简介:摘要:针对工控SAMA逻辑图在识别转换过程中逻辑图图元目标小、外形易变化、相似图元识别易重复、检测精度低等问题,本文针对Faster R-CNN网络进行改进,将原有VGG16网络替换成保留细节特征更为丰富的ResNet101网络,,并结合图元固有文字属性区分图元,从而提高相似图元识别精度。采用不同种类的外形相似图元制作的数据集,对改进前后的Faster R-CNN网络模型进行不同锚框设置下的比较实验,实验结果表明改进后的Faster R-CNN网络模型针对相似图元识别的性能有较大提升。
简介:摘要:针对传统船舶监测方法中存在工作量大易误判等问题,提出一种基于改进Faster R-CNN算法的船舶检测识别方法。自行拍摄制作船舶数据集,并通过翻转、裁剪、抖动等方式对数据集进行扩充。基于TensorFlow框架搭建深度学习系统环境,选取VGG16-Net作为特征提取网络。通过微调模型、参数调试等方法优化训练模型,提高了检测模型的识别精度。然后通过Faster R-CNN模型对数据进行训练、学习最终船舶平均识别率mAP指标(mean Average Precision)达到90.7%,通过深度学习达到了使用少量样本获得较高识别率的效果。
简介:语义图象分割是一项任务为每个图象象素预言一个范畴标签。它的关键挑战是设计一个强壮的特征代表。在这份报纸,我们作为特征表示熔化神经网络(CNN)展示的层次convolutional和基于区域的特征。层次特征包含更全球的信息,当基于区域的特征包含更多的本地信息时。这些二种特征的联合显著地提高特征表示。然后,熔化特征被用来训练一个softmax分类器生产每象素标签任务概率。并且一块充分连接的有条件的随机的地(CRF)被用作一个processing以后方法改进标记的一致性。我们进行实验在上筛流动数据集。象素精确性和班精确性分别地是84.4%和34.86%。
简介:摘要:近年来,图像采集受到环境因素干扰较大,如何重建原始图像去除天气因素带来的干扰成为计算机视觉行业最具挑战性的重大问题之一。常见的图像去雾方法是--对抗生成网络、灰度补偿和特征融合、多边缘信息融合、重加权二阶正则项。主要解决了还原路面纹理的细节、沙尘图像的检测精度和分割准确率较低、对计算机要求较高、边缘融合软件需要集成大量的高画质影片、图片等数据的问题。本文介绍了一种基于CNN网络的图像去雾算法,可改善图像的修复效果。