通信业已经走进了千家万户,成为了大家日常生活不可分割的一部分,如今一些高校也设立了专门的通信专业。下面我给大家带来通信专业 毕业 论文题目参考_通信方向专业论文题目,希望能帮助到大家!
通信专业毕业论文题目
1、高移动无线通信抗多普勒效应技术研究进展
2、携能通信协作认知网络稳态吞吐量分析和优化
3、协作通信中基于链路不平衡的中继激励
4、时间反转水声通信系统的优化设计与仿真
5、散射通信系统电磁辐射影响分析
6、无人机激光通信载荷发展现状与关键技术
7、数字通信前馈算法中的最大似然同步算法仿真
8、沙尘暴对对流层散射通信的影响分析
9、测控通信系统中低延迟视频编码传输 方法 研究
10、传输技术在通信工程中的应用与前瞻
11、城市通信灯杆基站建设分析
12、电子通信技术中电磁场和电磁波的运用
13、关于军事通信抗干扰技术进展与展望
14、城轨无线通信系统改造方案研究
15、无线通信系统在天津东方海陆集装箱码头中的运用
16、分析电力通信电源系统运行维护及注意事项
17、 无线网络 通信系统与新技术应用研究
18、基于电力载波通信的机房监控系统设计
19、短波天线在人防通信中的选型研究
20、机场有线通信系统的设计简析
21、关于通信原理课程教学改革的新见解
22、机载认知通信网络架构研究
23、无线通信技术的发展研究
24、论无线通信网络中个人信息的安全保护
25、短波天波通信场强估算方法与模型
26、多波束卫星通信系统中功率和转发器增益联合优化算法
27、HAP通信中环形波束的实现及优化
28、扩频通信中FFT捕获算法的改进
29、对绿色无线移动通信技术的思考
30、关于数据通信及其应用的分析
31、广播传输系统中光纤通信的应用实践略述
32、数字通信信号自动调制识别技术
33、关于通信设备对接技术的研究分析
34、光纤通信网络优化及运行维护研究
35、短波通信技术发展与核心分析
36、智慧城市中的信息通信技术标准体系
37、探究无线通信技术在测绘工程中的应用情况
38、卫星语音通信在空中交通管制中的应用
39、通信传输系统在城市轨道交通中的应用发展
40、通信电源 系统安全 可靠性分析
41、浅谈通信电源的技术发展
42、关于电力通信网的可靠性研究
43、无线通信抗干扰技术性能研究
44、数能一体化无线通信网络
45、无线通信系统中的协同传输技术
46、无线通信技术发展分析
47、实时网络通信系统的分析和设计
48、浅析通信工程项目管理系统集成服务
49、通信网络中的安全分层及关键技术论述
50、电力通信光缆运行外力破坏与预防 措施
51、电力通信运维体系建设研究
52、电力配网通信设备空间信息采集方法的应用与研究
53、长途光缆通信线路的防雷及防强电设计
54、电网近场无线通信技术研究及实例测试
55、气象气球应急通信系统设计
56、卫星量子通信的光子偏振误差影响与补偿研究
57、基于信道加密的量子安全直接通信
58、量子照明及其在安全通信上的应用
59、一款用于4G通信的水平极化全向LTE天线
60、面向无线通信的双频带平面缝隙天线设计
铁道信号专业毕业论文题目
1、CTCS应答器信号与报文检测仪-控制主板软硬件设计
2、基于ACP方法的城市轨道交通枢纽应急疏散若干问题研究
3、全电子高压脉冲轨道电路接收器的硬件研究与设计
4、实时断轨检测系统中信号采集与通信子系统研究
5、基于模型的轨旁仿真子系统验证及代码自动生成
6、基于全相位FFT的铁道信号频率检测算法研究
7、基于机器视觉的嵌入式道岔缺口检测系统应用
8、铁路信号产品的电磁兼容分析与研究
9、铁路高职院校校内实训基地建设研究
10、铁道信号电子沙盘系统整体规划及设计
11、基于Web的高职院校考试系统的设计与实现
12、铁道信号沙盘模拟显示系统研究
13、联锁道岔电子控制模块的研制
14、基于ARM的故障监测诊断系统设计(前端采集和通信系统)
15、客运专线列控车载设备维修技术及标准化研究
16、驼峰三部位减速器出口速度计算方法研究
17、CTCS-2级列控系统应答器动态检测的研究
18、石家庄铁路运输学校招生信息管理系统的设计与实现
19、铁道信号基础设备智能网络监测器设计
20、基于光纤传感的铁道信号监测系统软件设计
21、铁道信号基础设备在线监测方法研究
22、有轨电车信号系统轨旁控制器三相交流转辙机控制模块的研究
23、基于故障树的京广高速铁路信号系统问题分析及对策
24、站内轨道电路分路不良计轴检查设备设计与实现
25、铁路综合视频监控系统的技术研究与工程建设
26、客运专线信号控制系统设计方案
27、铁路信号仿真实验室的硬件系统设计及其信号机程序测试
28、基于C语言的离线电弧电磁干扰检测系统数据采集及底层控制的实现研究
