首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 250 毫秒

1.  基于深度学习监控场景下的多尺度目标检测算法研究  
   程显毅  胡海涛  季国华  孙丽丽《南京师范大学学报》,2018年第3期
   针对监控环境下的视频图像处理存在漏检这一问题,分析现有目标检测算法中普遍使用的深度学习方法—Faster R-CNN,在VGG16卷积神经网络基础上,对深度卷积神经网络进行改进,在第一层卷积层中加入空洞卷积核,扩展神经网络的宽度,使得目标检测模型具有尺度不变性.在深度学习平台PyTorch下对Cifar-10数据集进行了实验,实验结果显示,改进的目标检测算法具有较好的尺度不变性,在监控场景下更具优势.    

2.  基于卷积神经网络的无人机遥感影像农村建筑物目标检测  
   任媛媛  张显峰  马永建  杨启原  汪传建  戴建国  赵庆展《南京师范大学学报》,2019年第3期
   将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.    

3.  基于Faster R-CNN的手势识别算法  
   吴晓凤  张江鑫  徐欣晨《计算机辅助设计与图形学学报》,2018年第3期
   针对传统手势识别算法准确率不高、鲁棒性不强的问题,基于卷积神经网络提出基于Faster R-CNN的手势识别算法.首先修改Faster R-CNN框架的关键参数,达到同时检测和识别手势的目的;然后提出扰动交叠率算法,避免训练模型的过拟合问题,进一步提高识别准确率.在公共数据集NTU和VIVA上进行手势识别实验的结果表明,该算法有效地避免了训练模型的过拟合问题,比传统算法具有更高的识别准确率和更强的鲁棒性.    

4.  两级上下文卷积网络宽视场图像小目标检测方法  
   王海涛  姜文东  程远  严碧武  张宗峰  李涛  张森海《计算机测量与控制》,2019年第27卷第6期
   目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。    

5.  基于级联CNN的SAR图像舰船目标检测算法  
   李健伟  曲长文  彭书娟《控制与决策》,2019年第34卷第10期
   针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.    

6.  基于CS优化深度学习卷积神经网络的目标检测算法  
   谌颃  孙道宗《机床与液压》,2020年第48卷第6期
   目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search, CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。    

7.  基于改进Faster R-CNN的嘴部检测方法  
   魏文韬  刘飞  秦常程  喻洪流  倪伟《计算机系统应用》,2019年第28卷第12期
   在通过嘴部进行人机交互的场景下,外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源,提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测,首先将同一卷积块不同卷积层输出的特征图结合,然后对不同的卷积块按元素进行求和操作,在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征,从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明,相比于原始的Faster R-CNN,对嘴部的检测准确率提高了8%,对环境的适应性更强.    

8.  基于卷积神经网络快速区域标定的表面缺陷检测  
   李宜汀  谢庆生  黄海松  姚立国  魏琴《计算机集成制造系统》,2019年第8期
   为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(Faster R-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精度。所提算法结合数据扩充方法增加了图像数量,通过划分K折交叉验证数据集改善了算法的鲁棒性;同时,将稀疏滤波思想融入卷积神经网络,提取双重深度特征作为Faster R-CNN的输入,提升了Faster R-CNN位置检测和识别的精度。通过油辣椒灌装生产线的封盖面典型缺陷检测验证了所提方法的可行性。    

9.  基于全卷积神经网络的SAR图像目标分类  
   陈永生  喻玲娟  谢晓春《雷达科学与技术》,2018年第16卷第3期
   近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络(All Convolutional Neural Network, A-CNN)是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。    

10.  基于CNN的弹载图像目标检测方法研究  
   《战术导弹技术》,2019年第4期
   针对弹载图像目标检测存在适应性不足和智能度不高的问题,阐述了基于卷积神经网络的单帧和多帧图像目标检测算法;提出了在应对恶劣天气、目标旋转及尺度变化、精度速度权衡等难点中的解决策略,包括了在模型、网络结构、训练手段等方面的改进方法。同时,在通用数据集和构建的军事目标专用数据集上进行监督学习训练,对主要算法进行性能比较。结果表明,基于CNN算法能够满足实时性要求,有效提高检测能力,具有更强的环境适应性。    

