基于SSD卷积神经网络的公交车下车人数统计

传统典型的公交车人数统计方法在准确率和速度方面存在一些不足,且提取目标特征的效果较差.本文提出了基于深度卷积神经网络的公交车人数统计系统解决人群计数问题.首先制作数据集,难点在于所有用于训练的数据集均是手工标注.并且公交车摄像头角度比以往文献覆盖更广区域.本文首先比较了多种不同的深度卷积神经网络模型对乘客进行全身检测的效果.综合考虑检测速率、准确率等方面,最终采用单次检测器深度卷积神经网络模型对乘客进行人头目标检测,在线实时目标追踪算法实现人头的多目标追踪,跨区域人群计数方法统计公交车下车人数.系统准确率达到78.38%,运行速率约为每秒识别19.79帧.实现了人群计数.     

面向车辆检测的扩张全卷积神经网络

近年来,深度学习方法被广泛用来解决车辆检测问题并取得了显著的成果,然而,当车辆尺寸较小时,当前深度学习算法的检测丢失率仍然很高.为了解决这个问题,本文提出了一种基于组合目标框提取结构的扩张全卷积神经网络（Dilated Fully Convolutional Network with Grouped Proposals,DFCN-GP）.具体提出了一种结合低层特征和高层特征的组合网络模型用于生成目标框,其中低层特征对小目标更加敏感.此外,为保留更多的细节信息,基于扩张卷积思想,增加了网络最后一层卷积层的大小和感受野,用于目标框的提取和车辆检测.通过控制变量的对比试验,对基于组合方式的目标框提取网络和扩张卷积层的有效性进行了验证.本文提出的算法模型在公开数据集UA-DETRAC上性能优异.     

基于SSD算法的智能定员检测研究

为了保障企业生产线的安全生产,针对生产线定员检测问题,论文提出了一种基于SSD目标检测算法的生产线定员检测算法,在传统SSD算法基础上优化了小尺寸目标的检测效果.该算法通过在ResNet101网络和添加的卷积层上选取适合的特征层进行提取多尺寸图像特征,然后产生一连串大小固定的边框和相应概率,最后使用非极大值抑制法得到最佳的预测值,实现对生产线人员数量实时监控.论文实验通过对生产线人员检测数据集进行测试,SSD ResNet模型在该数据集上达到了87％的mAP,从人员准确率的角度验证了该算法的有效性.     

基于深度学习的运动目标实时识别与定位

针对人体运动目标的实时检测与定位问题,采用深度学习的方法进行研究.在Caffe框架下,采用SSD （Single Shot multibox Detector）检测方法.以VGG16作为基础网络模型,增加额外特征卷积层,提取多尺度的卷积特征.然后对实验数据集进行迭代训练,得到运动目标检测模型.利用训练好的模型,通过2路摄像机检测运动目标,并双目视觉定位.实验结果表明,整个系统运行速度可达40 fps,在10 m×10 m的场景下,平均定位误差在6 cm以内,在速度和精度上均有很好的表现,为大中型场景的人体运动实时检测定位问题提供了有效的解决方案.     

基于深度卷积神经网络的目标检测技术的研究进展

目标检测是计算机视觉领域中的一个研究热点。近年来,深度学习中的卷积神经网络在目标检测任务上表现突出。文中综述了深度学习在目标检测技术中的研究进展。首先,介绍了目标检测的两种方法和常用数据集,并分析了基于深度学习的方法在目标检测任务上所具有的优势。其次,根据深度学习的目标检测方法的发展过程,介绍了该方法所使用的经典卷积神经网络模型,并分析了各网络模型的特点。然后,从获取特征的能力、检测的速度及所使用的关键技术等方面进行了分析和总结。最后,根据基于深度学习的目标检测方法中存在的困难和挑战,对未来的发展趋势做了思考和展望。     

遥感图像舰船检测的旋转卷积集成YOLOv3模型

遥感图像俯视角带来的目标朝向多样性影响了大长宽比舰船目标检测的旋转不变性。针对这一问题,提出了一个基于改进YOLOv3的倾斜边界框检测模型。通过引入角度预测实现倾斜边界框回归;提出一种旋转卷积集成模块,通过旋转卷积和旋转激活提高深度卷积网络（Deep Convolutional Neural Networks,DCNN）特征图对于角度变化的敏感性;将目标边界框倾斜角度预测建模为由粗粒度到细粒度的两次角度分类问题;将角度惩罚引入模型的多任务损失函数中,使得模型能够学习目标的角度偏移。通过对舰船目标标注数据集上的实验可以看到,所提的模型和经典YOLOv3模型相比平均精度提高了12.7%,同时能够保持单阶段目标检测的速度优势。     