29、铁路综合演练系统的开发与实现
30、大功率LED铁路信号灯光源的研究
31、牵引供电系统不平衡牵引回流研究
32、CBTC系统中区域控制器和外部联锁功能接口的设计
33、城轨控制实验室仿真平台硬件接口研究
34、ATP安全错误检测码与运算方法的研究与设计
35、LED显示屏控制系统的设计及在铁路信号中的应用
36、客运专线列控系统临时限速服务器基于3-DES算法安全通信的研究与实现
37、基于动态故障树和蒙特卡洛仿真的列控系统风险分析研究
38、物联网环境下铁路控制安全传输研究与设计
39、轨道交通信号事故再现与分析平台研究与设计
40、铁路强电磁干扰对信号系统的影响
41、基于LTE的列车无线定位方法研究
42、列车定位系统安全性研究
43、基于CBTC系统的联锁逻辑研究
44、无线闭塞中心仿真软件设计与实现
45、职业技能 教育 的研究与实践
46、光纤铁路信号微机监测系统数据前端设计
47、LED大屏幕在铁路行车监控系统的应用研究
48、基于微机监测的故障信号研究与应用
49、语域视角下的人物介绍英译
50、基于嵌入式系统的高压不对称脉冲轨道信号发生器设计
通信技术毕业论文题目
1、基于OFDM的电力线通信技术研究
2、基于专利信息分析的我国4G移动通信技术发展研究
3、基于无线通信技术的智能电表研制
4、基于Android手机摄像头的可见光通信技术研究
5、基于激光二极管的可见光通信技术研究和硬件设计
6、智能家居系统安全通信技术的研究与实现
7、基于DVB-S2的宽带卫星通信技术应用研究
8、基于近场通信技术的蓝牙 配对 模块的研发
9、多点协作通信系统的关键技术研究
10、无线通信抗干扰技术性能研究
11、水下无线通信网络安全关键技术研究
12、水声扩频通信关键技术研究
13、基于协作分集的无线通信技术研究
14、数字集群通信网络架构和多天线技术的研究
15、通信网络恶意代码及其应急响应关键技术研究
16、基于压缩感知的超宽带通信技术研究
17、大气激光通信中光强闪烁及其抑制技术的研究
18、卫星通信系统跨层带宽分配及多媒体通信技术研究
19、星间/星内无线通信技术研究
20、量子通信中的精密时间测量技术研究
21、无线传感器网络多信道通信技术的研究
22、宽带电力线通信技术工程应用研究
23、可见光双层成像通信技术研究与应用
24、基于可见光与电力载波的无线通信技术研究
25、车联网环境下的交通信息采集与通信技术研究
26、室内高速可调光VLC通信技术研究
27、面向5G通信的射频关键技术研究
28、基于AMPSK调制的无线携能通信技术研究
29、车联网V2I通信媒体接入控制技术研究
30、下一代卫星移动通信系统关键技术研究
31、物联网节点隐匿通信模型及关键技术研究
32、高速可见光通信的调制关键技术研究
33、无线通信系统中的大规模MIMO关键理论及技术研究
34、OQAM-OFDM无线通信系统关键技术研究
35、基于LED的可见光无线通信关键技术研究
36、CDMA扩频通信技术多用户检测器的应用
37、基于GPRS的嵌入式系统无线通信技术的研究
38、近距离低功耗无线通信技术的研究
39、矿山井下人员定位系统中无线通信技术研究与开发
40、基于信息隐藏的隐蔽通信技术研究
通信专业毕业论文题目参考相关 文章 :
★ 通信工程毕业论文题目
★ 通信工程毕业论文题目
★ 通信工程毕业论文选题
★ 通信工程的毕业论文参考范文
★ 通信工程专业毕业论文参考文献
★ 通信工程的毕业论文(2)
★ 通信工程方面毕业论文
★ 通信工程专业毕业论文
★ 通信工程的毕业论文范例
★ 通信工程的毕业论文范例(2)
大数据时代水产业如何与互联网做加法
随着科学技术的进步,物联网和制造业服务化迎来了以智能制造为主导的第四次工业革命。2013年,德国汉诺威工业博览会正式提出了“工业40”的概念。这是德国政府《高技术战略2020》确定的十大未来项目之一,旨在支持工业领域新一代革命性技术的研发与创新。
农业作为工业生产原材料的提供行业和工业制成品的使用行业,也必将融入这场时代的变革,向农业智能化时代即农业40时代发展。作为农业40的重要内容之一,水产行业也将发生深刻的变革,智能化、网络化、精细化和便捷化的水产养殖时代即将到来。
农业10 到40的变迁
农业40是以物联网、大数据、移动互联、云计算技术为支撑和手段的一种现代农业形态,即智能农业(Intelligent Agriculture),也是继传统农业、机械化农业、信息化(自动化)农业之后,进步到更高阶段的产物。
