基于原图-光照不变图视觉词典改进的闭环检测方法

当机器人所处环境光照发生变化时,基于传统视觉词典的闭环检测算法性能会降低,容易出现感知混叠和感知变异,从而判断出假闭环.该文首先通过原彩色图像生成只与光源有关的光照不变图,然后生成原图-光照不变图的视觉词典,对每帧图像计算两个直方图和相似性得分,通过最终的得分矩阵来判断是否闭环.实验结果表明,与传统的视觉词典法相比,该...     

结合双重注意力机制的遮挡感知行人检测

针对行人检测算法在交通场景下应用时的遮挡问题,提出一种结合双重注意力机制的遮挡感知行人检测算法.以RetinaNet作为基础框架,在回归和分类支路分别添加空间注意力和通道注意力子网络,增强网络对于行人可见区域的关注;同时引入行人可见边界框信息对传统的回归损失函数进行优化,使其能够随着遮挡程度自适应地调节预测框贡献的权重...     

融合双重闭环检测算法的ICP-SLAM修正策略

随着自动驾驶和人工智能的快速发展,SLAM作为其核心技术的研究日益深入.然而对SLAM日益深入的研究并没让其在生活和生产中被广泛使用.目前,阻碍SLAM发展的主要原因是其所涉及的算法和传感器都存在误差.这种误差随时间和空间累积直接导致创建的地图变形,甚至是创建地图失败,严重限制了SLAM的实际应用.本文针对这种累积误差导致地图变形的缺陷进行研究,使用激光雷达作为传感器,采用目前流行的ICP-SLAM算法,结合视觉SLAM中处理累积误差的闭环检测技术,提出融合双重闭环检测算法的ICP-SLAM修正策略对ICP-SLAM累积误差造成的地图变形进行修正.该策略首先对激光雷达采集的点云数据进行特征提取匹配,然后分析ICP对准产生的变换矩阵以确定闭环检测,最后采用均值分配方法修正地图变形.实验验证表明:该策略中的闭环检测准确率高于常规闭环检测方法,和深度神经网络的闭环检测相比有13.33%提升;同时该策略在闭环检测过程中可以计算出导致地图变形的累积误差;并且在旋转方向上变形度修正效果显著,可以提升54.61%.     

基于自注意力机制的桥梁螺栓检测算法

基于构建的真实桥梁螺栓场景数据集,提出基于自注意力机制与中心点回归（SACPR）的螺栓检测算法. 构建基于真实场景的高质量桥梁螺栓场景数据集,并针对数据不均衡、多样性不够的问题,使用数据增强方法进行数据扩充,从而获得更高的分类精度. 采用基于深度学习框架的SACPR算法检测不同场景下的螺栓,并进行标示. 对螺栓检测准确率进行验证实验,验证SACP算法的有效性. 将试验结果与YOLOv3、Faster-RCNN、RetinaNet这3种算法结果进行对比,发现3种检测方法的识别精度分别为80.56 %、87.71%、93.89%,而所提出的SACPR 算法的识别精度为93.91%,明显优于YOLOv3算法和Faster-RCNN算法;虽然SACPR算法与RetinaNet算法的识别精度较接近,但前者的检测速度是后者的5.6倍.     

高效通道注意力和特征融合的协同显著性检测算法

针对现有的协同显著性检测算法在多显著目标复杂场景下表现不佳的问题,提出了一种基于高效通道注意力和特征融合的协同显著性检测算法。首先,检测算法利用预训练的深度卷积神经网络对场景进行多尺度特征的提取,结合边缘显著信息设计了显著性语义特征提取模块,以避免全卷积神经网络导致边缘信息的缺失;其次,通过内积基本原理得到组内图片间的关联性信息并根据其关联程度进行自适应加权,结合高效通道注意力层设计了协同特征提取算法;最后,为了将各级高层语义特征经过协同显著性特征提取之后的结果与浅层次的特征进行融合,并实现对预测结果进行多分支同步监督,设计了基于高效通道注意力的特征融合模块。通过对3个经典的数据集进行测试,并与6种现有的协同显著检测算法进行对比,结果表明本文所提算法提高了复杂场景中图像的协同显著性检测的精度以及边缘信息的丰富程度,并具有更优的协同显著性信息检测性能;通过消融实验进一步验证了所提设计算法各个模块的有效性和必要性。     

