基于深度学习的小目标检测方法综述

小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为基于多尺度预测、基于数据增强技术、基于提高特征分辨率、基于上下文信息,以及基于新的主干网络和训练策略等5类方法,全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.     

轮廓检测深度学习模型的多尺度特征解码网络

轮廓检测旨在提取自然场景中目标形状以及区域与区域之间显著的分界线,是计算机视觉中的研究热点之一.近几年,基于卷积神经网络的轮廓检测模型取得了显著突破,这些模型由编码网络和解码网络两部分构成.编码网络一般采用现有的VGG16网络,研究者主要致力于解码网络设计.考虑到自然图像中包含许多不同尺度的轮廓,充分利用丰富的层级特征对于轮廓检测非常重要.因此,从充分利用多尺度特征的角度出发,提出一种能够有效整合不同尺度卷积特征信息的解码网络结构.将输入信息分成浅层、中层和深层3种特征,利用解码网络分别对不同尺度的特征进行整合,最后平均融合3种特征,进行图像到图像的轮廓预测,在BSDS500数据集上对模型进行评估.对比实验结果表明,模型预测的轮廓清晰,最佳数据集尺度指标达到了0.818,具有较好的性能评估指标.     

小样本目标检测的研究现状

近年来,随着深度学习技术的进步与推广,目标检测领域得到快速发展.但目前基于深度学习的方法大多对大规模标注数据有着极高的需求,而现实场景中大量标注数据往往不可能.因此,基于少量标注样本的目标检测领域逐渐得到大家关注.本文系统地总结与分析了目前有关小样本目标检测的方法,指出了目前方法的缺陷,并提出了一些可能的发展方向.     

基于Kinect传感器的机器人室内环境检测方法

针对移动机器人室内环境检测问题,提出了一种基于Kinect传感器的目标物体检测方法.利用Kinect传感器采集的视频图像和深度数据来实现对机器人工作环境中已知特征目标物体和完全未知目标物体的检测及定位.对于已知特征目标通过颜色特征分析来完成检测,而对于完全未知的物体则通过深度地面消除算法和提取深度图像的轮廓来进行检测.利用传感器成像模型对检测出的目标区域进行三维空间定位,从而获取目标物相对于机器人的空间位置信息.基于移动机器人平台进行实验,结果表明,该方法能够有效地实现室内环境信息的检测及定位.     

基于特征金字塔网络的超大尺寸图像裂缝识别检测方法

基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一.深度学习作为裂缝检测的重要解决方法,需要大量数据支持.公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题.提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法.通过对编码器提取的4个不同层次的特征图分别进行预测,网络...     

基于深度神经网络的车辆特征识别方法

提出了一种基于深度神经网络的车辆特征识别方法,通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断,对采集的车辆图像进行边缘轮廓检测和信息增强处理,突出车辆的类别属性特征点,在仿射不变区域对车辆角点分布信息进行直方图均衡化处理,实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练,实现车辆特征的智能识别.选取大量交通视频图像进行实验,仿真结果表明采用该方法进行车辆特征识别的成功率较高,输出车辆特征点正确的像素总数较多,对目标车辆的准确检测定位性能较好.     

基于深度学习的推荐算法研究综述

深度学习技术是机器学习领域的一个研究热点,已被深入研究并广泛应用于许多领域. 推荐系统是缓解信息过载的重要技术,如何将深度学习融入推荐系统,利用深度学习的优势从各种复杂多维数据中学习用户和物品的内在本质特征,构建更加符合用户兴趣需求的模型,以提高推荐算法的性能和用户满意度,是深度学习应用于推荐系统的主要研究任务. 对基于深度学习的推荐算法研究和应用现状进行了综述,讨论并展望了深度学习应用于推荐系统的研究发展趋势.     

基于CNN与BiGRU融合神经网络的入侵检测模型

针对深度学习入侵检测中出现的数据类不平衡及特征学习不全面等问题,提出了一种基于卷积神经网络(CNN)与双向门控循环单元(BiGRU)融合的神经网络入侵检测模型.通过SMOTE-Tomek算法完成对数据集的平衡处理,使用基于平均不纯度减少的特征重要性算法实现特征选择,将CNN和BiGRU模型进行特征融合并引入注意力机制进...     