纵观国内外现代农业发展历程,可以分为四个阶段:农业10是依靠个人体力劳动及畜力劳动的农业经营模式,人们主要依靠经验来判断农时,利用简单的工具和畜力来耕种,主要以小规模的一家一户为单元从事生产,生产规模较小,经营管理和生产技术较为落后,抗御自然灾害能力差,农业生态系统功效低,商品经济较薄弱。农业20,即机械化农业,是以机械化生产为主的生产经营模式,运用先进适用的农业机械代替人力、畜力生产工具,改善了“面朝黄土背朝天”的农业生产条件,将落后低效的传统生产方式转变为先进高效的大规模生产方式,大幅度提高劳动生产率和农业生产力水平。随着计算机、电子及通信等现代信息技术以及自动化装备在农业中的应用逐渐增多,农业将步入30模式。农业30,即信息化(自动化)农业,是以现代信息技术的应用和局部生产作业自动化、智能化为主要特征的农业。
信息技术发展到新阶段即可产生新的农业发展模式即农业40,即:智能化农业,这是融合物联网、云计算和大数据的高度智能化农业,其目的是要实现大范围大尺度的农业生产全局的最优,以最高效率地利用各种农业资源、最大程度地降低农业能耗和成本、最大限度地保护农业生态环境以及实现农业系统的整体最优为目标;以农业全链条、全产业、全过程、全区域智能的泛在化为特征,以全面感知、可靠传输和智能处理等物联网技术为支撑和手段;以自动化生产、最优化控制、智能化管理、系统化物流、电子化交易为主要生产方式的高产、高效、低耗、优质、生态、安全的现代农业发展模式与形态。
农业40在我国“小荷才露尖尖角”,尚处概念、理念、设计和试验示范阶段:北京市重点开展了农业物联网在农业用水管理、环境调控、设施农业等方面的应用示范,实现了农业用水精细管理和设施农业环境监测;黑龙江省侧重在大田作物生产中搭建无线传感器网络,借助互联网、移动通信网络等进行数据传输及数据集中处理和分析,支撑生产决策;江苏省开发了国内领先的基于物联网的一体化智能管理平台,侧重在水产养殖等方面进行探索;山东在设施温室和水产养殖的整体行业信息化推进进步明显;浙江省重点在设施花卉方面应用物联网技术,各项环境指标通过传感器无线传输到微电脑中,实现了花卉种植全过程自动监测、传输控制;安徽省小麦“四情”监测项目建设已经启动。此外,河南、重庆、辽宁和内蒙等地也开展了一些探索工作。
现阶段,我国农业40主要以物联网技术在各领域各环节的示范推广应用为主,还未实现大规模、高阶化的应用。随着农业电商、农产品物流、农业市场化服务的快速发展,大数据、云计算、移动互联等也得到了广泛的应用,并与物联网技术进行了有效地融合。
“农业40”在水产行业的应用现状
“农业40”的发展以物联网、大数据、云计算、移动互联等技术为关键,突破涉及农业物联网的核心技术和重大关键技术,迎合现代农业的发展需求是迈向“农业40”的必经之路。现阶段,“农业40”在水产行业的应用主要体现在以物联网为核心的关键技术应用上。
物联网等“农业40”技术在水产领域的深化应用需要有大批懂技术、会应用的实用性人才。然而,水产养殖历来被视为艰苦、薪酬低、社会评价不高的职业,陈旧的社会偏见对农业院校特别是本身学水产养殖的学生及其亲人的心理产生了巨大冲击,这些学生毕业后,在自身有畏惧心理及其在家人劝阻之下,大部分转向了饲料营销等非养殖一线岗位,还有相当大一部分转向了跟水产风马牛不相及的行业,更不用说其它专业毕业生会投身这个行业。因此,在实用性人才不足的情况下,通过物联网等“农业40”技术大力提升行业内技术装备,打“技术牌”,才能更好地缓解水产行业高素质劳动力紧缺的困境。挪威的大型养殖场在人力成本高昂的情况下,通过集成现代信息技术,构建养殖物联网平台,实现三文鱼饲料投喂、收获、洗网、加工的完全自动化,只要定期维护便可实现1~2 人管理全场所有事务,这种良性运作的养殖业模式值得我们借鉴。
长久以来,作为我国传统的养殖方式,以低洼盐碱地和荒滩荒水等资源改造进行养殖,技术成熟、 *** 作简便、投入适中,适合我国农村以农民承包经营的经济发展水平。但是其周期长、劳动强度大、生产效率低且养殖风险大、水体污染严重。因此,减轻劳动强度,提高生产效率,降低养殖风险,实现生态养殖是渔民多年来的梦想,也是新时期对渔业现代化的必然要求。通过物联网等“农业40”技术把人工智能系统和相关的仪器、仪表、装备相结合,通过计算机控制实现水体质量监控、增氧、投饵、捕捞等养殖作业和运输、加工、仓储、物流等自动化管理,减少了人力物力的投入,也减少了人为经验误差造成的损失。同时,通过水产养殖户走向联合,各种行业协会、水产组织孕育而生,形成集群效应和规模效应,这就转变了水产养殖的发展模式。