基于兴趣注意力网络的会话推荐算法

针对现有基于图神经网络的会话推荐算法对用户主要兴趣偏好提取不充分的问题,提出了一种基于兴趣注意力网络的会话推荐算法（Session-Based Recommender Method Based on Interest Attention Network,SR-IAN）。首先,使用图神经网络捕获物品之间的上下文转换关系,得到物品的图嵌入向量;其次,将图嵌入向量输入兴趣注意力网络中,提取用户的主要兴趣偏好;然后通过注意力层对物品的图嵌入向量进行加权区分;最后,通过预测层得到候选物品的点击概率值并对其进行排序。算法模型在3个公开数据集Diginetica、Retailrocket和Tmall上进行了实验验证,相比基准模型在MRR@20指标上分别有0.942%、1.183%和2.977%的提升,同时降低了模型时间复杂度,验证了该方法的有效性和高效性。     

基于通道注意力机制的智能地质填图

进入新世纪,科技的发展造就了大数据的爆发式增长,这为基于深度学习方法来研究地质学问题奠定了基础。卷积神经网络已被用于地质填图,但卷积操作关注的是数据空间维度的特征信息,无法建模不同通道维度之间的依赖关系。为了发掘不同通道的输入数据和特征图之间的关联性,提升智能地质填图的效果,本文在全卷积神经网络Unet中引入通道注意力模块——挤压—激励模块(Squeeze and Excitation Block, SE Block),提出了一种新网络SE—Unet,并将该网络应用于湖南省鲤鱼塘地区的1∶5万智能地质填图。实验结果表明,相比于Unet, SE—Unet智能地质填图的总体精确度由81.58%提高到了83.72%,可视化结果显示,两种原来难以识别的地质单元被大致识别出来。这验证了通道注意力机制能够提升网络的学习和表征能力,也说明了本方法对于提升智能地质填图效果的可行性与有效性。     

基于注意力机制的光线昏暗条件下口罩佩戴检测

自新冠肺炎疫情爆发以来,口罩佩戴检测成为疫情防控的必备操作.该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题,提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法.首先对训练集图片使用图像增强算法进行预处理,然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练,完成训练后,将最优权重模型保存并在...     

基于注意力机制的卷积神经网络可视化方法

相比于传统机器学习算法,卷积神经网络"端到端"的黑盒特性使其内部工作机制缺乏透明性和可解释性,导致其在某些安全性要求较高的领域受到一定限制.为此,提出一种基于注意力机制的卷积神经网络可视化方法,用于可视化解释卷积神经网络中间层所学特征.该方法首先将注意力机制添加到网络结构中,跟随网络一起训练;然后,获取训练后模型的最高...     

一种基于多重单应引导的特征点匹配算法研究

针对复杂地形低空遥感影像特征匹配难的问题,提出了一种多重单应引导的特征点匹配算法.算法首先提取影像中的SIFT特征点并进行NN粗匹配,再经ransac算法鲁棒估计单应矩阵,并给定视差阈值,由单应矩阵进行引导匹配,直到数目稳定为止,对剩余特征点重复以上匹配过程,直到ransac估计超限为止,最后对单应估计的匹配对进一步由ransac算法鲁棒估计基础矩阵对应的内点,利用LM算法对内点求解最优基础矩阵获得更精确的匹配点.实验证明,采用文章算法进行特征点匹配,可以有效提高匹配点数量和可靠性,为快速生成高分辨率数字地面模型提供一种新的技术途径.     

结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.     

基于注意力机制和多层次特征融合的目标检测算法

为了提高目标检测的准确率,提出一种基于注意力机制和多层次特征融合的图像目标检测算法。该算法在Cascade R-CNN模型的基础上,以RseNet50为主干网络,通过嵌入简单的注意力模块（SAM）来提高网络的判别能力;其次,利用深度可分离卷积改进特征金字塔网络（FPN）,设计了多层次特征融合模块（MFFM）,对多尺度特征进行融合,以丰富特征图的信息量,并对不同层次的特征图赋予相应的权重以平衡不同尺度的特征信息;最后,结合目标检测方法中的区域建议网络（RPN）结构获取目标的候选区域进行分类和回归处理,确定检测目标的位置和类别。实验结果表明,相较于Cascade R-CNN目标检测算法,该算法的检测精度提升了约2.0%。     

