基于似物性的快速视觉目标识别算法

针对视觉目标识别算法实时性较差的问题,基于似物性提出一种面向视觉目标识别的可变部件模型改进算法。该算法首先对图像进行二进制归一化的似物性检测,并利用检测结果形成视觉目标候选框;然后使用目标识别算法对候选区域进行似然判决,比滑动窗口法缩短了搜索时间;最后通过一个快速扩大-缩小算法对检测目标进行尺度修正,提高目标框的准确度。在PASCAL 图像库上的识别结果表明:该识别方法在准确率上优于当前主流的检测模型,计算耗时较级联DPM算法减少约50%。     

基于似物性和空时协方差特征的行人检测算法

针对行人检测算法中缺少空时信息融合、检测区域过大等问题,提出了一种联合似物性检测和基于通道协方差信息的改进算法。该算法首先对图像进行二进制梯度归一化的似物性检测,并形成行人检测候选区域,缩小检测区域;然后提取待测目标的空间和时间特征;最后基于协方差信息构造一种融合空时特征的检测器,以提高检测精度。在公开的数据集INRIA和Caltech上的实验结果表明:该算法的性能优于目前主流的行人检测算法。     

基于视觉显著性图与似物性的对象检测

为了能够准确地检测出图像中的显著性对象,提出了一种新的基于视觉显著性图与似物性的对象检测算法。该算法首先在图像上提取大量具有较高似物性度量的矩形窗口,并估算出对象可能出现的位置,将窗口级的似物性度量转换到像素级的似物性度量;然后把原始显著性图与像素级的似物性图进行融合,生成加权显著性图,分别二值化原始显著性图和加权显著性图,利用凸包检测得到最大查找窗口区域与种子窗口区域;最后结合边缘概率密度搜索出最优的对象窗口。在公开数据集MSRA-B上的实验结果表明,该算法在准确率、召回率以及F-测度方面优于最大化显著区域检测算法、区域密度最大化算法以及似物性对象检测算法等已有的多种算法。     

一种基于RGBD 图像的似物性采样算法

近年来,图像的似物性采样研究成为一个热门的研究领域。似物性采样是提取一 幅图像中可能成为任意目标的窗口,用于减少目标识别的搜索窗口。但目前有关似物性采样的 研究都是基于RGB 图像的,本文基于RGBD 图像的似物性采样算法,结合了目前RGB 图像似 物性采样最好的方法,并利用D 图的深度似物性特征,提出了基于贝叶斯框架的RGBD 图像的 似物性采样方法。在NYU Depth 数据集上实验证明了这些似物性描述方法的结合要比单独使用 任一种描述结果更优。最后,与目前流行的基于RGB 图像的似物性采样方法进行了对比实验, 证明了深度图的加入可以更好的优化似物性采样的结果。     

融合似物性前景对象与背景先验的图像显著性检测

为了在复杂背景图像中准确地提取出图像的显著区域,提出一种结合似物性前景对象与背景先验知识的图像显著性检测方法（OFOBP）。该方法首先对图像进行超像素分割,计算超像素颜色空间分布,得到初始显著图;利用似物性检测方法获取多个目标窗口,由窗口建立搜索区域,结合二值化的初始显著图优化目标窗口;再利用多窗口特征对超像素做前景对象预测,获取前景显著图;其次建立背景模板,计算稀疏重构误差获取背景先验图;最后融合两种显著图,得到最终显著检测结果。在公开数据集上与11种算法进行比较,本文算法能够较为准确地检测出显著区域,尤其是在复杂背景下对多个显著目标的检测,存在明显的优势。     

基于BING似物性检测的行人快速检测算法*

针对传统滑动窗行人检测速度慢、实时性差的问题,提出了一种基于似物性的行人快速检测算法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,训练级联SVM分类器得到行人似物检测模型。然后利用尺寸调节和聚类算法对初始候选区域进行聚类融合,进一步优化行人候选窗口区域。最后,提取各候选区域的HOG特征并利用SVM分类器对其进行进一步行人检测。实验结果表明：本算法在保证行人检测率的同时在检测实时性上有明显提高。     

分割位置提示的可变形部件模型快速目标检测

针对滑动窗口目标检测方法需要穷举搜索目标、检测速度较慢的问题, 提出一种可变形部件模型候选点检测算法.图像先经过两种不同原理的分割方法预处理, 尽量使至少一个分割接近目标真实位置,分割的左上角附近称为候选点. 然后,将可变形部件模型作为底层检测器,模型的训练和测试都只在候选点上进行, 这大大提高了检测速度.在PASCAL 2007数据集上的实验结果表明, 候选点检测在一半类别上的正确率超过了穷举搜索方法.     

