计算量,但是各个scale之间没有联系;
    (e)是FSSD的结构图,就是把网络中某些feature调整为同一szie再 contact,得到一个像素层,以此层为base layer来生成pyramid feature map,作者称之为Feature Fusion Module。

    Feature Fusion Module

    下面解释一下Feature Fusion Module。

    作者用一组公式表示整个过程:
    在这里插入图片描述
    对公式的字母含义进行说明:

    (1)Xi 是前置网络中希望融合的feature map,作者在文中说明了size小于10的feature map能合并的信息太少了,因此不做考虑,此外将conv6-2的stride设为1,这样conv7-2的size就是10了(给出FSSD的网络结构链接),所以选择 conv4-3 (38*38) ,fc7 , conv7-2输出的feature map来进行融合(为什么非用7-2,难道原始s=2的6-2用起来效果很差?作者没有说明)。至于为什么不用conv3-3的特征,可以对比Tab 2的2,3行看出;
    (2)Ti 表示对feature map进行降采样或者上采样方法的选择,目的让其scale一致。FSSD中均采用billnear将fc7 , conv7-2的scale统一为38;
    (3)φf 是选择对scale一致的feature map进行Contact还是Element-wise sum。目的是融合feature map生成一个scale的feature,FSSD应用了concact,可对比Tab 2的2,7两行看出;
    (4)**φp是如何利用得到的feature重构一组predict layer,也即Pyramid feature maps,**作者实验了Fig 3中的三种结构,其中棕色的block用来做predict,第一个结构使用fusion feature map作为第一层,**第二个是fusion feature map接了个33卷积后作为第一层,**最后一个结构是对于每一个predict层都先用11卷积来降低计算量,也就是bottleneck layer。从Tab 1可以看出中间的效果最好。
    在这里插入图片描述

    利用多层卷积神经网络(CNN)特征的互补优势 进行图像检索

    https://blog.csdn.net/qq_40716944/article/details/78506086
    高层特征用于度量语义相似度,低层特征用于度量细粒度相似度。给出一个简单易懂的例子,当查询图像是一个建筑物时,高层相似性捕捉到的图像包含一个建筑物,而低层相似性则捕获同一个从属同类实体的建筑物。显然,低层和高层特征的互补性可以提高查询图像与其他候选图像之间的相似性度量。一些现有的方法试图利用多尺度无序汇集来进行CNN激活。例如,CNN特征分别从不同层次提取和编码,然后将这些不同层次的聚合特征进行连接以测量图像。但直接拼接不能充分利用高层和低层特征的互补性。高层特征可以搜索具有相似语义的候选图像的集合作为查询图像,但是它不足以描述细粒度的细节。因此,高层相似性会削弱低层相似性的有效性,当最近邻居之间的细粒度差别被区分时,语义相似。
    在本文中,我们建议以一种简单而有效的方式利用不同层次的CNN特征的更多互补优势。我们的方法试图突出低层相似性的有效性,当查询图像和最近的邻居之间的细粒度的相似性与相似的语义。换句话说,低层特征用于细化高层特征的排序结果,而不是直接连接多个层。如图2所示,高层特征不足以描述细节信息,而低层特征则来自背景混乱和语义歧义。以直接拼接的方式,由于高层相似度的影响,低层相似度在区分细粒度差异方面不起重要作用。使用映射函数,我们的方法利用低层特征来测量查询图像与具有相同语义的最近邻居之间的细粒度相似性。在实验中,我们证明了我们的方法比单层功能,多层连接以及其他基于手工特征的方法更好。

    五种方法提升特征融合的效率

    参考文章:
    ExFuse: Enhancing Feature Fusion for Semantic Segmentation
    https://arxiv.org/abs/1804.03821
    https://blog.csdn.net/u010158659/article/details/80413719
    https://blog.csdn.net/weixin_41876817/article/details/83058437
    这篇文章着重研究语义分割网络中高低层特征融合的效率问题。本文发现,当前语义分割方法直接融合高、低特征并不奏效,继而提出新架构 ExFuse.

    本文工作主要聚焦于 U-Net 分割架构的特征融合问题,并选择当前最优的 U-Net 架构之一——全局卷积网络(Global Convolutional Network/GCN)——作为主要的 backbone 分割架构.