基于深度学习的地基云分类技术研究进展

深度学习的自动学习特征和精确的预测能力使其在地基云分类上获得成功,更复杂更优良的深度学习网络在地基云分类领域得到研究和应用.近两年来一些大规模地基云分类数据集被公布,但还没有文献对这些大数据集进行完整地介绍和使用.本文对深度学习地基云分类领域最新的研究进展进行了详细的概括,并介绍了最新发布的国际标准大规模数据集,最后对几种经典的卷积神经网络深度学习模型在地基云分类上的性能进行了评估,验证了卷积神经网络在地基云分类领域的适用性.     

基于半监督主动学习的虚假评论检测

基于有监督的虚假评论检测方法受限于标注语料的规模,为了更好地利用未标注评论数据来提高分类器的正确率和泛化能力,本文提出一种基于半监督主动学习的虚假评论检测方法.首先,定义并提取评论内容特征以及评论者行为特征,结合这两类特征来对虚假评论进行检测.然后,采用基于熵的主动学习算法选择对学习最有帮助的评论样本,获得其类别标注,将其合并到基于Tri-training的半监督学习算法的训练集中,利用大量未标注评论数据进行学习,提升分类器性能.最后,在领域评论数据集上进行实验,结果表明,将半监督学习与主动学习相结合,能够更有效的利用未标注评论数据,从而有效地提高虚假评论检测的效果.     

深度自编码网络在入侵检测中的应用研究

当前网络环境下的网络数据呈现出比以往更为庞大、复杂和多维的特性,传统的机器学习方法面临复杂的高维数据需要手动提取大量特征,特征提取过程复杂且计算量大,不利于当前入侵检测实时性和准确性的要求.基于此,以降低数据维度和消除冗余信息为目的,综合利用深度自编码网络(DAN)和BP算法,提出了基于DAN-BP的入侵检测模型.首先通过叠加多个自编码网络构成深度自编码网络模型,将网络特征数据作为模型的输入,使模型能够智能的逐层抽取网络数据的分布规则,从而获得新的低维特征数据集;然后利用BP算法对学习到的低维数据进行分类识别.文中通过在自编码网络中加入正则化修正,防止训练出的自编码网络直接复制输入信息而影响训练效果;且在输入数据中添加噪声,通过学习原始数据和输出数据重构误差达到去噪的目的,从而使得学习到的新的特征数据具有更强的鲁棒性.对比了传统的降维方法和当前入侵检测方法,结果表明本文方法在分类准确率、误报率和检测速率上均具有较优的效果.     

基于双通道Mask-RCNN的手势识别

光照、复杂的背景以及多变的手势一直以来都是手势识别的难点,随着采集设备的不断发展,深度相机采集到的深度数据为彩色数据增添了更多的特征信息,有效地解决了光照变化带来的手势识别率不高的问题.此外,深度学习能够从图像中自动学习有效的手势特征,避免了传统方法在特征提取时遇到的耗时较多的问题.因此结合深度学习与RGB-D数据的优势,提出一种以RGB-D数据为输入的双通道的Mask RCNN网络.该网络在原有网络的基础上增加了一个深度特征提取通道,并在特征层面上将RGB特征和预处理后得到的深度特征进行融合.最后为了避免训练模型出现过拟合现象,提出采用扰动交叠率算法,进一步提高手势检测的识别率.实验结果表明,本方法相比较于仅采用彩色图的Mask RCNN网络,在简单数据集上的识别率提高了2.77％,在困难数据集上提高了4.39％.     