当前,我国水产养殖业发展正处于一个新的历史阶段,特别是深化水产养殖业结构调整,稳定增加农民收入,提高水产品市场竞争力,对推进水产养殖业信息化的要求比以往任何时候都显得更为紧迫。大力推进水产养殖信息化,以信息化带动我国水产养殖业现代化,对于促进农业和水产养殖业的发展,提高渔民生活质量具有重要意义。
水产行业“农业40”面临的问题
目前,以物联网为代表的“农业40”技术涵盖了水产养殖行业的多个方面,并在政策扶持、技术研发、示范应用等方面积累了一定的经验,对水产行业形成了良好的促进作用。但农业物联网技术应用总体仍处于初级阶段,还有许多问题亟待解决,主要体现在以下几个方面:
首先,关键设备与核心技术储备不足。相对于其他领域,由于动植物的生命特征、系统环境的开放性和复杂性,加之应用对象经济条件的限制,农业对物联网技术产品提出了更高的要求。从总体上看,水产养殖的装备化程度低,自动化的基础条件有待进一步夯实。同时,我国农业物联网关键技术、产品、设备技术储备不足,集成体系成熟度较低,大面积推广应用的难度较大。比如在水产养殖业方面,由于我国水体富营养化程度高,稳定、可靠、耐用溶解氧、pH 值、叶绿素、氨氮、亚硝酸盐的传感器技术仍不过关,需要小型化、精确化、灵敏化、运行稳定的传感器,这方面,我国与国外相比仍有较大差距。
其次,水产物联网应用标准体系尚不完善。农业应用对象复杂、获取信息广泛,传感器的标准是否统一、采集的信息是否可以标准化应用,都成为影响水产物联网应用成败的重要因素。目前国内还没建立完整的农业物联网技术标准体系,现有标准还很零散、缺失和不统一,标准制定与市场应用结合不够,导致物联网市场分割,制造和服务成本偏高,这已成为制约物联网技术在现代农业发展中推广应用的重要因素,具体到水产物联网更是如此。
再者,水产物联网应用商业模式亟待建立。包括水产物联网在内,我国整个水产物联网行业还处于发展初期,缺乏成熟的商业模式。目前水产物联网的市场需求仍然是以设备采购、网络接入为主,导致农业物联网的产出与预期的估计差别太大。从产业化发展角度来看,目前我国农业物联网技术应用总体处于试验示范阶段,规模小而分散,农业传感控制设备等物联网关键技术产品难于实现批量生产,导致产品价格高,用户难于接受。农业物联网技术产品投放市场前缺乏严格质量检测,当设备暴露在恶劣自然环境下,导致设备稳定性差,故障率高,维护成本高,后续技术服务落后,农业物联网应用系统不能持续正常运行,影响了用户的使用积极性,导致农业物联网产业发展缓慢。
最后,水产物联网技术专业人才缺乏。目前广大基层农户、农技人员对于水产物联网的概念还很模糊,对于水产物联网的技术、设备等知识的认识还不全面,还不具备应用推广物联网技术的能力。同时,在水产物联网的传感器开发、运算评价模型的研究等方面缺少跨专业的复合型人才。水产物联网是整合了水产、通信、机械、计算机软件等多行业的一个综合产业。因此,就需要从事水产物联网的相关技术人员对农学、通信、软件编程等方面都要有较强的专业知识,这样才能研发出符合农产品生产者实际需要,真正智能化、自动化的农业物联网。
水产行业如何融入“农业40”
“互联网+”缩短了信息化与农民之间的距离,但是还没有很好的消除与养殖户之间的技术障碍。只有让互联网自然融入到传统水产行业,让养殖户像打电话和看电视一样简易 *** 作就可以进行智能水产养殖,才是真正的“互联网+水产”,也才真正迈出了水产行业“农业40”的第一步。
互联网尤其是移动互联网环境对于加速信息化在农业领域的应用、推进“农业40”发展优势明显:一是软硬件支出费用相对较低;二是可以随身携带、随时应用;三是交互方式相对优化,便于 *** 作;四是易于附加个性化服务和实现精准推送,可加载更多智能化的应用。这些恰恰是长期以来困扰信息化在农业领域深度、广度应用的关键难题。如今劣势变优势,意味着未来农业领域,特别是水产领域的移动互联网应用前景十分光明:
“互联网+水产”有利于实现生产智能化。移动互联网与水产物联网装备结合后,能够发挥全面感知、可靠传输、先进处理和智能控制等技术优势,实现水产养殖的全程控制,降低污染,减少疫病,提高养殖品质,达到科学养殖和智能养殖的目的。
“互联网+水产”有利于实现经营网络化。移动互联网有利于加快水产电子商务的应用,实现水产品流通扁平化、交易公平化、信息透明化,建立最快速度、最短距离、最少环节、最低费用的水产品流通网络,解决买难卖难问题,大大提高水产经营的网络化水平。
“互联网+水产”有利于实现管理精细化。移动互联网的普及,能够加快大数据、云计算等先进技术的落地应用,通过对终端、用户及其水产生产经营行为的跟踪服务,进行生产调度、应急指挥、质量监管,对上辅助宏观决策,对下优化生产经营行为,解决当前管理对象不明确、效率不高等问题。