    这篇文章从两个大的方向上提出了改善思路,即
    (1).增加低层特征的语义
    (2).在高层特征中增加更多空间信息。

    其中包括5个改善的细节,在下面一一介绍。

    (1)Direction 1: Introducing More Semantic Information into Low-level Features
    这篇文章中,作者为了增加低层特征的语义信息做了三点改进:

    • 网络结构重排(layer rearrengement),构建更适合于分割的预训练模型;
    • 深度语义监督(semantic supervision);
    • 语义嵌入支路(semantic embedding branch),将高层特征融入低层特征。

    (2)Direction 2: Embedding More Spatial Resolution into High-level Features
    高层特征空间信息的损失只要是由于其自身的低分辨率(尺寸小)。这篇文章尝试将更多的空间特征融入到通道(channel)中去,包括:

    • 通道分辨率嵌入(explicit channel resolution embedding);
    • 稠密邻域预测(densely adjacent prediction)。

    上述每一方法都带来了显著提升,组合使用涨点高达 4%。

    展开全文
  • 对矩形和圆形区域中各像素进行亚像素划分,确定各亚像素的权值,得到...仿真结果表明,新算法融合效果较常规的区域能量特征作为融合规则的分辨率图像融合算法效果更好,从清晰度和熵的评价来看,提高了融合图像的品质。
  • 行业分类-物理装置-一种基于多尺度特征融合的RGBD显著性检测方法.zip
  • 面向教育大数据多尺度特征融合的成绩预测方法在眼科本科教学中的探索.pdf
  • 针对全卷积神经网络次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;...
  • 行业分类-作业装置-一种基于多尺度特征融合的视频目标检测方法及系统.7z
  • 提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测场景下的多尺度舰船目标,在单发盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息...
  • 多尺度特征融合操作

    万次阅读 2020-06-19 11:06:29
    在目标检测和分割的任务中,我们...那为什么多尺度融合有效果呢。 我们知道现在的检测和分割网络基本都喜欢用卷积神经网络通过逐层抽象的方式来提取目标的特征,我们可以知道高层网络的感受野比较大,语义信息表征...

    在目标检测和分割的任务中,我们都喜欢用多尺度 特征融合操作来提高准确率。以语义分割为例,大家在看到U-Net 以后想到的第一个自认为的创新就是加上 ASPP 结构。加上一个特征金字塔结构。然后做实验发现整个效果还是不错的。其实这个特征金字塔的结构就是一个多尺度特征融合的例子。在这里也可以证明了多尺度特征融合在深度学习中的好处。那为什么多尺度融合有效果呢。

            我们知道现在的检测和分割网络基本都喜欢用卷积神经网络通过逐层抽象的方式来提取目标的特征,我们可以知道高层网络的感受野比较大,语义信息表征能力强,但是特征图的分辨率低,几何信息的表征能力弱(空间几何特征细节缺乏);低层网络的感受野比较小,几何细节信息表征能力强,虽然分辨率高,但是语义信息表征能力弱。高层的语义信息能够帮助我们准确的检测或分割出目标。因此我们在深度学习中把这些特征全部加在一起对于检测和分割都很有效果。

    上图就是一个典型的多尺度融合网络结构。下采样倍数小(一般是浅层)的特征感受野小,适合处理小目标,小尺度map(深层)分辨率信息不足不适合小目标在yolov3中对多尺度检测的理解是,1/32大小的特征图(深层)下采样倍数高,所以具有大的感受野,适合检测大目标的物体,1/8的特征图(较浅层)具有较小的感受野,所以适合检测小目标。对于小目标,小尺度feature map无法提供必要的分辨率信息,所以还需结合大尺度的feature map,这也就是在进行分割和检测网络中如果进行多次的下采样操作很容易到底小目标的丢失。

