基于深度学习特征表达的车辆检测和分析

在基于单目视觉的辅助驾驶中,对车载摄像头拍摄的视频进行车辆检测、识别、分析,可以提取出有效信息来提醒司机或控制车辆的行驶,是机器视觉技术挑战问题。该文利用深度特征表达对车载视频进行车辆检测和分析,首先,针对现有卷积神经网络对超清分辨率车载视频分析效果差的问题,提出随机失活池化降维方法改进设计卷积神经网络适应高分辨率视频;其二,针对检测标识的车辆提取行驶状态信息的问题,该文利用现有卷积神经网络的重新训练分析出车辆的行驶方向:前向(F-direction)行驶车辆和对向(R-direction)行驶车辆。实验证明,该文的方法能够实时、有效地检测车辆和分析状态。     

改进的Faster R-CNN在车辆识别中的应用

随着人工智能技术的不断发展,利用深度学习进行车辆识别已经成为智能交通领域的热点。以更快速区域卷积神经网络(Faster R-CNN)模型为基础,利用BIT-Vehicle数据集定义车辆视觉任务,利用改进的困难样本算法加强对图像中远小目标车辆的特征提取,并改进NMS算法的置信度函数,动态调整置信度区间,对实际场景中的车辆图像进行测试。该方法可输入多尺度图像、能自主提取车辆特征,提高模型对小目标的判别能力,减少漏检情况,提升检测精度,加速模型收敛,鲁棒性较强。     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能.为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法.将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性.为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征.此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量.实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果.     

基于可变形卷积神经网络的遥感影像密集区域车辆检测方法

车辆检测是遥感图像分析领域的热点研究内容之一,车辆目标的智能提取和识别,对于交通管理、城市建设有重要意义。在遥感领域中,现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题,该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先,在特征提取阶段,DF-RCNN模型将深浅层特征图的分辨率统一并融合;其次,DF-RCNN模型结合可变形卷积和可变形感兴趣区池化模块,通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明,该文提出的模型针对密集区域的车辆目标具有较好的检测性能。     

低分辨率模糊车辆的人工智能识别研究

伴随着我国经济的飞速迅猛发展,国内各种汽车的数量增长飞快,道路交通治理将面临严峻的挑战。采用人工智能应对交通拥挤等各种状况是当前研究的热点。根据人工智能中经典的卷积神经网络,对远距离的低分辨率模糊车辆进行训练学习,提取图像的特点,得到图像分层的特征值。进一步采用区域卷积神经网络,从待识别的图片中定位识别出来车辆,实验结果表明识别准确率可以达到99%以上。该识别技术给智能交通系统提供了便捷的方案。     

基于鱼眼摄像头的一种人脸识别技术

针对普通人脸识别算法无法准确处理360°环境下的人脸信息,提出一种基于鱼眼摄像头的人脸识别技术。首先提取摄像头中的实时信息图像,根据球面投影校正的原理得到多方向的平面透视图;运用深度学习中的卷积神经网络提取校正后的全景图像中的人脸特征,从而与数据库中人脸特征比对,得出结果。算法增加了人脸识别技术的应用场景和范围,提升了人脸识别技术的处理能力。最后的实验结果证明了此方法的有效性。     

高分辨力极化SAR图像城市区域车辆目标检测

研究基于高分辨力极化合成孔径雷达(SAR)图像的城市区域车辆目标自动检测方法。城市区域具有复杂的地物,这给在城市区域进行车辆目标检测工作带来困难。首先采用Freeman-Durden分解、极化白化滤波器(PWF)和相似性参数3种方法来提取图像数据的极化信息;在此基础上,采用深度卷积神经网络来对车辆目标和其他地物进行二分类,实现对城市区域车辆目标的检测。基于机载分米级分辨力极化SAR数据的实验结果验证了该方法的有效性,在较低的虚警率下获得较高的检测率。将3种极化特征融合时,能够在虚警率为2.82%时获得95.65%的检测率。     

面向细粒度图像识别的通道注意力多分支网络

细粒度图像识别研究的内容是大类下的子类别识别问题,其关键是找到图像中的关键区域并从中提取有效特征.针对现有方法在定位关键区域时无法兼顾准确性和计算量的问题,提出了一种引入高效通道注意力模块的多分支网络.首先,在递归注意力卷积神经网络的基础上引入通道注意力定位图像中目标的位置.然后,用深度超参数化卷积替换传统卷积操作,增加了网络可学习的参数.最后,用改进的注意力部件模块切割出多个图像关键区域部件,以捕捉丰富的局部信息.实验结果表明,本方法在弱监督情况下的识别效果较好,在两个常用细粒度数据集Stanford Cars、Food-101上的识别准确率分别为95.4％和90.6％.     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。     

基于Gist特征与CNN的场景分类方法

针对大多数场景分类方法只能学习浅层特征,忽略图像之间的相关结构信息,提出一种基于Gist特征与卷积神经网络结合的场景图像分类方法.其中Gist特征用于提取场景图像的全局特征,并将其作为深度学习模型的输入,通过逐层训练卷积神经网络,提取更高层次的特征,并用训练好的卷积神经网络进行分类.实验在O&T室外场景图像数据集和MNIST手写体数据集上考察了batchsize、卷积核对分类结果的影响,并与DBN,NN,SVM和CART作为分类器的分类结果进行比较,充分说明了本文方法的有效性.     

