基于深度學習的目標檢測模型近些年快速發(fā)展,可以準確檢測出物體在圖像中的位置。但是多數(shù)檢測模型一般不考慮物體之間的相對位置關(guān)系,而圖像中物體間的相對關(guān)系包含有效高層語義信息,有利于對特殊的指代個體進行目標檢測。通過提出基于語義標簽與謂詞字典構(gòu)建圖像中物體之間的相對位置關(guān)系的方法,對高層語義信息進行建模,實現(xiàn)物體感知任務(wù)與語義認知任務(wù)的協(xié)同,使圖像目標檢測模型具有推測相對位置語義的能力。論文通過對京津段高鐵接觸網(wǎng)圖像的目標檢測進行實驗,實驗結(jié)果表明上述方法的可行性。 

【文章來源】：計算機仿真. 2020年11期 北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

謂詞轉(zhuǎn)移注意力示意圖

使用謂詞字典的預測結(jié)果如圖2所示,其中,(a)為原圖,(b)為未使用謂詞字典的結(jié)果,(c)為謂詞字典的預測結(jié)果�？梢钥闯鲈趫D像中有同類別實體,使用了謂詞轉(zhuǎn)移操作后,模型能夠理解物體之間的相對位置關(guān)系并且明確語義指代關(guān)系,使語義關(guān)系中所指代的對象更加明確,吊弦左側(cè)的載流環(huán)的顯著性更高,即輸出結(jié)果是符合語義標簽的。3 實驗及實驗結(jié)果分析

本文數(shù)據(jù)為京津段的高鐵接觸網(wǎng)圖像數(shù)據(jù),數(shù)據(jù)共500張,以6:2:2的比例將其劃分為訓練集、驗證集、測試集。500張圖片中,缺陷情況圖像共50張,其余的450張圖像為正常的情況。正常情況下,載流環(huán)應(yīng)該分布在吊弦的兩側(cè);異常情況下,載流環(huán)分布在吊弦的同一側(cè)。如圖3所示,分別為正常情況和異常情況的載流環(huán)。在高鐵載流環(huán)數(shù)據(jù)集上,對象之間的關(guān)系僅限于2個空間謂詞和2個不同的實體類別,定義的實體類別文件為objects.json,以列表的形式記錄需要區(qū)分的實體,如["ring", "line"],在標簽中以列表的索引號引用,其中ring指代載流環(huán),line指代吊弦。定義的謂詞字典文件為predicates.json,以列表的形式記錄需要學習的謂詞,如["left of", "right of"],在標簽中以列表的索引號引用。訓練集標簽與測試集標簽分別記錄在annotations_train.json與annotations_test.json文件中。

【參考文獻】：
期刊論文
[1]深層卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法綜述[J]. 張澤苗,霍歡,趙逢禹.  小型微型計算機系統(tǒng). 2019(09)
[2]基于級聯(lián)Faster R-CNN的高鐵接觸網(wǎng)支撐裝置等電位線故障檢測[J]. 李長江,韓志偉,鐘俊平,王立有,劉志剛.  鐵道學報. 2019(06)
[3]高速鐵路接觸網(wǎng)吊弦的疲勞壽命分析[J]. 趙慧,肖曉暉,戚廣楓,徐鴻燕,李紅梅.  武漢大學學報(工學版). 2019(04)
[4]高鐵接觸網(wǎng)懸掛裝置的等電位線故障檢測方法[J]. 胡冉冉,劉志剛.  計算機工程. 2018(01)
[5]淺談高鐵接觸網(wǎng)整體吊弦存在問題及解決措施[J]. 趙戈紅.  電氣化鐵道. 2017(04)

碩士論文
[1]基于深度學習的高鐵接觸網(wǎng)懸掛目標檢測圖像處理研究[D]. 狄亞柳.西南交通大學 2018



本文編號：2930262