论文部分内容阅读
目标检测和分割一直是计算机视觉领域中的重要研究内容。传统的目标检测和分割算法大多通过人工设计的方式提取特征,且仅适用于特定的任务场景,泛化能力较差。此外,由于光照变化快、目标形态各异且目标间存在遮挡等因素的影响,传统目标检测和分割算法的性能已经无法满足复杂任务的需求。卷积神经网络的出现,在很大程度上弥补了传统算法的不足,算法的准确率和实时性都有了很大程度的提高。但小目标在图像中占据的像素信息少、特征不明显、易受背景干扰等特点,使得现有模型对于小目标的检测和分割效果均不理想且存在明显的局限性。因此,对小目标的检测和分割算法进行深入分析,是一项十分困难且有意义的研究。本文针对小目标检测和分割实验中出现的具体问题,提出了新的网络结构和算法:1.小目标检测方面本文深入分析了SSD（Single Shot Multibox Detector）网络模型的优缺点,并对小目标检测效果差的原因进行剖析。针对小目标检测中存在的漏检和多重叠框问题,提出了一种加强低层特征信息融合的网络结构ELFSSD（Enhance Lowlevel Feature SSD）,该网络在SSD512模型的基础上进行改进。首先,将较小的特征图conv43进行反卷积操作得到特征图Dconv43,以便增大特征图中小目标的细节信息。然后,将低层conv33的特征图和Dconv43的特征图通过逐点相加的方式进行融合。其次,将融合后的特征图加入先验框的预测,减少小目标特征信息的丢失。最后,为了解决正负样本不平衡的问题,引入聚焦损失函数。在自行构建的大米检测数据集上进行验证,采用该网络结构的平均检测精度达到91.2%,高于SSD模型5.4%,高于DSSD模型3%。2.小目标分割方面（1）在以粘连大米为研究对象的小目标分割过程中,针对粘连大米头部自带伪凹点从而造成过分割的问题,提出了一种平角差凹点分割算法。本文先根据面积和长宽比阈值筛选出粘连区域,然后采用最短欧式距离的方法寻找出候选凹点。最后对候选凹点进行修正,根据凹点的矢量夹角与平角差作为筛选依据,去除大米头部自带的伪凹点,从而提高分割的准确率。本文提出的平角差凹点分割算法对粘连大米的平均分割有效率能达到97%。平角差凹点分割算法虽然在一定程度上提高了分割的准确率,但对采集到的图像质量要求较高,且仅适用于轮廓边缘简单的小目标分割。对于医疗图像中形态各异、轮廓复杂的细胞核来说,传统的分割算法无法对细胞核的轮廓进行精确的分割。故本文引入基于卷积神经网络的分割算法,进一步研究其在小目标上的分割效果。（2）本文深入研究了卷积神经网络Mask RCNN分割算法的关键技术,并基于Mask RCNN在kaggle2018比赛提供的细胞核数据集上实现小目标的实例分割。针对数据集中彩色背景图像出现的漏分割和误分割情况进行分析,本文在Mask RCNN网络的基础上,将空洞卷积加入到检测分支ResNet的网络结构中,在增大感受野的同时,防止特征信息的丢失。其次,在FPN网络结构中加入一条右侧连接路径,将更多的特征信息融合在一起,从而提高特征学习的准确率。此外,在训练方法上采用部分数据先训练初始化参数,然后再整体训练数据集的方式。与原有的Mask RCNN网络相比,本文改进后的网络结构在分割平均精确率上提高了1%,分割速度上由原来的5fps提升到7fps。