“互联网+水产”有利于实现服务便捷化。移动互联网的便携随身和实时交互特点,很好地解决了农业信息服务“最后一公里”问题,便捷服务的同时,为市场化、多元化信息服务提供了机遇,通过创新型应用等多种手段,未来的水产信息服务将更加丰富便捷。
真正的信息化应该是“润物细无声”的,无需冗长的教程和繁难的培训,一看就会,一用就见效,自然能够受到农民追捧、赢得市场,这应该是互联网融入水产行业的最佳情境设想。因此,“互联网+水产”的发展,不能把重点放在教育一线养殖户,而是从一线养殖户的实际和思维出发,因势利导、潜移默化地进行适应性改变,这就是所谓的“引导”。那么,这个适应性改变应该如何进行?
一是要加快易用、实用APP的开发,建议模拟不同的养殖场景,按照养殖全过程设置重要节点和参数,按照农民的养殖习惯优化应用流程。
二是要打通生产和经营的通道,通过移动互联网实现“扁平化”,借助在线传输方式,让消费者与养殖现场建立关联,无论是水产品质量追溯,还是养殖现场视频调阅,甚至是水产养殖众筹,都可以大胆尝试。
三是要充分利用政策资源,实施移动互联网示范工程,通过创建“互联网+”示范养殖场、养殖能手等行动,大力推广信息化养殖理念和技术,加强用户体验,大规模提升水产养殖信息化水平。
四是要积极实践互联网思维,启动水产信息化服务市场,借用打车软件等先进的运营思维,合理配置盈利点,前端推广多采用免费、补贴等手段,让农民享受到实惠,再从水产养殖的其他环节找回企业收益。
以上是小编为大家分享的关于大数据时代水产业如何与互联网做加法的相关内容,更多信息可以关注环球青藤分享更多干货
姓名:闫伟 学号:15020150038嵌牛导读:在计算机视觉领域,图像分割指的是为图像中的每个像素分配一个标签的任务,它也可以被看作是dense prediction task,对图像中每个像素进行分类。和使用矩形候选框的目标检测不同,图像分割需要精确到像素级位置,因此它在医学分析、卫星图像物体检测、虹膜识别和自动驾驶汽车等任务中起着非常重要的作用。
嵌牛鼻子:图像分割 CNN 语义分割
嵌牛提问:如何利用CNN对图像进行分割
嵌牛正文:
随着深度学习的不断发展,近年来图像分割技术也在速度和准确率上迎来了一次次突破。现在,我们能在几分之一秒内完成分割,同时保证极高的准确性。在这篇文章中,我们将介绍一些用于图像分割的主要技术及其背后的简单思路。我们将从最基础的语义分割(semantic segmentation)开始,慢慢进阶到更复杂的实例分割(instance segmentation)。
目标检测、语义分割和实例分割
语义分割
语义图像分割是为图像中的每个像素分配语义类别标签的任务,它不分割对象实例。现在,处理这类任务的主流方法是FCN及其衍生,所以我们先从FCN看起。
全卷积网络(FCN)
FCN架构
创建FCN的方法很简单,我们只需把CNN里的所有全连接层替换成宽高1×1的卷积层,这时卷积层的filter数量等于全连接层的神经元(输出)数量,所有层都是卷积层,故称全卷积网络。之所以要这么做,是因为每个像素的空间位置对于分割来说都很重要,而卷积层能分类全连接层无法处理的单个像素。作为处理结果,神经网络较高层中的位置会对应于它们路径连接的图像中的位置,即它们的感受野。
如上图所示,FCN的架构非常简单,主要由编码器CNN(以VGG为例)构成,只不过其中和分类网络对应的最后三层被改成了(4096,1,1)(4096,1,1)(N+1,1,1)的卷积层(N表示类别数量)。编码器后是一个解码器网络,它只包含一个反向的卷积层(也称为转置卷积transposed convolution或反卷积deconvolution)。它的输出与输入图像具有相同的空间维度,并具有N+1个通道,每个通道预测一个类别。
反向的卷积 *** 作
仍以VGG为例,由于前面采样部分过大,有时候会导致后面进行反向卷积 *** 作得到的结果分辨率较低,会出现细节丢失等问题。为此,FCN的解决方法是叠加第三、四、五层池化层的特征,以生成更精准的边界分割。如下图所示:
需要注意的一点是,在进行上采样之前,所有池化特征都会先通过(N+1,1,1)这个卷积层。
FCN分割效果
U-NET
U-NET架构
U-NET常被用于生物医学图像分割,它遵循了FCN的编码器-解码器结构,不使用任何全连接层。如上图所示,常规情况下,U-NET的编码器是一个包含10个卷积层的CNN,中间包含最大池化层(红色箭头)。它的解码器会对feature map进行多次上采样和卷积,目的是为了提取更高效、更抽象的特征。得到heatmap后,U-NET最后再用1×1的卷积层做分类,也就是说解码器一共有13层,整个架构总共由23层可学习的卷积层组成。
为什么要做上采样?