融合多特征信息的密集场景人群分群检测算法

针对存在更复杂运动模式的无序运动人群密集场景,提出了一种有监督的密集场景人群分群检测算法,不仅能够实现运动前景的自动定位和跟踪,而且还能够在有先验信息的条件下准确定位分群区域。结合个体之间运动轨迹时空距离特征、运动方向特征、格兰杰因果性特征、热能图特征以及运动相关性特征,采用结构化支持向量机在训练集上进行训练,对测试集人群进行了分组测试。选用了大量真实室内外密集人群无序运动场景视频进行测试,试验结果表明,该方法对密集人群分组有较好的处理效果。     

一种改进的特征点匹配算法

特征点匹配是计算机视觉中的关键步骤,在很多领域中都有着的重要应用。通过对当前图像特征点匹配方法的研究,提取一种基于特征点的灰度量和几何特征量相结合的匹配方法。该方法首先用Harris算法提取特征点;然后用极线约束减少搜索范围;最后用特征点的灰度量实现特征点匹配。该方法利用极线约束,克服了用灰度量进行特征点匹配计算量大的缺点。提高了匹配速度。实验表明,是一种准确快速的特征点匹配方法。     

Trifocal Tensor Based Feature Matching Algorithm

Feature matching is of significance in the field of computer vision. In this paper, a trifocal tensor based feature matching algorithm is proposed for three views, including a trinocular vision system. Initial matching point-pairs can be determined according to generic matching algorithms, on which an initial trifocal tensor of three views can be confirmed. Then the initial matching point-pairs should be re-selected. Meanwhile, the trifocal tensor will be recomputed. Iteratively, the optimized t...     

一种高效的图像局部特征匹配算法

文章提出了一种高效的图像局部特征匹配算法。在特征描述子构建阶段,提出基于梯度的距离和方向直方图(gradient distance and orientation histogram,GDOH)算法,其特征向量维数仅是SIFT和GLOH描述子的一半,然而却具有与SIFT和GLOH相当的性能;在高维特征空间最近邻搜索阶段,提出基于子向量的索引结构(indexing sub-vectors,ISV),ISV算法比BBF(Best Bin First)算法具有更高的搜索精度和更快的搜索速度。实验结果证明文中提出的图像局部特征匹配算法(GDOH+ISV)比目前广泛使用的Lowe的算法[12](SIFT+BBF)更加高效。     

计算DNA序列模式特征的匹配算法

分析了DNA序列特征计算过程中的特殊性,提出了一种基于“空间换时间”的模式匹配算法,设计了以map数据结构来存储中间结果的方案,使得扫描DNA序列一次即可同时计算所有元组模式在该序列中出现的次数。实验结果及分析表明,算法提升了DNA序列模式特征计算的效率,较好地解决了计算DNA序列模式特征的问题。     

基于卷积神经网络的视觉闭环检测研究

闭环检测是视觉SLAM中很重要的一部分,成功地检测出闭环能减小定位算法所产生的累积里程漂移.鉴于深度卷积神经网络在分类问题上的优越表现,本文首次将应用于图像分类的vgg16-places365卷积神经网络模型应用于视觉SLAM闭环检测中,将配准数据输入训练好的该卷积神经网络,其各个隐藏层的输出对应于图像特征表示.然后通过实验比较选用匹配精度较高的中间层完成场景特征提取,通过计算场景特征的相似性得到闭环区域.最后在闭环检测数据集上进行实验测试.测试结果表明,相比于传统的闭环检测方法,vgg16-places365卷积神经网络模型在相同召回率条件下准确率要高约3%;对于特征提取时间,在CPU上要快约5~10倍,而在GPU上更是比传统人工设计特征的闭环检测快近100倍.     

基于WM算法改进的多模式匹配算法

为提高入侵检测系统整体的性能和效率,在研究经典的WM（Wu-Manber）多模式匹配算法的基础上,提出一种改进的WM多模式匹配算法。该算法使用后缀表方法,减少了匹配过程中模式字符串与文本的比较次数。实验结果表明,该算法有效提高了入侵检测系统匹配的速度和效率。