基于深度学习的遥感影像飞机目标检测方法

遥感影像飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径.针对深度神经网络目标检测在特征提取阶段并未专门涉及特定目标的问题,同时为进一步提高检测精度,基于单一目标多尺度检测(SSD)框架,提出飞机目标Inception多尺度检测(AFInceptionNetSSD)方法.通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标的几何特征,建立了飞机目标特征提取网络;并将此网络应用于SSD框架中,构建了AFInceptionNetSSD方法.仿真结果表明,该方法可以有效地提取飞机目标特征,与SSD框架相比,提高了检测精度.     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

区域提取网络结合自适应池化网络的机场检测

针对传统机场检测方法准确率低、虚警率高、耗时长等问题,借鉴深度卷积神经网络的架构,提出一种改进的区域提取网络和自适应池化网络结合的机场快速检测方法．将二分类网络引入区域提取网络以筛除一些定位较差的候选区域和背景区域,结合自适应池化的检测网络对机场候选区域进行识别,通过复用网络结构和学习的特征参数来达到快速检测的目的．仿真结果表明,与两种典型的机场检测方法相比,所提方法在测试集上取得更高准确率和更低虚警率的同时,极大地提高了检测速度,达到了精准、快速检测机场的目的．     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

基于卷积神经网络的水下目标声呐图像识别方法

水下目标识别是水下无人探测的一项核心技术,为提高水下自动目标识别准确率,提出基于卷积神经网络的目标声呐图像识别方法,针对声呐图像特点,设计了融合图像显著区域分割和金字塔池化的水下目标识别模型。基于流形排序显著性检测方法分割和裁剪图像,减小输入数据维度并减少图像背景对目标特征提取过程的干扰;通过堆叠卷积层和池化层,从原始声呐图像中自动学习目标的高层语义信息,避免人工提取图像特征对有效信息的破坏;提出采用空间金字塔池化方法提取特征图中的多尺度信息,弥补声呐图像细节信息少的缺陷,同时解决输入图像尺寸不一致的问题。结果表明,设计的卷积神经网络模型在实测声呐图像数据集上能够比常规卷积神经网络更准确、更快速地识别水下目标。     

基于残差网络与特征融合的改进YOLO目标检测算法研究

以深度学习为基础的YOLO目标检测技术因检测速度快,而广泛应用于实时目标检测领域中,但其检测准确率不高,尤其是对小物体的检测能力较差。针对上述问题,本文提出一种改进模型——R-YOLO。该模型将残差单元引入YOLO目标检测,既可以通过增加网络的深度,提高网络的准确性,又可以利用残差网络的快捷连接方式,以保证检测的实时性。同时结合CBNet结构,增强语义信息,进一步提高R-YOLO的准确性。最后在改进的YOLO模型中通过特征金字塔融合,结合不同阶段卷积层输出的特征信息,使得融合后的特征图同时具有深层次的语义信息和浅层次的位置信息,以提高对小物体的检测准确性。在Pascal数据集上的实验显示R-YOLO在准确率上较YOLO提高了7.6个百分点,对小物体的检测结果更准确。结果表明,残差单元和特征金字塔融合的引入有效改进了YOLO网络模型的检测性能。     

融合YOLO检测的孪生网络目标跟踪

针对全卷积孪生神经网络(fully-convolutional Siamese network, SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上...     

基于改进Faster R-CNN的铝材板缺陷检测研究

针对Faster R-CNN算法对于铝材板缺陷中大小跨度大的缺陷以及缺陷定位不准确的问题,提出改进Faster R-CNN用于铝材板缺陷检测.首先将VGG16特征提取网络替换为ResNet-101融合特征金字塔FPN,以提升模型对尺寸大小跨度大的缺陷的检测能力;其次,针对一些宽高比相差悬殊的铝材板缺陷定位不准问题提出K-means++聚类算法,用聚类结果调整基础锚框宽高比,使得模型更好框住缺陷以及一定程度上提升模型检测准确度.改进Faster R-CNN模型相比于传统Faster R-CNN模型准确率由79.5%提升至92.93%.     