答:池化层会丢失图像信息和降低图像分辨率且是不可逆的 *** 作,对图像分割任务有一些影响。上采样可以补足一些的信息,但是信息补充的肯定不完全,所以还需要与左边的分辨率比较高的相连接起来(直接复制过来再裁剪到与上采样一样大小),这就相当于在高分辨率和更抽象特征当中做一个折衷,因为随着卷积次数增多,提取的特征也更加有效,更加抽象。—— jianyuchen23
SEGNET
SegNet架构
SegNet的全称是“用于图像分割的深度卷积编码器-解码器架构”,事实上,大多数语义分割方法都遵循这种基本架构,它们的编码器都是用VGG16,解码器都仿照U-NET——多次上采样后再卷积。但是,SegNet有自己独到的特点:
上采样是不可学习的
解码器使用和编码器相同的卷积(filter大小和相应层的通道数量)
SegNet中的上采样是一种反向最大池化 *** 作。为了补足图像信息,U-NET会对编码阶段的特征做通道降维,再把它和特征反向卷积后得到上采样进行相加,这一过程需要学习。而SegNet采用的方法是记录下编码阶段的最大池化index,比如在某层移动2×2的最大池化窗口时最高值像素的位置,然后把这个index用于解码阶段的上采样。空白的值用0填充:
SegNet上采样
在这个稀疏feature map进行正常卷积后,我们就能得到密集feature map。因此相比较FCN,SegNet的内存利用率更高,计算效率也更高。
需要注意的是,一般来说,解码器每一层的输入通道数和feature map大小都与其对应的编码器相同,但第一层不是。编码器的第一层都3个输入通道(RGB),但解码器第一层有更多通道,这是为了给每个类别生成分割掩膜。
用SegNet进行道路场景分割
实例分割
所谓实例分割,指的就是结合了语义分割和分类的任务。它在本质上更复杂,因为为了区分同一类的不同实例,我们往往需要为每个独立对象创建单独的、缩小的掩膜,然后再把它的大小调整为输入图像中对象的大小。
下面是实例分割的一些常用方法。
DEEPMASK
DeepMask架构
DeepMask是FAIR于2015年提出的一种实例分割方法,输入一张后,它能为子图像块(image patch)中的对象生成56×56的分割掩膜,并以掩膜为中心进行分类。对于图像的子图像块,它有两个约束:
子图像块中必须包含一个大致居中的对象
这个对象必须被完整包含在子图像块中,且在给定的比例范围内
由于DeepMask一次只能为子图像块分割一个对象,当它处理包含复杂、重复对象的图像时,它会在多个位置以多个比例密集应用。鉴于以上两个约束条件,这是可以理解的,也是必要的。
整个模型由VGG-A构成,它保留了两个全连接层,但删去了最后一个最大池化层,共有8个卷积层和4个池化层。模型输出的下采样因子为16,共有2个输出,一是子图像块对应物体的一个掩膜,二是这个子图像块包含一个物体的得分。
DeepMask分割效果
Multi-task Network Cascades(MNC)
MNC架构,右上为简化原理图
MNC不直接进行实例分割,它把这个任务分成了三个更小、更简单的子任务:
区分实例。这个子任务的目标是为每个实例预测候选框和候选框是否包含对象的概率;
估计掩膜。这个子任务的目标是预测对象的像素级掩膜;
对对象进行分类。这个子任务的目标是为每个掩膜级实例预测类别标签。
这三个子任务不是并行执行的,它们要按照顺序一个个完成,这也是MNC的全称“多任务网络级联”的原因。模型用移除了所有全连接层的VGG-16处理输入图像,生成feature map,作为三个子任务的共用数据。
子任务1:预测实例候选框
首先,神经网络以窗口的形式提取对象实例,这些候选框不包含分类预测信息,但有一个包含/不包含对象的概率。这是个全卷积的子网络,结构类似RPN。
子任务2:估计实例掩膜
基于子任务1返回的候选框预测,模型再用ROI pooling从共享卷积特征中提取该候选框的特征,之后是两个全连接层(fc),第一个fc负责把维度降到256, 第二个fc负责回归像素级的掩膜。掩膜的预定义分辨率是M×M,这和DeepMask中使用的预测方法有些类似,但不同的是MNC只从几个候选框中回归掩膜,计算成本大大降低。
子任务3:对实例进行分类
现在模型有了子任务1给出的候选框预测,也有了子任务2用ROI pooling提取的feature map,之后就是基于掩膜和候选框预测实例类别。