注意力卷积GRU自编码器及其在工业过程监控的应用

针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器（CGRUA-AE）深度神经网络和基于CGRUA-AE的过程故障检测方法. 采用卷积门控循环单元（ConvGRU）有效地提取输入数据的空间和时间特征;建立基于ConvGRU的自编码器,采用无监督学习对时间序列数据进行特征提取,引入注意力机制对相应的特征进行加权计算,实现对关键特征的有效选择;分别在特征空间与残差空间上建立基于T ²、SPE统计量的过程监控模型,实现对多元数据有效的特征提取和故障检测. 数值案例和田纳西?伊士曼过程故障检测结果表明,CGRUA-AE具有良好的特征提取能力和故障检测能力,性能优于常用的过程故障检测方法.     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

基于Deeplab-V3的焊缝缺陷检测应用研究

首先,采用三维激光线扫相机采集焊接部位的三维点云数据投影至3个平面获取深度图,更好地将焊缝缺陷呈现出来;其次,采用深度图制作训练数据集,利用循环一致性对抗网络对样本数据进行扩充,并基于该数据集提出两种焊缝缺陷检测方法,分别是基于特征和基于滑动窗口的Deeplab-V3模型深度学习焊缝缺陷检测方法;再次,采用AHP(层次分析法,Analytic hierarchy process)和FCE(模糊综合评价方法,Fuzzy comprehensive evaluation)系统评价方法对提出的两种焊缝缺陷检测方法进行评价,得出基于深度学习的焊缝缺陷检测方法在检测效果上更好;最后,开发了焊缝缺陷检测系统,进行测试和校验,验证了基于Deeplab-V3模型的焊缝缺陷检测模型的可行性和有效性。     

深度学习在电力领域的研究现状与展望

深度学习技术,近年来已经广受学术界和工业界的关注,已在图像处理及分类,自然语言处理和生物医疗领域中取得卓越成果.对于存在大量高维度数据的电力领域,引入深度学习的理论具有一定的意义.介绍了深度学习的几个经典模型结构、工作原理,以及相关领域的部分研究成果,并围绕深度学习在电力领域中的研究现状展开了论述,指出了存在的不足和未来研究的方向.     

基于深度学习的融合多源异构数据的推荐模型

为了充分利用多源异构数据所提供的信息提高推荐准确度,提出一个基于深度学习的混合推荐模型.该模型融合评分、评论和社交网络数据进行推荐,采用深度学习方法对文本和评分进行特征学习,然后使用社交网络对采样进行约束,从而得到更准确的用户和物品的特征表示.实验结果表明,该方法具有较高的准确度.     

模式分类中的特征融合方法

特征融合方法是模式识别领域的一种重要方法.计算机视觉领域的图像识别问题作为一种特殊的模式分类问题,仍然存在很多挑战.特征融合方法能够综合利用多种图像特征,实现多特征的优势互补,获得更加鲁棒和准确的识别结果.笔者基于信息融合理论分析了特征融合方法的原理,介绍了特征融合方法的研究现状,讨论了特征融合与3类主流基础理论相结合的方法,其中基于贝叶斯理论的特征融合算法可以实现多特征的融合决策,基于稀疏表示理论的特征融合算法能够得到多特征的联合稀疏表示,基于深度学习理论的特征融合算法能够强化深度神经网络模型的特征学习过程.     

基于LS-SVM的管道二维漏磁缺陷重构

针对铁磁材料的无损评估中,漏磁信号描述缺陷的几何特征难点,提出了应用支持向量机对二维缺陷重构的新方法,支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系.网络学习采用最小二乘算法,训练样本由实验数据与仿真数据组成,测试样本为人工裂纹缺陷.该方法实现了人工裂纹缺陷的二维轮廓的重构,并与径向基神经网络重构结果进行了比较.试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法.     

深度聚类算法研究综述

聚类分析是挖掘数据内在结构的关键技术,在大数据时代,人们面对的数据通常具有规模大、维度高、结构复杂等特点,直接应用传统聚类算法往往会失效.深度学习凭借层次化非线性映射能力使得大规模深度特征提取成为可能,因此基于深度学习的聚类(深度聚类)算法迅速成为无监督学习领域的研究热点.该文旨在对深度聚类的研究现状进行归纳和总结.首先,从神经网络结构、聚类损失和网络辅助损失3个角度介绍深度聚类的相关概念;然后,根据网络的结构特点对现有的深度聚类算法进行分类,并分别对每类方法的优势和劣势进行分析和阐述;最后,提出好的深度聚类算法应具备的三要素:模型的可扩展性、损失函数的鲁棒性和特征空间的平滑性,并从这3个方面分别阐述未来可能的研究方向.