面向小目标的多空间层次安全帽检测

由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在Yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。     

基于限幅加权骨骼节点滤波的体感交互技术

为了改善机器人的操作方式,提高体感交互的识别精度,提出了一种基于限幅加权骨骼节点滤波的体感交互技术。首先利用Kinect传感器获取深度场景信息,并通过骨骼追踪技术处理所获得的深度信息以此匹配人体各个关节,建立人体各关节的3D坐标;然后采用空间向量映射的形式计算出各关节转动角度,并利用本文所提出的限幅加权滤波算法,即通过对采集并计算出的关节转动角度进行限幅加权滤波处理,减少了骨骼噪声的影响;最后将转动角度转化为控制指令,通过蓝牙串口将控制指令发送给机械臂控制器,操控机械臂舵机转动。实验结果表明,该方法能够实现体感交互效果,机械臂随人体手臂运动的识别率为96.3%,且限幅加权滤波算法能有效减少骨骼噪声影响。     

基于NSCT自适应阈值的红外图像去噪算法

提出自适应阈值的NSCT去噪算法.在对红外图像噪声特点分析的基础上,通过对NSCT构造特性的分析,提出了将自适应阈值的NSCT运用于红外去噪,并验证了其可行性.分析了图像尺寸和分解尺度对去噪的影响,获得去噪算法的优化.应用于几种不同的红外图像,对红外图像去噪视觉效果和峰值信噪比两方面进行比较,该去噪方法取得了较好的效果,尤其是在边缘保持方面.     

性能感知的核心网控制面资源分配算法

针对网络功能虚拟化（NFV）环境下核心网控制面资源分配问题,提出性能感知的资源分配算法. 基于排队网络理论建立核心网控制面性能评估模型,推导出信令流程平均响应时间的近似表达式. 为了确定核心网控制面虚拟网络功能（VNF）实例的最优配置数量,综合考虑处理性能和VNF实例部署成本,建立核心网控制面资源分配多目标优化模型,并提出改进的多目标遗传算法. 仿真结果表明,该性能评估模型误差在10%以内,优于Jackson排队网络模型;与NSGA-II和HaD-MOEA相比,所提算法获得的近似Pareto前沿收敛性和多样性更好,更逼近真实Pareto前沿.     

分层式宽度模型的实时车型识别算法

车辆车型识别技术在智能交通系统中至关重要,现有的车辆车型识别技术难以兼顾识别精度和识别速度。针对高速公路环境下的车型识别问题,提出了浅层特征层与宽度特征层相结合的分层式宽度模型实时进行车型识别。首先利用颜色空间转换和多通道HOG算法相结合,减少光照环境的影响,同时实现对车辆图像的特征提取,结合PCA降维技术,降低计算复杂度;然后对图像特征进行稀疏表示和非线性映射,减少图像特征之间的相关性;最后用岭回归学习算法对提取的样本特征进行训练,求出样本特征与样本标签之间的权重系数,实现对车辆车型的识别。在BIT-Vehicle车型数据库的实验结果表明,本文所提算法的识别精度为96.69%,识别速度高达70.3帧/s。本文算法在提高车型识别精度的同时保证了实时性,在识别精度和速度方面优于其他算法。     

基于注意力机制的多尺度残差UNet实现乳腺癌灶分割

针对乳腺癌灶在磁共振成像(MRI)中呈现大小形状不一、边界模糊等特点,为避免误分割并提高分割精度,提出一种基于注意力机制的多尺度残差UNet分割算法.首先,利用多尺度残差单元替换UNet在下采样过程中的相邻两个卷积块以加强对形态大小差异的关注;接着,在上采样阶段使用跨层的注意力引导网络对重点区域的关注,避免造成对健康组...     

混合注意力机制的异常行为识别

随着人工智能的快速发展,基于计算机视觉的人体异常行为识别受到极大的关注,并被广泛应用到智能安防等领域。针对人们在加油站等重要场所抽烟以及司机驾驶途中打电话等违规行为,提出一种混合注意力机制的异常行为识别方法。利用引入的卷积块注意力模块重点关注输入对象的显著性特征,并对输入信息进行精细化的分配和处理,在突出重要信息的同时弱化无关信息。为提升网络模型的特征挖掘能力及增强网络的信息交互性,利用提出的卷积特征提取模块进一步提取识别对象的高层语义特征,并将其与低层细节特征进行融合以达到多尺度特征交互的目的。此外,为了减少网络训练过程中错误标签造成的损失,采用标签平滑对交叉熵损失函数进行修正以此来驱动模型的学习过程。实验结果表明,所提出的模型优于当前的主流网络,可有效检测出异常行为。