这是两条并行路径。在基于掩膜的路径中,ROI提取的feature map被子任务2预测的掩膜“覆盖”,使模型更关注预测掩膜的前景特征,计算乘积后,将特征输入两路4096维的fc层。在基于候选框的路径中,用ROI pooling提取的特征被直接传递到4096维的fc层(图中未画出),目的是为了解决特征大幅被掩模级通道“覆盖”的情况(如目标对象很大)。之后,基于掩膜和基于候选框的路径被连接起来,紧接着是N+1类的Softmax分类器,其中N类是物体,1类是背景。
MNC分割效果
即便是这么复杂的架构,整个网络也是可以端到端训练的。
INSTANCEFCN
InstanceFCN是FCN的改进版,它不仅在语义分割任务上表现出色,在实例分割上也有不错的结果。之前我们提到过,FCN的每个输出像素是一个类别的分类器,那么InstanceFCN的每个输出像素就是实例相对位置的分类器。例如,下图被分为9块区域,在其中的第6个得分图中,每个像素就是对象是否在实例右侧的分类器。
试想一下,如果图像中只有一个实例,分割过程会很简单;如果有多个重叠实例,那么我们就得先区分实例,然后再进行分割。相比FCN,InstanceFCN的最大改进是引入相对位置,它在输入图像上生成k2实例敏感分数图,每个分数图对应于特定的相对位置,这就实现了相同位置不同语义的预测。
为了从这些分数图上生成图像实例,InstanceFCN在这组分数图上用了一个m×m的滑动窗口。在这个滑动窗中,每一个m/k×m/k的子窗口直接从相应的分数图中同样的子窗口复制那一部分数值。之后这组子窗口按照相对位置拼起来就得到了m×m的结果。 这一部分被称为实例组合模块(instance assembling module) 。
模型的架构包括在输入图像上用VGG-16做特征提取。在输出的feature map顶部,有两个全卷积分支:一个用来估计分割实例(如上所述),另一个用来对实例进行评分。
InstanceFCN架构
如上图所示,对于第一个分支,模型先采用一个512维的1×1卷积层转换特征,然后用3x3的卷积层生成一组k2实例敏感分数图。这个实例组合模块负责在分辨率为m×m(m=21)的滑动窗中预测分割掩膜。
对于第二个分支,模型先采用一个512维的3×3卷积层,后面跟随一个1x1的卷积层。这个1x1的卷积层是逐像素的逻辑回归,用于分类以像素为中心的m×m滑动窗口中的对象是/不是实例。因此,这个分支的输出是对象分数图,其中一个分数对应于生成一个实例的一个滑动窗口,所以它对不同的对象类别会“视而不见”。
InstanceFCN分割效果
FCIS
正如InstanceFCN是对FCN的改进,完全卷积实例感知语义分割(FCIS)也是在InstanceFCN基础上做出的进一步优化。上节我们说道,InstanceFCN预测分割掩膜的分辨率都是m×m,而且没法将对象分类为不同类别。FCIS解决了这两个问题,它既能预测不同分辨率的掩膜,也能预测不同的对象类别。
FCIS实例敏感分数图
给定ROI,首先用InstanceFCN的实例组合模块生成上述分数图。对于ROI中的每个像素,有两个任务(所以要生成两个分数图):
检测:它是否在某相对位置的对象检测候选框内,是(detection+),否(detection-)
分割:它是否在对象实例的边界内,是(segmentation+),否(segmentation-)
基于上述任务,这时出现了三种情况:
内部得分高,外部得分低:detection+,segmentation+(像素点位于ROI中的目标部分)
内部得分低,外部得分高:detection+,segmentation-(像素点位于ROI中的背景部分)
两个得分都很低:detection-,segmentation-(像素点不在ROI中)
对于检测,我们可以用取最大值把前两种情况(detection+)和情况3(detection-)区分开。整个ROI的得分是求取最大值得到分数图的所有值的平均数,之后再通过一个softmax分类器。对于分割,softmax可以区分情况1(segmentation+)和其他情况(segmentation-)。ROI的前景掩膜是每个类别每个像素分割分数的合并。
FCIS架构
FCIS分割效果
MASK R-CNN
MASK R-CNN是目标检测模型Faster R-CNN的进阶版,它在后者候选框提取的基础上添加了一个并行的分支网络,用预测分割掩膜。这个分支网络是个共享feature map的FCN,它为每个ROI提供Km2 维的输出,其中K对应类别个数,即输出K个掩膜,m对应池化分辨率。这样的设计允许网络为每个类别生成掩膜,避免了不同类实例之间因重叠产生混淆。此外,分类分支是直接在掩膜上分类,所以分割和分类是分离的。
Mask R-CNN架构中用于预测掩膜的分支