参数最小割中基于层次化融合的前景种子生成算法

参数最小割是一种常用的似物性推荐方法,主要用于在图像中快速定位物体区域。针对该类方法中容易生成大量无效前景种子影响处理效率,提出一种基于层次化融合逐级筛选的前景种子生成算法。首先,基于由颜色、纹理复杂度控制的层次化融合方法得到候选区域集;然后,从候选区域集中结合尺度变化率选出具有稳定外观的候选前景种子;最后,基于似物性分数排序,确定有效的前景种子。实验结果表明,提出的前景种子生成算法具有较高的物体发现率,将其应用于参数最小割方法中,在使用更少的种子,生成较少区域时,可达到与前沿算法相近的区域级物体定位能力。     

基于深度卷积网络的目标检测综述

在基于区域的卷积神经网络提出后,深度卷积网络开始在目标检测领域普及,更快的基于区域的卷积神经网络将整个目标检测过程合成在一个统一的深度网络框架上.随后YOLO和SSD等目标检测框架的提出进一步提升目标检测的效率.文中系统总结基于深度网络的目标检测方法,归为2类:基于候选窗口的目标检测框架和基于回归的目标检测框架.基于候选窗口的目标检测框架首先需要在输入的图像上产生很多的候选窗口,然后对这些候选窗口进行判别.这里的判别包括:对窗口包含物体的类别(包括背景)进行判断、对窗口的位置进行回归.基于回归的目标检测方法将图像目标检测看作是一个回归的过程.在此基础上,在PASCAL_VOC和COCO等主流数据库上对比目前两类目标检测框架中的主流方法,分析两类方法各自的优势.最后根据当前深度网络目标检测方法的发展趋势,对目标检测方法未来的研究热点做出合理预测.     

基于SVD背景抑制和粒子滤波的弱小目标检测*

针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题,提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。该算法首先采用奇异值分解滤波抑制红外图像背景,获取候选目标位置,然后采用粒子滤波算法估计目标运动状态,获取目标搜索窗口,最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。对真实红外图像序列进行实验表明,该方法有效地解决了SVD滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题,从而提高了低信噪比下弱小目标的检测能力。     

结合 Faster RCNN 和相似性度量的行人目标检测

行人检测是计算机视觉领域的一个研究热点,针对目前算法中常采用非极大值抑 制和硬阈值筛选的方法作为后处理,容易造成误检和漏检的问题,提出一种基于相似性度量的 行人目标检测方法。首先,采用 Faster RCNN 生成一系列的目标候选集,应用非极大值抑制对 候选集进行初步筛选,然后由较高置信度的目标区域建立特征模板,再根据特征相似性对较低 置信度的目标区域做进一步判别,最后将筛选后的目标候选集和模板区域作为检测结果。在 VOC、INRIA、Caltech 数据集的实验结果证明,基于相似性度量的算法提高了行人检测的准确率。       

基于关键点检测二阶段目标检测方法研究

卷积神经网络被广泛应用于目标检测领域。该文提出一种新的无锚框二阶段目标检测算法： 以 CornerNet 方法为基础,借助角点提取候选区域,并增加中心池化层来增强物体中心区域特征,通过 判断中心关键点是否落在中心区域,可以过滤掉大量的误检候选框。随后,将保留的候选框送到多元 分类器进行预测和回归,获取最终的检测结果。实验结果表明,该方法在 MS-COCO 数据集上能够取 得 46.7% 的检测精度,与其他同类算法相比具有较强的竞争力。与原始的 CornerNet 算法相比,该方法 在精度上有 6.2% 的提升,尤其对于形状特殊的物体,精度提升更加明显。     

基于似物目标的快速行人检测算法

针对传统滑动窗口行人检测速度慢、无效窗口数量大和识别率低的问题,提出基于似物目标的快速行人检测算法。该算法首先使用改进的二值化赋范梯度算法生成目标候选集,再利用提出的NDOG特征描述子计算目标特征。通过在INRIA和Caltech-USA两个行人数据库分析实验,证明该算法可有效减少待检测窗口数量,提高特征表示能力,且计算时间显著降低,使用线性支持向量机作为分类器可获得较高的行人检测率。     

基于Top-down网络结构的坦克装甲目标检测

针对复杂场景下坦克装甲目标检测任务,提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。先基于ResNet-101骨架网络,提出一种自顶向下的聚合网络构架(TDA),克服了卷积神经网络在特征表达能力和细节捕获能力间存在的固有矛盾。在TDA网络的基础上,进一步探索了Faster R-CNN检测框架针对坦克装甲目标检测任务的优化方法,对于建议区域提取网络,提出了一种分层尺度优化的多路RPN网络,并根据感受野区域的大小设置合理的初始建议区域,有效提高了对建议区域的提取效率。对于目标检测子网络,构建了一个更加轻便快速的网络模型。针对坦克装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的目标检测方法进行了训练和测试。实验结果表明,上述方法在坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