基于深度学习的实时吸烟检测算法

在公共场所内吸烟,不仅对自身、他人身体健康造成潜在的危害,还存在造成火灾等现象的隐患。因此,出于健康和安全方面的考虑,为机场、加油站、化工仓库等严禁吸烟的场所,设计了一种基于深度学习的能快速发现和警告吸烟行为的检测模型。该模型使用卷积神经网络对摄像头所拍摄的视频流输入帧进行处理,经过图像特征提取、特征融合、目标分类以及目标定位等过程,定位烟头的位置,进而判断出吸烟行为。常见的目标检测算法针对小目标物体检测效果不甚理想,检测速度亦有待提高。通过设计的一系列卷积神经网络模块,不但减少了模型计算量,加快了推演速度,满足实时性要求,而且提高了小目标物体(烟头)检测准确率。此外,运用了一些模型训练的技巧,提升了模型的鲁棒性。由于缺乏现有数据集,自制了一个与吸烟行为相关的数据集。对比实验证明了提出的算法在本数据集以及一些公开数据集上有着更好的检测效果。     

一种改进的SSD算法及其在车辆目标检测中的应用

针对目前主流的目标检测算法检测效率不高以及小目标检测困难的问题,提出一种改进的SSD(Sin-gle Shot MultiBox Detector)算法,并将其应用于道路环境车辆目标的检测.设计一个目标检测网络结构,对高层特征图不进行降采样,使用空洞卷积和深度可分离卷积层来提高模型性能,并使用K-means算法来对模型参数进行优化.在Udacity道路环境数据集上进行对比实验,结果表明,该算法对车辆目标检测的平均精准度达到了58.01％,检测速度达到了86.26帧每秒,相比原SSD算法有明显提升.     

基于高斯差分特征网络的显著目标检测

中心-邻域对比度理论作为具有生理学依据的一种线索,在传统显著性检测模型中获得了广泛应用,然而该理论却很少显式地应用在基于深度卷积神经网络（CNN）的模型中。为了将经典的中心-邻域对比度理论引入深度卷积网络中,提出了一种基于高斯差分（DoG）特征网络的显著目标检测模型。首先通过在多个尺度的深度特征上构造高斯差分金字塔（DGP）结构以感知图像中显著目标的局部突出特性,进而用所得到的差分特征对语义信息丰富的深度特征进行加权选择,最终实现对显著目标的准确提取。进一步地,在提出的网络设计中采用标准的一维卷积来实现高斯平滑过程,从而在降低计算复杂度的同时实现了网络端到端的训练。通过把所提模型与六种显著目标检测算法在四个公用数据集上的实验结果进行对比,可知所提模型取得的结果在平均绝对误差（MAE）和最大F度量值的定量评价中均取得了最优表现,尤其是在DUTS-TE数据集上所提模型取得的结果的最大F度量值和平均绝对误差分别达到了0.885和0.039。实验结果表明,所提模型在复杂自然场景中对于显著目标具有良好的检测性能。     

改进YOLOv7的小目标检测算法研究

随着深度学习在国内目标检测的不断应用，常规的大、中目标检测已经取得惊人的进步，但由于卷积网络本身的局限性，针对小目标检测依然会出现漏检、误检的问题，以数据集Visdrone2019和数据集FloW-Img为例，对YOLOv7模型进行研究，在网络结构上对骨干网的ELAN模块进行改进，将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量，在头部网络引入RepLKDeXt模块，该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构，最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变，在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点，进一步简化了模型并增加了模型的适用范围。     

基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

深度学习的典型目标检测算法研究综述

目标检测是计算机视觉的一个重要研究方向,其目的是精确识别给定图像中特定目标物体的类别和位置。近年来,深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）所具有的特征学习和迁移学习能力,在目标检测算法特征提取、图像表达、分类与识别等方面取得了显著进展。介绍了基于深度学习目标检测算法的研究进展、常用数据集特点以及性能指标评价的关键参数,对比分析了双阶段、单阶段以及其他改进算法的网络结构和实现方式。阐述了算法在人脸、显著目标、行人、遥感图像、医学图像、粮虫等检测领域的应用进展,结合当前存在的问题和挑战,展望分析了其未来的研究方向。     

级联的卷积神经网络人脸检测方法

针对由于光照、分辨率、姿态和表情等因素变化引起的人脸检测准确性不高的问题和大多人脸检测算法使用单一的卷积神经网络去提取特征引起的算法的泛化能力变弱的问题,提出了三层由浅及深的级联的卷积神经网络结构。通过全卷积神经网络快速定位人脸候选区域,采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精度。同时通过加权降低得分改进常用的非极大值抑制的方法,解决了由于相邻人脸高度重叠引起的漏检问题。实验结果表明,该模型对上述引起人脸检测准确率不高的因素具有较好的鲁棒性,并且在FDDB数据集上有着较高的准确率和运行速度。改进后的非极大值抑制算法对在FDDB的测试准确率也有一定的提升。     