11.  基于孪生卷积神经网络与三元组损失函数的图像识别模型  
   张安琪《电子制作.电脑维护与应用》,2018年第21期
   深度学习作为近年来迅速发展的全新领域,在科学研究与工业生产等方面受到了广泛的关注。其中,卷积神经网络(Convolutional neutral networks, CNN)作为深度学习中一种经典的神经网络架构,已在图像分类、人脸识别以及信号处理等领域得到了广泛的应用。在此基础上,本文对传统CNN结构进行改进,取消了CNN输出层用于普通分类的Softmax函数,采用基于孪生神经网络(Siamese neutral networks)的CNN架构,并使用三元组损失(Triplet Loss)作为图像分类的目标损失函数。为检验模型效果,我们在国际数据建模和数据分析竞赛平台Kaggle的座头鲸图像识别挑战赛上运用该模型。    

12.  基于深度学习的目标检测算法综述  
   周晓彦  王珂  李凌燕《电子测量技术》,2017年第11期
   传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.    

13.  基于深度学习的行人和车辆检测  
   徐谦  李颖  王刚《吉林大学学报(工学版)》,2019年第5期
   为解决自动驾驶行车环境目标检测的问题,提出了一种基于深度学习的行人和车辆检测网络PVDNet。在网络底层,改进了跳跃连接结构,提出多级跳跃连接MLSC,加速了模型的收敛速度和收敛精度;在网络顶层,设计了一种多层特征融合方法 MLFF,将底层特征与顶层特征融合以提高检测精度;在网络输出层,提出了一种单维卷积方法 ODC替代全连接层,减少了模型参数以提高检测速度。实验表明:与原始的Faster R-CNN相比,PVDNet在数据集PascalVOC2007、PascalVOC2012、MS COCO、KITTI上行人和车辆平均检测准确率分别提高了3.7%、6.1%、5.6%、9.62%。    

14.  基于Fast R-CNN的车辆目标检测  
   曹诗雨  刘跃虎  李辛昭《中国图象图形学报》,2017年第22卷第5期
   目的 在传统车辆目标检测问题中,需要针对不同图像场景选择适合的特征。为此提出一种基于快速区域卷积神经网络(Fast R-CNN)的场景图像车辆目标发现方法,避免传统车辆目标检测问题中需要设计手工特征的问题。方法 该方法基于深度学习卷积神经网络思想。首先使用待检测车辆图像定义视觉任务。利用选择性搜索算法获得样本图像的候选区域,将候选区域坐标与视觉任务示例图像一起输入网络学习。示例图像经过深度卷积神经网络中的卷积层,池化层计算,最终得到深度卷积特征。在输入时没有规定示例图像的规格,此时得到的卷积特征规格不定。然后,基于Fast R-CNN网络结构,通过感兴趣区域池化层规格化特征,最后将特征输入不同的全连接分支,并行回归计算特征分类,以及检测框坐标值。经过多次迭代训练,最后得到与指定视觉任务强相关的目标检测模型,具有训练好的权重参数。在新的场景图像中,可以通过该目标检测模型检测给定类型的车辆目标。结果 首先确定视觉任务包含公交车,小汽车两类,背景场景是城市道路。利用与视觉任务强相关的测试样本集对目标检测模型进行测试,实验表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的车辆目标检测模型对车辆目标检测具有良好的检测效果。结论 本文提出的车辆目标检测方法,利用卷积神经网络提取卷积特征代替传统手工特征提取过程,通过Fast R-CNN对由示例图像组成定义的视觉任务训练得到了效果良好的车辆目标检测模型。该模型可以对与视觉任务强相关新场景图像进行效果良好的车辆目标检测。本文结合深度学习卷积神经网络思想,利用卷积特征替代传统手工特征,避免了传统检测问题中特征选择问题。深层卷积特征具有更好的表达能力。基于Fast R-CNN网络,最终通过多次迭代训练得到车辆检测模型。该检测模型对本文规定的视觉任务有良好的检测效果。本文为解决车辆目标检测问题提供了更加泛化和简洁的解决思路。    