    其中主要的网络结构可以分为以下几种:(1) 多尺度输入。(2) 多尺度特征融合。(3) 多尺度特征预测融合。(4) 以上方法的组合

    这个方法来自AI 不惑境

    多尺度输入:这种方法基本就是那种图像金字塔的结构,就是对输入的图像进行操作,得到不同的大小的图像分辨率,然后再把这些图像进行组合输入进去。方法如下图

    这种就是一个典型的多尺度图像融合的方法。

    多尺度特征融合:这个方法主要是对特征不同阶段的特征进行组合在一个而得到的结果。这种方法也好理解

    看下面的几个结构

    这是两个比较经典的不同尺度的特征融合方法。还有一个比较经典的就是ASPP网络

    多尺度的特征预测:这种方法主要是对不同的特征的进行预测输出然后把这个输出的结果进行组合得到一个最后的输出结果。这种方法在检测中应用的比较多。

    其实这种多尺度的特征融合的方法对于检测和分割网络的效果提升还是比较明显的。如果有机会大家也都可以试试。

    展开全文
  • 在本文中,我们提出了一种用于单图像SR的压缩多尺度特征融合(MSFF)网络。 网络中使用了个MSFF模块来提取不同比例的图像特征,这使我们能够捕获图像的更完整的结构和上下文信息,从而获得更好的SR质量。 此外,...
  • 该文提出一种基于纹理和梯度特征多尺度图像融合方法。采用纹理提取滤波器和边缘梯度滤波器模板分别对每层Gauss金字塔进行滤波,生成多尺度纹理和边缘图像,使得分辨率变换域中能够将原图像中的纹理信息包含进来...
  • 基于多尺度特征融合网络的像素级裂缝分割研究(IASCM国际协会,SCHM期刊2020年度最佳论文,Takuji Kobori奖章)论文链接:https://onlinelibrary.wiley.com/doi/10.1002/stc.2286最佳论文:...

    基于多尺度特征融合网络的像素级裂缝分割研究

    (IASCM国际协会,SCHM期刊

    2020年度最佳论文,Takuji Kobori奖章)

    004596ff5a12e1ff36343bbb2295c8eb.png

    论文链接:

    https://onlinelibrary.wiley.com/doi/10.1002/stc.2286

    最佳论文:

    https://onlinelibrary.wiley.com/page/journal/15452263/homepage/kobori_prize.html

    引用格式:

    Ni FT, Zhang J, Chen ZQ. Pixel-level crack delineation in images with convolutional feature fusion. Struct Control Health Monit. 2019;26:e2286.

    d7f8aa1e-422a-eb11-8da9-e4434bdf6706.svg

    01

    研究背景

    裂缝状况是结构日常巡检、专业巡检的主要检测指标之一,数字化、智能化、自动化已经成为人们科研和生产环节的重要追逐目标,而近几年基于深度学习的裂缝检测方法创新也引起了人们的广泛关注。能否摆脱人工提取特征,完全依靠深度学习实现图像中裂缝的像素级分割?深度学习网络各层学习到的特征在裂缝检测中将会扮演什么样角色?这些问题值得探究。

    02

    研究内容

    在已经实现利用深度学习对图像中裂缝进行定性(分类)检测的基础上,本文将裂缝分类过程中深度学习各层提取的特征进行融合来实现图像中裂缝的自动分割。并采用自下而上、自上而下两种路径搭建多个特征融合网络,详细分析了不同层的特征对裂缝分割结果的影响。

    f694555261ca115591842d9d534fe0b2.png

    图1 多尺度特征融合网络框架

    文章以GoogLeNet作为基础网络,根据特征图的尺寸大小将特征分为1~5阶,某裂缝图像输入GoogLeNet的1~5阶可视化特征图如图2所示,可以很直观的看出低阶特征能够反映出裂缝的形态特征。

    f5c2aedaa8a6a238ad4479daf053e0f8.png

    输入图尺寸224×224×3

    220b5ae015e1df530013fbef774ea1d2.png

    图2 多尺度特征可视化

    本文中,多尺度特征融合的思路是利用卷积、双线性插值等方式将低阶特征的三个维度尺寸调整到与高阶特征一致,随后就可以实现对应维度的逐像素特征融合操作,如图3所示。

    b790fa5754521f8c3ee45bed5c0a9c5e.png

    图3 多尺度特征融合

    随后,按照自下而上、自上而下两种路径选择不同层的特征,搭建了9种特征融合:

    Net1:只保留第一阶特征,直接输入到连续全卷积层;

    Net2:将第一阶和第二阶特征融合后,输入到连续全卷积层;

    ......

    Net6:只保留第五阶特征,双线性插值放大后,输入到连续全卷积层;

    Net7:将第四阶和第五阶特征融合后,输入到连续全卷积层;

    ......