基于改进YOLO-v4的室内人脸快速检测方法

针对室内安防工程应用中检测人脸角度不同、光照变化、部分遮挡、模糊等复杂工况,提出一种基于改进YOLO-v4的室内人脸快速检测方法。基于深度可分离残差网络结构改进YOLO-v4主干网络,提升模型检测效率;在构建特征金字塔过程中引入注意力机制,自适应调整通道特征与空间特征权重,提升模型特征提取能力。实验结果表明,该方法对室内人脸图像的检测精度与速度分别为92.53%与35?frame/s,相比原YOLO-v4算法及其他主流人脸检测算法,具有更好的检测精度与效率,因此可应用于移动机器人的室内人脸实时检测。     

基于多视角学习策略的手部姿态估计

手部姿态估计在人机交互、手功能评估、虚拟现实和增强现实等应用中发挥着重要作用, 为此本文提出了一种新的手部姿态估计方法, 以解决手部区域在大多数图像中占比较小和已有单视图关键点检测算法无法应对遮挡情况的问题. 所提方法首先通过引入Bayesian卷积网络的语义分割模型提取手部目标区域, 在此基础上针对手部定位结果, 利用所提基于注意力机制和级联引导策略的新模型以获得较为准确的手部二维关键点检测结果.然后提出了一种利用立体视觉算法计算关键点深度信息的深度网络, 并在深度估计中提供视角自学习的功能. 该方式以三角测量为基础, 利用RANSAC算法对测量结果进行校准. 最后经过多任务学习和重投影训练对手部关键点的3D检测结果进行优化, 最终提取手部关键点的三维姿态信息. 实验结果表明: 相比于已有的一些代表性人手区域检测算法, 本文方法在人手区域检测上的平均检测精度和运算时间上有一定的改善. 此外, 从本文所提姿态估计方法与已有其他方法的平均端点误差(EPE_mean)和PCK曲线下方面积(AUC)这些指标的对比结果来看, 本文方法的关键点检测性能更优, 因而能获得更好的手部姿态估计结果.     

基于候选区域和并行卷积神经网络的行人检测

针对行人在部分自然场景图像中所占比例较小（以下简称小目标）,提取的特征容易丢失,检测准确率低的问题,提出基于候选区域和并行卷积神经网络（Parallel Convolutional Neural Network,PCNN）的行人检测方法。对于候选区域提取部分,改进了选择性搜索,使其更符合行人这一类别的候选区域提取;利用Edge Boxes对选择性搜索提取的大量预候选区域进行过滤,最终得到数量少、质量高的候选区域。在利用卷积神经网络（Convolutional Neural Network,CNN）进行特征提取时,针对深层卷积神经网络能够提取到更丰富更抽象的高层特征,但同时对于小目标容易造成特征丢失的问题,加入浅层网络组成并行卷积神经网络（Parallel Convolutional Neural Network,PCNN）提取深、浅层特征输出。最后将所提方法应用于行人检测,实验结果表明,所提方法对于小目标的检测准确率有较好的提升。     

YOLOv5目标检测的轻量化研究

现有目标检测算法通常存在体积较大、结构复杂等问题,致使室内机器人作业过程中识别速率与精度较差。针对这一问题,以室内目标检测为基础,提出了一种改进的YOLOv5s轻量化检测方法。该方法主要是在YOLOv5s网络的基础上引入ShuffleNet v2特征提取机制来实现网络的轻量化,同时采用加权双向特征金字塔BiFPN和边框回归损失EIOU获取特征信息更为丰富的特征图,来提升目标检测精度,从而得到一种新的室内目标检测模型。研究结果表明,改进后的模型参数量明显减少,模型复杂度减少了46%,平均精确率均值mAP提升到63.9%,实现了轻量化和检测准确率的平衡,该研究为目标轻量化研究提供了参考。     

判别相关分析双注意力机制的目标检测算法

针对两阶段目标检测算法中模型存在目标识别率低、部分小目标物漏检等问题,提出了一种基于判别相关分析的双注意力机制的目标检测算法。该算法通过改进Faster R-CNN主干网络,引入判别相关分析技术最大化两个特征集中对应特征的相关关系,同时最大化不同类之间的差异,来保证信息间的交互,有效缓解常规特征融合方式存在的特征提取能力不足问题。同时,结合残差结构构建残差双注意力机制,进行深层次的特征提取,来弥补深度CNN后高分辨率信息弱化问题,采用混合卷积层的设计在扩大感受野的同时又减少了信息损失,最大限度地保证了网络的特征提取性能。采用PASCAL VOC2007、KITTI以及Portrait三类数据集对网络进行训练,并将提出的算法模型与多个经典目标检测算法进行对比。实验结果表明,提出的算法具有较高的检测精度。