15.  基于跨连卷积神经网络的性别分类模型  
   张婷  李玉鑑  胡海鹤  张亚红《自动化学报》,2016年第42卷第6期
   为提高性别分类准确率, 在传统卷积神经网络(Convolutional neural network, CNN)的基础上, 提出一个跨连卷积神经网络(Cross-connected CNN, CCNN)模型. 该模型是一个9层的网络结构, 包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层, 其中允许第2个池化层跨过两个层直接与全连接层相连接. 在10个人脸数据集上的性别分类实验结果表明, 跨连卷积网络的准确率均不低于传统卷积网络.    

16.  卷积神经网络对SAR目标识别性能分析  
   邵嘉琦  曲长文  李健伟《雷达科学与技术》,2018年第16卷第5期
   近年来,以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。    

17.  基于CNN深度学习模型的交通图像拥堵识别  
   崔华  刘云飞  宋鑫鑫  李盼侬《科技创新与应用》,2018年第4期
   卷积神经网络(CNN)在诸多图像分类(如数字识别,人脸识别)方面都被证明有着非常出色的表现,复杂图像的分类识别需要经过多个层次的信息特征认识整合以及加工。另一方面对交通状态进行准确识别,是科学制定主动交通管理决策的基础,有利于及时疏导拥堵,提高道路运行效率。文章在Tensor Flow上使用了基于CNN的分类模型对图片进行交通拥堵识别,其是在国际大赛上较为出名的Cifar-10模型,并对网络结构和参数进行了调整优化,有较高的准确率和效率。    

18.  基于DE-YOLO的室内人员检测方法  
   张明伟  蔡坚勇  李科  程玉  曾远强《计算机系统应用》,2020年第29卷第1期
   目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.    

19.  基于C-GRU的微博谣言事件检测方法  
   李力钊  蔡国永  潘角《山东大学学报(工学版)》,2019年第49卷第2期
   提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过CNN中的卷积层学习微博窗口的特征表示,将微博窗口特征按时间顺序拼接成窗口特征序列,将窗口特征序列输入GRU中学习序列特征表示进行谣言事件检测。在真实数据集上的试验结果表明,相比基于传统机器学习方法、CNN和GRU的谣言检测模型,该模型有更好的谣言识别能力。    

20.  基于目标检测算法的FashionAI服装属性识别  
   陈亚亚  孟朝晖《计算机系统应用》,2019年第28卷第8期
   随着网络上服装图片数量的快速增长,对于大量的服装进行分类的需求与日俱增.传统的使用手工进行服装图像的语义属性标注并不能完全的表达服装图像中的丰富信息,并且传统的手工设计的特征已经不能满足现实的精度和速度的需求.近年来,深度学习已经应用到计算机视觉方方面面,为基于深度学习的服装分类识别技术奠定了坚实的基础.本文根据已有的数据集DeepFashion构建了三个新的子数据集,进行分类训练的deepfashionkid数据集和进行Faster R-CNN训练的deepfashionVoc数据集和进行Mask R-CNN训练的deepfashionMask数据集.使用deepfashionkid数据集在VGG16上进行预训练得到clothNet模型,进而改进Faster R-CNN的损失函数.并且各自对比了这两种算法使用clothNet预训练的模型与不使用的区别.另外,本文了采用一种新的类似嫁接学习的预训练策略.实验表明,这些训练技巧对于检测精度的提高具有一定的帮助.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号