神经网络数据融合和目标识别

针对某给定区域内的多目标识别,研究了神经网络数据融合和目标识别的有效方法,使多目标识别快速而准确。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法.基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态(3种)图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应...     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

自适应性多模态特征融合的远小困难目标检测

为了解决由LiDAR点云稀疏性和语义信息不足造成的远小困难物体检测困难的问题,提出了一种多模态数据自适应性融合的3D目标检测网络,充分融合了体素的多邻域上下文信息和图片多层语义信息。首先,设计了一种更适用于检测任务的改进残差网络,提取图片多层语义特征的同时,在低分辨率特征图中有效保留了远小物体的结构细节信息。每个特征图进一步通过来自所有后续特征图的语义信息进行语义增强。其次,提取具有不同感受野大小的多邻域上下文信息,弥补远小物体点云信息不足的缺陷,加强体素特征的结构信息和语义信息,以提高体素特征对物体空间结构和语义信息的表征能力及特征鲁棒性。最后,提出了一种多模态特征自适应融合策略,通过可学习权重,根据不同模态特征对检测任务的贡献程度进行自适应性融合。此外,体素注意力根据融合特征进一步加强有效目标对象的特征表达。在KITTI数据集上的实验结果表明,本方法以明显的优势优于VoxelNet,即在中等难度和困难难度下AP分别提高8.78%和5.49%。同时,与许多主流的多模态方法相比,本方法在远小困难物体的检测性能上具有更高的检测性能,即在中等和困难难度级别上,AP的性能比MVX-Net AP均高出1%。     

混合结构的数据融合方法在目标识别中的应用

为了寻求适合于干扰存在下的目标分类识别的最佳的数据融合方法,本文研究了混合结构的数据融合方法及目标识别应用.经过实验及结果分析,可以证明采用特征级和决策级相结合的数据融合结构是合理的,并且本文提出的三级混合融合方法可以作为干扰存在下的目标分类识别的数据融合方法.     

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

基于多波段深度神经网络的舰船目标识别

考虑多波段图像的融合识别可以扩展识别系统的应用范围,本文探索并设计了一种基于卷积神经网络的融合识别方法。该方法以AlexNet网络模型为基础,同时对可见光、中波红外和长波红外三波段图像进行特征提取;然后,利用互信息的方法对串联的三波段特征向量进行特征选择,依据重要性排序的方式选定固定长度的特征向量;最后,依据特征提取层级的不同,分别以早期融合、中期融合和后期融合3种融合方式来验证算法的有效性。采用自建的三波段舰船图像数据库进行了模型的训练和测试,共包含6类目标,5 000余张图像。实验结果显示,采用的3种融合识别方法中,中间层融合的识别准确率最高,达到84.5%,比早期融合和后期融合分别高5%和7%左右。另外,在本文的应用场景下,无论何种融合方式,其融合识别的准确率均明显高于其他单波段识别的准确率。     

基于多传感器融合的目标检测方法研究

为了提高智能汽车对行驶区域障碍物的感知能力,设计了相机图像与激光雷达点云融合的双模中融合模型。选用YOLOv3-tiny作为图像目标检测算法,PointRCNN作为点云目标检测算法,将点云检测获取到的ROI图像与原始图像进行加权融合,在融合后包含障碍物位置信息的图像上进行目标检测。通过与基于图像或基于点云的单模目标检测模型进行比对,在选用合适加权融合系数下双模中融合模型得到了更好的目标检测效果,在KITTI数据集上总类别的mAP@.5:.95上提升了3.3%,在Cyclist障碍物类别的AP@.5:.95上有了5.7%的显著提升。激光雷达点云的引入大大提升了纯视觉目标检测模型在小目标障碍物上的检测能力。     

基于神经网络的多特征融合刀具磨损量识别

采用切削力信号监测钻削过程钻头的磨损量 ,分别从时域、频域提取了切削力信号的均值、方差、峭度系数和特定频段能量作为刀具磨损的特征信号 ,讨论了特征信号随着刀具磨损量增加的变化规律 ,并将各个特征信号构成的特征矢量输入多层反传神经网络进行融合 ,实现钻削过程刀具磨损量的智能识别。试验结果表明该方法能有效实现多特征融合 ,但识别精度和推广能力有待进一步提高     