    03

    对比分析

    为展示不同尺度特征对裂缝分割结果的影响,以简单裂缝图像、细微模糊裂缝图像、纹理复杂裂缝图像、人工标记干扰图像分别作为测试对象,直观对比了两种融合路径的4个代表性网络,如图4所示。可以发现,只由低阶特征融合的网络,对裂缝的形态特征(细节)更加敏感,但是测试结果中会包含更多的噪声,也更容易丢失裂缝信息。而只由高阶特征融合的网络,测试结果中噪声、丢失的裂缝信息均明显少于前者,即高阶特征对图像中的语义信息更加敏感,但是对于细节的描述则不如前者。

    711fb4d602dd01f355660cf9a1de1b38.png

    图4 不同特征融合策略下裂缝预测结果对比

    随后,将本文提出方法与传统的基于数字图像处理方法相对比。如图5所示。可以看出传统的方法检测结果中会包含大量的噪声,本文提出的基于多尺度特征融合网络的像素级裂缝分割方法具有明显的优势。

    7fa3923d02ffea72658c0060ef90efba.png

    图5 与传统方法检测效果对比

    04

    结论

    本文提出了一种基于多尺度特征融合网络的裂缝分割方法,相对于传统的基于数字图像处理的裂缝检测方法,可以高效的处理裂缝图像、高精度的分割出裂缝。文章详细对比了深度学习网络中高、低阶特征对裂缝分割结果的影响,发现低阶特征主要表征裂缝的形态信息,对于裂缝的细节描述更加有效,而高阶特征对于图像中裂缝的语义特征描述更加有效。

    98c9acfc89616d3df07acba380ce2997.png 3ad4057184012c267d72494d3b5ef9da.png

    作者简介

    8d8ff799f37df43b29737f5957a81232.png

    倪富陶

    东南大学在读博士生

    研究方向:土木工程大数据分析、桥梁快速健康监测

    0cb248286ed7341fca7c4fa0e140588c.png 607d2ecec4b5f5a1efe6f82ae2d8f0e3.png

    图 文:倪富陶

    编 辑:苏子阳

    校 核:张   建

    7c706e6caa4afac5ef18359cded30573.png 1643e1f31ee8794657a2b02dfd041ceb.png 6c34c371621f0d2e962f925d7ec201a3.png

    张建课题组-土木东南

    Southeast University, 

    Nanjing, China

    QQ:15589693

    Email: jian@seu.edu.cn

    6c34c371621f0d2e962f925d7ec201a3.png
    展开全文
  • 针对现有的基于卷积神经网络的行人重识别方法对于遮挡和复杂背景引起的判别信息缺失问题,提出了一种基于多尺度卷积特征融合的行人重识别算法。在训练阶段,使用金字塔池化方法对卷积特征图进行分块和池化,获得包含...
  • 针对传统的多特征融合变化检测没有考虑不同特征对变化检测结果的影响及传统的马尔可夫随机场(MRF)变化检测质量受空间信息权重影响的问题,提出了基于密度引力和多尺度多特征融合的变化检测方法。在提取Gabor纹理特征...
  • 摄像机标定是三维重构中最关键的一步,它的精度直接决定了三...实验数据表明,基于QPSO的摄像机标定的平均反投影误差小于一个像素,是一种可行的方法,且与智能优化算法PSO相比,基于QPSO的摄像机标定具有更小的误差。
  • 本发明公开了一种基于特征融合多尺度 行人检测方法,属于计算机视觉中的行人检测技 术领域,解决现有技术中,对行人检测所用的特 征融合、多级检测方法会造成小目标检测精度 低,或检测时间长、资源需求高
  • 为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色...
  • 一种基于全变分的多尺度图像融合方法
  • 生物细胞图像的混合多尺度多层次融合算法
  • 尺度不变特征变换(SIFT)技术是局部点特征提取算法,在尺度空间寻找极值点,提取对图像的尺度和旋转变化具有不变性,对光照变化和图像变形具有较强的适应性的特征向量。尝试用SIFT技术来提取外耳图像的结构特征点以形成...
  • 将基于注意力机制的特征融合算法与YOLO V3相结合,构建多尺度目标检测器,并利用Focal loss和GIOU loss来设计检测器的损失函数。在PASCAL VOC和KITTI数据集上对不同算法进行对比实验,实验结果表明,多尺度目标检测器...
  •  一方面:具有多尺度特征融合,高层特征具有强的语义信息,底层特征包含更的细节。  另一方面:基于结构预测。例如使用CRF(条件随机场)做后端细化分割结果。 为了充分的利用全局特征层次先验知识来进行...
  • 实验结果表明,RF-YOLOv2模型能获得更深层的特征、能融合尺寸的目标信息,改善了目标检测过程中由实际道路场景复杂、目标外形和结构多变等特点导致的检测率不高问题,在保证算法实时性的条件下,提高了对目标检测的...
  • 基于多尺度信息融合的层次聚类算法.pdf
  • 为降低光照、噪音、姿态等...针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征多尺度奇异值特征进行人脸识别的方法。在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 20,468
精华内容 8,187
关键字:

多尺度特征融合算法