面向少样本网状结构体的候选区域自适应检测方法

在仅有少量标签数据的图像网状结构检测任务中,需要大量训练数据的目标检测模型检测性能大幅下降。基于区域候选的目标检测模型在预测时,检测目标越多,检测时间越长。若基于区域候选的目标检测模型产生候选框的数量固定不变,而不同图像中网状结构目标数量不同,造成目标检测中额外的时间消耗。针对该问题,通过对训练样本中网状结构目标在图片中的密度分析以及根据网状结构体在图片中的特征分布,提出一种面向少样本网状结构体的候选区域自适应检测方法。该方法通过基于二值标签图标注方法得到大量训练样本,由候选区域自适应方法选取合理的候选框数量。与未改进的模型相比,在几乎不损失准确率的情况下,其加快了检测速度,尤其在目标数量稀少的数据中优势更为明显。     

基于卷积神经网络的多尺度Logo检测算法

针对自然场景图像中多尺度Logo的检测需求,提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路,通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成,通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示,相比基线方法,所提算法能够提升生成候选区域的召回率,并且在保证大中尺度 Logo 检测精度的前提下,提升小尺度Logo的检测性能,验证了所提算法的优越性。     

基于RPN和FCN的电力设备锈迹检测

针对电力设备在高温、高压、高流速条件下长期连续运行发生锈蚀隐患难以及时发现的问题,提出一种基于区域建议网络与全卷积神经网络相结合的对无规则锈迹进行检测的方法RPN-FCN。首先使用区域建议网络生成带锈迹的候选区域,然后对锈迹候选区域进行全卷积操作,从而在像素级别进行精确的分类定位。通过实验对比,结果表明本文提出的方法对于无规则的锈蚀检测更加准确有效。     

Proposal-Copula-Based Fusion of Spaceborne and Airborne SAR Images for Ship Target Detection⁎⁎

In this paper, we consider the problem of fusion of synthetic aperture radar (SAR) images from spaceborne and airborne sensors and investigate its applications to inshore ship target detection. Existing SAR image fusion methods mainly focus on image denoising or texture enhancement, but show limited improvement of target-to-clutter ratios (TCRs) in composite images and lead to deteriorated target detection performance. To address this issue, we propose a new method for the fusion of spaceborne and airborne SAR images based on the target proposal and the copula theory (TPCT). In TPCT, target and clutter correspondence between different images are exploited to improve the TCRs of composite images. TPCT consists of three steps. First, target proposals are extracted from spaceborne and airborne SAR images and then fused to enhance the common ship target areas therein. Second, a new method to construct the joint probability density function (PDF) of clutter in spaceborne and airborne SAR images is presented to model the statistical dependence of clutter therein based on the copula theory. This copula-based joint PDF is used to suppress the clutter areas remained in the intersection of target proposals. Third, clues from the intersection of target proposals and the copula-based joint PDF of clutter are fused by the Hadamard product to generate the composite image with enhanced ship targets and the suppressed clutter. Experimental results based on measured spaceborne and airborne SAR data show that the proposed TPCT fusion method leads to higher TCRs of composite images and better performance in the ship detection task than other commonly used image fusion methods.     

时域候选优化的时序动作检测

目的 时序动作检测（temporal action detection）作为计算机视觉领域的一个热点课题,其目的是检测视频中动作发生的具体区间,并确定动作的类别。这一课题在现实生活中具有深远的实际意义。如何在长视频中快速定位且实现时序动作检测仍然面临挑战。为此,本文致力于定位并优化动作发生时域的候选集,提出了时域候选区域优化的时序动作检测方法TPO （temporal proposal optimization）。方法 采用卷积神经网络（convolutional neural network,CNN）和双向长短期记忆网络（bidirectional long short term memory,BLSTM）来捕捉视频的局部时序关联性和全局时序信息;并引入联级时序分类优化（connectionist temporal classification,CTC）方法,评估每个时序位置的边界概率和动作概率得分;最后,融合两者的概率得分曲线,优化时域候选区域候选并排序,最终实现时序上的动作检测。结果 在ActivityNet v1.3数据集上进行实验验证,TPO在各评价指标,如一定时域候选数量下的平均召回率AR@100（average recall@100）,曲线下的面积AUC （area under a curve）和平均均值平均精度mAP （mean average precision）上分别达到74.66、66.32、30.5,而各阈值下的均值平均精度mAP@IoU （mAP@intersection over union）在阈值为0.75和0.95时也分别达到了30.73和8.22,与SSN （structured segment network）、TCN （temporal context network）、Prop-SSAD （single shot action detector for proposal）、CTAP （complementary temporal action proposal）和BSN （boundary sensitive network）等方法相比,TPO的所有性能指标均有提高。结论 本文提出的模型兼顾了视频的全局时序信息和局部时序信息,使得预测的动作候选区域边界更为准确和灵活,同时也验证了候选区域的准确性能够有效提高时序动作检测的精确度。