共查询到18条相似文献,搜索用时 218 毫秒
1.
2.
3.
4.
近年来,基于孪生网络的方法在视觉目标跟踪中取得了巨大的进步,但是这类方法在处理跟踪中的目标状态估计以及复杂场景干扰中仍存在较大的提升空间。随着深度学习在目标检测领域取得的成功,越来越多的研究将其成果用于指导目标跟踪技术的发展。对融合检测技术的孪生目标跟踪算法进行了综述。首先介绍检测和跟踪的联系与区别,同时分析检测技术对改进基于孪生网络的跟踪算法的可行性;然后阐述在不同检测框架指导下的孪生目标跟踪算法,以及使用OTB100、VOT2018、GOT-10k和LaSOT公开数据集对各类算法进行对比和分析;最后对全文进行总结,并对目标跟踪的未来发展方向进行展望。 相似文献
5.
黄乐程 《信息技术与信息化》2024,(3):115-119
随着计算机视觉应用的突破性发展以及垃圾分类智能化需求的日益增长,基于深度学习的垃圾分类技术成为生活垃圾分类的主流发展趋势。基于深度学习的垃圾分类典型方法主要包括基于ResNet、DenseNet、单阶段目标检测方法和卷积神经网络与迁移学习相结合方法等。文章系统梳理各分类方法的技术特色和适用效果,介绍了有限的垃圾分类公开数据集图像获取及数据情况,指出深度学习在垃圾分类应用中面临数据集依赖、多目标小物体检测率低、轻量型网络模型少等瓶颈问题。聚焦问题,提出了深度学习技术在生活垃圾分类中应用的重点研究领域,并对未来研究发展趋势予以展望。 相似文献
6.
近几年软硬件的突破使得人工智能技术得到快速发展,卷积神经网络在图片识别、视频目标跟踪等领域取得了突破性成就.基于计算机视觉、深度学习和传感器融合的无人超市"Amazon Go"成为目前最有前景的无人超市方案. 相似文献
7.
《信息通信》2017,(11)
人类所接触的外界信息大约有80%属于视觉信息,是其最主要的信息来源。目标检测与跟踪是计算机视觉研究领域的热门课题,它融合了图像处理、模式识别、人工智能、自动控制等许多领域的前沿技术,在智能交通系统、环保监测、危险源识别等诸多领域得到了广泛的应用[1]。而近些年兴起的深度学习在特征提取与模型拟合方面显示了其独特的潜力和优势,因此,基于深度学习的目标检测也就成为了近年来理论和应用的研究热点,并且已有一些研究关注深度学习在图像识别方面的应用。文章重点介绍了深度学习在环保督察领域的研究方向和应用场景,包括图像目标识别、状态特征提取、目标判定和智能分析,并对相关识别方法和状态特征提取进行了描述,分析了传统方式下环保督察中存在的问题,指出了深度学习在环保督察领域中的作用,提出对应的技术解决方案,并指出了改进的方向。 相似文献
8.
《电子技术与软件工程》2017,(12)
截至目前,运动目标跟踪已经历经了几十年的发展研究,其作为当前社会一项至关重要的先进技术,对于人们的日常工作生活以及社会经济、军事政治等其他各领域均有着积极的帮助作用。特别是在计算机视觉技术逐渐发展成熟的今天,运动目标跟踪与计算机视觉技术的融合程度也越来越高。基于此,本文将选择当前比较常见的一种目标跟踪算法即Kalman filter算法,并以运动的人脸作为跟踪目标,着重围绕基于计算机视觉的运动目标跟踪算法进行简要分析研究。 相似文献
9.
目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。 相似文献
10.
11.
图像序列光流计算是图像处理与计算机视觉等领域的重要研究方向.随着深度学习技术的快速发展,以卷积神经网络为代表的深度学习理论与方法成为光流计算技术研究的热点.本文主要对深度学习光流计算技术研究进行综述,首先介绍了有监督学习、无监督学习和半监督学习的光流计算网络模型与训练策略,然后重点阐述并分析了不同网络模型优化方法.针对光流计算模型的评估问题,分别介绍了Middlebury、MPI-Sintel和KITTI等数据库及评价基准,并对不同类型深度学习和传统变分光流模型进行对比与分析.最后,总结了深度学习光流计算技术在模型复杂度与泛化性、光流估计鲁棒性、小样本训练准确性等方面的关键技术问题,并指出了可能的解决方案与研究思路. 相似文献
12.
手语识别涉及计算机视觉、模式识别、人机交互等领域,具有重要的研究意义与应用价值。深度学习技术的蓬勃发展为更加精准、实时的手语识别带来了新的机遇。该文综述了近年来基于深度学习的手语识别技术,从孤立词与连续语句两个分支展开详细的算法阐述与分析。孤立词识别技术划分为基于卷积神经网络(CNN)、3维卷积神经网络(3D-CNN)和循环神经网络(RNN) 3种架构的方法;连续语句识别所用模型复杂度更高,通常需要辅助某种长时时序建模算法,按其主体结构分为双向长短时记忆网络模型、3维卷积网络模型和混合模型。归纳总结了目前国内外常用手语数据集,探讨了手语识别技术的研究挑战与发展趋势,高精度前提下的鲁棒性和实用化仍有待于推进。 相似文献
13.
14.
对人工智能领域中的计算机视觉和深度学习技术的发展进行了简要概述,阐述了两者之间的关联,并结合5G技术对其未来的发展趋势做了一定的展望。剖析了某小区人脸抓拍的实际案例,重点介绍了计算机视觉技术在城市治理智慧安防行业中的应用,包括流程设计、业务逻辑、算法原理等,希望能够为相关领域的专家学者提供合理化建议与新的思路。 相似文献
15.
16.
图像目标检测是找出图像中感兴趣的目标,并确定他们的类别和位置,是当前计算机视觉领域的研究热点。近年来,由于深度学习在图像分类方面的准确度明显提高,基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络;然后,重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述;最后,根据在公共数据集上的检测结果分析模型的优势和缺点,总结了图像目标检测研究中存在的问题并对未来发展做出展望。 相似文献
17.