基于OpenPose的摔倒行为检测技术研究

针对摔倒检测难、检测精度低、误检率高等问题提出了一种基于骨骼姿态关键点和卷积神经网络的摔倒检测算法.该算法通过OpenPose对连续n帧中的运动目标进行关键点检测,以VGG预训练网络作为骨架,对运动目标进行姿态特征提取,并将所提取的姿态特征以支持向量机的方法进行分类实验,有效区分坐、躺、蹲等与摔倒相似的行为.测试所使用的数据集包括一系列自建摔倒视频并结合包括走、蹲、躺、坐、跳等五种非摔倒行为.检测结果的灵敏度为96.52％,特异性为96.37％,相比同类检测算法有较大提升.     

基于神经网络的棉麻混纺纱纤维检测

纺织业中棉麻混纺制品具有透气性、透汗性强等优点,但其中的棉麻纤维配比会影响实际制品的质量,而为了检测纤维配比需要对检测人员经过专业训练,并通过人眼观察来判断检测棉麻混纺纱中棉麻纤维比例。这存在着人力资源与时间资源损耗大,且主观影响因素过强等缺点,为了解决这个问题,本文提出利用神经网络来代替人工自动检测棉麻混纺纱中的棉麻比例,在经过试验后,利用YOLOv3网络并经过一定改良,对于测试集数据的最优平均精度均值(mAP)达到0.973,且测得棉麻混纺比平均值符合实际样本棉麻混纺比数值。由此可以证明,利用神经网络对棉麻混纺纱进行自动的比例检测是成立的。     

基于深度学习的小目标检测方法综述

小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为基于多尺度预测、基于数据增强技术、基于提高特征分辨率、基于上下文信息,以及基于新的主干网络和训练策略等5类方法,全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.     

基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.     

基于全局信息的目标检测标签分配方法

随着深度学习框架的发展,新的目标检测算法也不断被提出,如一阶段、二阶段检测模型等,它们很好地提高了检测速度、解决了不同尺度目标检测的问题,但对于交叠、遮挡等问题,仍没能很好地解决。造成该问题的原因之一就在于模型训练期间,标签分配工作没有做好。针对该问题,提出基于全局信息的目标检测标签分配方法,该方法在模型训练阶段,利用指派方法,根据损失函数,建立全局最优的标签分配数学模型,给出了该模型与其他目标检测模型的融合方式,以及该方法在目标检测过程中所起到的作用。将该模型与常规的目标检测模型相融合,进行目标检测,实验结果表明,在有交叠、遮挡等复杂检测场景下,融合该方法的检测模型,其精确率均优于没有使用该方法的模型。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于改进群组归一化的目标检测与实例分割

训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。     

基于深度学习的轮廓检测算法:综述

轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一.深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破.鉴于此,本文就基于深度学习的轮廓检测研究领域的最新发展进行总结,具体包括:轮廓检测任务中采用的卷积神经网络结构,相关训练数据构造、特征压缩、上采样、代价函数和轮廓细化等关键问题,轮廓检测实验中采用的通用数据集和性能评价指标.最后,分析了基于深度学习的轮廓检测算法的挑战和未来研究趋势,以期为该领域的后续研究提供新思路及参考.     

一种基于鼠标行为的云用户异常检测方法

针对由于云用户的非法操作产生的云安全威胁问题,提出一种在保障云用户隐私的前提下,利用深度学习技术对用户工作中的鼠标操作行为进行分析,实现检测云用户异常行为的方法。该方法首先通过鼠标追踪工具,记录一定时间内用户的基本鼠标操作行为轨迹,然后利用卷积神经网络对记录的行为轨迹图像进行特征学习和分类。通过实验可知,所提出的方法能够在保障用户隐私的前提下,有效的检测用户的异常行为,同时可以避免对系统高维特征数据分析和处理,降低了异常行为检测的难度。     

基于深度属性学习的交通标志检测

为了弥补交通标志底层图像到高层语义之间的鸿沟,本文引入交通标志的形状、颜色、图案内容三种视觉属性,在卷积神经网络(Convolutional neural network,CNN)中加入属性学习(Attribute learning)约束,同时进行交通标志属性学习和分类学习,提出了一种基于深度属性学习的交通标志检测方法。并在公开数据集Sweden traffic sign detection dataset(STSD)和German traffic sign detection dataset(GTSD)上进行的实验结果表明,该方法能够有效地提高交通标志检测的准确率和召回率。