关注输入图像的空间结构是准确预测掩膜的前提,而这种像素到像素的 *** 作需要ROI特征的完全对齐。在目标检测任务中,一些模型会用RoIPool提取这些特征,但它们不总是严格对齐的,因为ROI的维度不仅可以是积分,也可以是浮点数。RoIPool通过将它们四舍五入到最接近的整数来量化这些维度,不仅如此,量化的RoI还被进一步细分为量化的空间区间,在该区间上执行合并。虽然这些量化对分类问题没什么影响,但如果把它们用于像素级对齐,分割掩膜预测会出现巨大偏差。
RoIAlign: 虚线网格表示feature map,实线表示RoI(有2×2个bin,每个bin中4个采样点)
考虑到实例分割要求像素级别的精准,MASK R-CNN引入了一种新的方法来提取特征,称为RoIAlign。它背后的想法是很简单:既然错位是由量化引起的,那就避免所有量化。RoIAlign不会对维度做任何约减,它引入了一个插值过程,先通过双线性插值到14×14,再池化到7×7,很大程度上解决了由直接池化采样造成的Misalignment对齐问题。需要注意的是,使用RoIAlign提取的RoI特征具有固定的空间维度,这点和RoIPool一样。
小结
以上就是现在常用的语义分割、实例分割模型,它们基本上都是FCN的变体,把编码器作为简单的特征提取器,重点放在解码器创新上。此外,一些研究人员也尝试过用其他方法来解决实例分割问题,比如上面提到的MASK R-CNN就是改造目标检测模型的成果,总而言之,FCN还是解决这类任务的重要基石。
译者的话:以上只是简短的关键提炼,如果读者希望了解这些模型的具体细节,可以参考文末推荐的几篇中文论文解读,点击阅读原文获取超链接。
参考文献
[1] J Long, E Shelhamer, and T D ar rell Fully convolutional networks for semantic segmentation In CVPR, 2015 (paper)
[2] O Ronneberger, P Fischer, and T Brox, “U-net: Convolutional networks for biomedical image segmentation,” in MICCAI, pp 234–241, Springer, 2015 (paper)
[3] Badrinarayanan, V, Kendall, A, & Cipolla, R (2017) SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 2481-2495 (paper)
[4] P O Pinheiro, R Collobert, and P Dollar Learning to segment object candidates In NIPS, 2015 (paper)
[5] Dai, J, He, K, Sun, J Instance-aware semantic segmentation via multi-task network cascades In CVPR, 2016 (paper)
[6] J Dai, K He, Y Li, S Ren, and J Sun Instance-sensitive fully convolutional networks In ECCV, 2016 (paper)
[7] Y Li, H Qi, J Dai, X Ji, and Y Wei Fully convolutional instance-aware semantic segmentation In CVPR, 2017 (paper)
[8] K He, G Gkioxari, P Dollár, R Girshick Mask R-CNN In ICCV, 2017 (paper)
编译参考
[1] jianyuchen23—— U-Net论文详解
[2] DelphiFan’s Blog—— 语义分割论文-SegNet
[3] Elaine_Bao—— 物体检测与分割系列 DeepMask
[4] AHU-WangXiao—— Instance-aware Semantic Segmentation via Multi-task Network Cascades
[5] Tina’s Blog—— InstanceFCN:Instance-sensitive Fully Convolutional Networks
[6] 技术挖掘者—— Mask R-CNN详解
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)