Norm-DP模型行人检测优化算法

传统深度金字塔模型作为一种有效的行人检测算法备受关注,融合可变形部件模型和卷积神经网络模型,但特征提取部分使用的算法像素区域的大小不同,导致模型之间不能完全融合,在行人数量多、姿势复杂和有遮挡情况时的检测效果不理想。因此,提出一种基于规范化函数的深度金字塔模型(Norm-DP)算法,使用规范化函数融合可变形部件模型和卷积神经网络模型,直接从金字塔特征中提取正负样本,使用隐变量支持向量机进行模型训练,结合柔性非最大抑制(soft-NMS)算法和边界框回归(BBR)算法对定位框进行优化。分别使用INRIA和MS COCO数据集进行实验验证,在行人数量多、姿势复杂和有遮挡情况时,检测精度高于最优的可变形部件模型算法、卷积神经网络算法、深度金字塔模型算法和结合区域选择的卷积神经网络算法。     

基于Mask RCNN的滤袋开口检测方法

滤袋开口的检测与定位在滤袋智能生产过程中占据着至关重要的地位。但由于滤袋具有柔性的特点,常规检测方法很难有效进行,且定位精度也不能满足生产要求。本文提出一种结合可变形卷积与掩码信息的多尺度目标检测器,该检测器使用可变形卷积改进主干网络高层中的固定卷积,结合特征金字塔技术实现多尺度信息融合。然后将所得多尺度信息通过区域提议网络生成候选区域,采用改进的Soft-NMS方法进行筛选,最终送入检测头进行识别与分割。本文在滤袋图像数据集上进行了实验。结果表明,提出的算法实现了滤袋开口的准确识别与高精度定位。     

改进SSD的机场场面多尺度目标检测算法

针对现有基于深度学习的通用目标检测方法对机场场面环境目标尺度差别大,特别是小目标难以检测到的问题,提出了一个基于SSD算法并结合特征金字塔融合网络的多尺度目标检测算法.该算法采用了更深的ResNet-50作为骨干网络,并单独设计了六层额外特征层.使用特征金字塔网络进行特征融合,以获得更鲁棒的语义信息.使用Soft-NM...     

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架. 构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用. 结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的. 引入软阈值非极大值抑制（Soft-NMS）算法,改善簇状果实结构中检测框被误剔除的情况. 与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.     

基于改进深度网络的车辆乘员数量检测研究

车辆乘员数量检测研究对推进HOV车道建设具有重要意义,本文以Faster RCNN网络模型为基础,结合多光谱红外系统获得的汽车驾驶室图像来展开研究。现有数据中因过曝、曝光不足等问题导致图像中目标特征差异大,网络检测的准确率不高,对此采用变形结构的卷积计算提高特征单元的感受野和目标边缘信息的表述能力,采用变形的ROI-Pooling来增强ROI区域特征映射后的特征表述,增强网络的泛化能力。针对在多乘员情况下,因乘员间遮挡导致的错检、漏检等问题引入KL损失,同时采用Soft-NMS与方差投票相结合的方式来改善NMS滤除重复目标框过程的合理性,提高了位置回归的合理性和重叠目标的预测能力,整体检测的准确率得到提高。实验结果表明,本文网络在不同数量下算法检测的准确率得到提高,基本可以满足行业规定大于80%的要求。     

基于改进Faster-RCNN的自然场景人脸检测

为实现对自然场景下小尺度人脸的准确检测,提出一种改进的Faster-RCNN模型。采用ResNet-50提取卷积特征,对不同卷积层的特征图进行多尺度融合,同时将区域建议网络产生的锚框由最初的9个改为15个,以更好地适应小尺度人脸检测场景。在此基础上,利用在线难例挖掘算法优化训练过程,采用软非极大值抑制方法解决漏检重叠人脸的问题,并在训练阶段通过多尺度训练提高模型的泛化能力。实验结果表明,该模型在Wider Face数据集上平均精度为89.0%,较原Faster-RCNN模型提升3.5%,在FDDB数据集上检出率也高达95.6%。     

A new object detection method for object deviating from center or multi object crowding

RetinaNet is a typical representative of single-stage object detection, which can solve the problem of sample imbalance. However, due to the lack of region proposal extraction process in single-stage object detection, the effect of RetinaNet in dealing with the problem that object deviating from center or multi object crowding is not good. To solve this problem, we use a variety of optimization methods for RetinaNet to improve the accuracy of object detection. Firstly, FreeAnchor is introduced on the basis of RetinaNet, which can autonomously learn to match the target category; secondly, ResNeXt50 is taken as the backbone to improve the accuracy without increasing the parameter complexity; thirdly, Bottom-up Path Augmentation module is used to enhance the transmission of location information and further optimize the recall rate; finally, soft-NMS method is used to effectively reduce the false positive detection results and improve the average accuracy of object detection. We use the MS COCO data set to verify the new model. The mAP value of the new model reached 40.8, which is 4.3 more than baseline. It shows that the optimization methods are complementary to each other, which can effectively improve the object detection accuracy while ensuring the speed.     

基于改进Cascade R-CNN的探地雷达管线目标检测

针对人工识别探地雷达管线图像时效率低、误差大和成本高昂等问题, 本文提出了一种基于改进Cascade R-CNN的管线目标智能化检测方法. 首先对探地雷达管线图像数据集进行预处理, 提升数据质量. 然后采用ResNeXt代替ResNet作为主干网络提取目标特征信息, 并添加多尺度特征融合模块FPN使高层特征向低层特征融合, 增强低层特征表达能力. 其次, 使用高斯形式的非极大值抑制方法Soft-NMS得到更加精准的候选框, 使用Smooth_L1作为损失函数, 加速了模型收敛并且降低了训练中发生梯度爆炸的概率. 最后, 对于管线目标特殊的形状特征, 设置合适的锚框长宽比和大小, 提高锚框的生成质量. 实验结果表明, 本文方法解决了复杂特征的地下管线目标智能化检测, 对地下管线目标检测的平均精度达到94.7%, 比Cascade R-CNN方法提高了10.1%.