基于信息融合的空中红外小目标识别

针对空中红外小目标很难识别且可信度低的特点,结合已有的识别算法,设计出一种新的小目标识别方法。将小目标的灰度、速度信息作为主要识别依据,并在此基础上加入轨迹信息作为补充依据。在利用灰度、速度信息后仍无法识别的情况下,将轨迹信息加入证据,进行非平等的D-S证据信息融合。仿真结果表明,新方法在不增加传感器数目的情况下将识别置信度平均提高了125%。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于特征矩阵和神经网络的铝型材整体壁板外形识别

针对铝型材整体壁板的外形特征和设计要求，提取出9种典型壁板并构建出对应的壁板特征矩阵和目标矩阵。采用神经网络分别对带与不带噪声的整体壁板特征识别进行了研究、训练和测试，测试结果显示，采用矩阵构造的神经网络对壁板特征识别继承了神经网络的优点，可扩充性好，解决了整体壁板挤压模具CAD专家系统关于特征识别的前处理瓶颈问题。     

一种基于神经网络特征识别方法的研究

提出一种新型基于人工神经网络的特征识别方法,可大大加快特征识别的速度,降低交叉特征识别的难度。同时,提出的ＬＡ图克服了ＦＡＧ图特征信息不完备的缺陷,使网络的输入形式简洁统一,改善了现有用神经网络识别特征时由于输入的不确定性和复杂性而导致效率不高、特征识别域小和使用困难的不足。此方法通用性较强,计算量较小。     

三维模型特征识别中的神经网络方法

将神经网络方法运用到三维模型的特征识别问题是一种新的尝试，对于用神经网络解决拓扑性的、不易被形式化的这类问题具有积极意义。本文综述了近10年来各种基于神经网络的三维模型特征识别技术，介绍并分析了三维模型拓扑数据的矢量化方法、不同神经网络模型的识别算法，以及基于层分解技术的特征自组织识别等，可帮助相关领域的研究人员较为完整地了解该领域的研究成果和发展方向。     

基于目标跟踪及神经优化的运动特征点对应

将目标跟踪及神经优化技术应用特征点对应之中。根据图像序列的特点,用目标跟踪技术得到特征点的顶测位置,然后通过Hopfield网络最小化特征点间的费用函数使帧间特征点取得正确的对应,由于本方法没有涉及任何刚体运动约束,所以适用于各种非刚体运动的特征点对应。     

基于模糊神经网络信息融合的采煤机煤岩识别系统

针对采用单一信号进行煤岩界面识别实现采煤机滚筒高度调整控制时精确度和可靠性不高的问题,提出一种基于模糊神经网络的多传感器信息融合煤岩识别方法。通过实验数据采集和分析得到不同煤岩比例截面截割过程中的振动、电流以及声功率谱信号特征样本,根据最小模糊度优化模型求得各煤岩识别信号的模糊隶属度函数,采用基于自适应神经网络模糊推理系统构建的多维模糊神经网络实现多传感器信息的决策融合,得到高可信度和精确度的滚筒调高控制量值。实验室截割实验对比以及现场随机煤岩轨迹的截割实验结果表明,采煤机滚筒截割轨迹与实际随机煤岩轨迹基本吻合,实验结果验证了系统的有效性和可靠性。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

应用模糊信息融合实现目标物体的分类

本文在模糊集理论的基础上给出了利用模糊理论进行多传感器信息融合的一般化方法,并以一个实例,即,在我所自行研制的多感觉智能机器人上,利用其力觉和热觉传感器得到的信息,将两者融合,对机器人的抓取物分类。文章最后比较了融合前后的实验结果。     

基于传感器数据融合的车辆目标匹配

利用毫米波雷达和相机数据融合检测前方障碍物的方法,可以为智能驾驶汽车提供准确可靠的感知信息。因而,基于多传感器数据融合的目标匹配的重要性逐渐凸显。为实现二者的目标匹配,首先构建了相机和毫米波雷达的时间融合模型和空间融合模型,实现二者数据的时间一致和空间对准,然后对毫米波雷达数据和图像数据进行处理,通过对毫米波雷达数据的预处理且引入有效目标决策算法,获取毫米波雷达的有效目标数据;利用基于深度学习的目标检测算法,实现对图像中车辆目标的检测。最后设计了二者的目标匹配算法,并通过实验验证了该方法的有效性。