Face verification based on deep Bayesian convolutional neural network in unconstrained environment

Unconstrained face verification aims to verify whether two specify images contain the same person. In this paper, we propose a deep Bayesian convolutional neural network (DBCNN) framework to extract facial features and measure their similarity for face verification in unconstrained conditions. Specifically, we design a deep convolutional neural network and construct a Bayesian probabilistic model by transferring the Bayesian likelihood ratio function into linear decision function. By training a decision line rather than finding a suitable threshold, we further enlarge the distances between inter-class and intra-class in unconstrained environment. Finally, we comprehensively evaluate our method on LFW, CACD-VS and MegaFace datasets. The test results on LFW and CACD-VS datasets show that our method can shrink intra-class variations significantly. The performance of our DBCNN model on MegaFace dataset proves that our model can achieve comparable performance to state-of-the-art methods on face verification with relative small training data and only one single network.     

Multi-scale aware dual path network for face detection in resource-constrained edge computing environment

Aiming at the problem that face detectors with complex deep neural structures are difficult to deploy in the resource-constrained edge computing environment,to reduce the resource consumption while maintain the accuracy in complex scenes such as multi-scale face changes,occlusion,blur,and illumination,SDPN(multi-scale aware dual path network) for face detection was proposed.The Face-ResNet (face residual neural network) was improved,and a dual path shallow feature extractor was used to understand the multi-scale information of the image through parallel branches.Then the deep and shallow feature fusion module,a combination of the underlying image information and the high-level semantic feature,was used in conjunction with the multi-scale awareness training strategy to supervise the multi-branch learning discriminating features.The experimental results show that SDPN can extract more diversified features,which effectively improve the accuracy and robustness of face detection while maintaining the efficiency of the model and low inference delay.     

基于深度卷积神经网络的大气湍流强度估算

提出了一种基于深度卷积神经网络估算大气湍流折射率结构常数C_n²的方法。将湍流影响下的高斯光束光斑图像作为神经网络的输入,利用深度卷积神经网络提取图像的特征信息,得到C_n²大小,并采用平均绝对误差、平均相对误差、均方根方差和相关系数四个统计量来衡量模型的估算效果。结果表明,该模型能够根据湍流影响下的高斯光束光斑图像对C_n²进行估算,当迭代500次时,相关系数为99.84%,各项误差均在2%左右。该模型在大气湍流特性分析及大气湍流强度估算等领域有一定应用价值。     

一种改进的二进制哈希编码方法

为了应对手工视觉特征与哈希编码过程不能最佳地兼容以及现有哈希方法无法区分图像语义信息的问题,提出一种基于深度卷积神经网络学习二进制哈希编码的方法.该方法基本思想是在深度残差网络中增加一个哈希层,同时学习图像特征和哈希函数;以此同时提出一种更加紧凑的分级哈希结构,用来提取更加接近图像语义的特征.经MNIST、CIFAR-10、NUS-WIDE数据集的实验,结果表明该方法优于现有的哈希方法.该方法不仅统一了特征学习和哈希编码的过程,同时深层残差网络也能得到更接近图像语义的特征,进而提高了检索准确度.     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

基于深度卷积神经网络的红细胞识别算法研究

针对深度研究的项目特点,文章对卷积神经网络结构的研究现状进行分析,总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析,针对红细胞图像提取特征,设计群优化算法的卷积神经网络结构,以提高图像检测的科学性、准确性,展现深度卷积神经网络的识别算法技术的使用价值。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

面向统计特性一致的深度图像修复方法

本文提出了一种改善深度修复图像统计特性一致性的方法。首先,分别采用非线性高通滤波残差及深度神经网络提取固有身份信号(intrinsic identity signal, IIS),发现深度修复图像和真实图像存在IIS统计特性差异,验证在不同来源图像和不同的深度修复算法的条件下统计特性不一致性是普遍存在的。其次,提出一个生成型卷积神经网络,优化修复区域,保证修复图像的视觉质量,使其与真实区域IIS统计特性保持一致。最后,通过在合理范围内对生成网络的部分参数进行随机扰动,生成具有模式多样性的图像,有效降低生成图像被识别来源的概率。通过对比真实图像、深度修复图像、生成图像的IIS统计特性,以及在取证检测器上的对抗检测实验,表明了本文方法的有效性。      

基于卷积神经网络的超声红外热图像分类

在超声红外热像技术应用中,从红外热图像来判断被测对象是否含有裂纹,通常需要先基于人工经验,从红外热图像中提取特征再采用某种模式识别方法进行分类,裂纹的识别与定位过程繁琐且识别率较低。为此,提出一种基于卷积神经网络技术的超声红外热图像裂纹检测与识别方法,其特点是可以直接从超声红外图像中学习特征进而实现是否含有裂纹红外热图像的分类。通过实验得到的含裂纹和不含裂纹金属平板试件的红外热图像,建立卷积神经网络模型对图像中是否含有裂纹进行分类,研究结果表明,参数优化后的卷积神经网络模型对超声红外热图像的有无裂纹分类准确率达到98.7%。