基于对抗学习与深度估计的车辆检测系统

随着目标检测技术的不断发展，用于道路场景的车辆检测系统在自动驾驶领域得到了广泛应用。与传统的目标检测器相比，车辆检测的目标比较单一，但同时需要解决两大问题，一是在复杂的道路场景中，提供给检测器的车辆特征通常是不完整的，会出现遮挡和形变等问题；二是在自动驾驶过程中，需要对不同车辆的距离做出估计才能保证智能车及时地做出规避动作，即对图像的目标区域进行深度估计。针对这两个问题，提出了基于对抗样本生成与深度图重建的车辆检测方法。为预训练目标检测网络Faster⁃RCNN设计一个对抗网络，用于在训练过程中产生大量的训练样本，并利用这些样本对车辆检测器进行训练；根据检测结果，通过重建3D场景与相机位姿恢复深度图，对车辆的距离做出估计，以通知系统及时做出规避动作。实验结果表明，在不增加数据训练样本的情况下，该检测系统可以较好地提升车辆检测效果及估计目标车辆的距离。     

基于Adaboost算法的日间前方车辆检测

提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。     

基于优化DeepSort的前方车辆多目标跟踪

为了提升自动驾驶汽车对周边环境的感知能力,提出优化DeepSort的前方多车辆目标跟踪算法. 采用Gaussian YOLO v3作为前端目标检测器,基于DarkNet-53骨干网络训练,获得专门针对车辆的检测器Gaussian YOLO v3-vehicle,使车辆检测准确率提升3%. 为了克服传统预训练模型没有针对车辆类别的缺点,提出采用扩增后的VeRi数据集进行重识别预训练. 提出结合中心损失函数与交叉熵损失函数的新损失函数,使网络提取的目标特征有更好的类内聚合以及类间分辨能力. 试验部分采集不同环境的实际道路视频,采用CLEAR MOT评价指标进行性能评估. 结果表明,与基准DeepSort YOLO v3相比,跟踪准确度提升1%,身份切换次数减少4%.     

基于深度迁移学习的烟雾图像检测

针对乡村焚烧秸秆的烟雾预警问题,提出一种基于深度迁移学习的烟雾图像检测方法。该方法使用TensorFlow框架,引用已在ImageNet数据集上训练好的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用真实场景的监控图像进行实验验证,实验结果表明,和传统的烟雾图像检测方法相比,该方法取得了较高的检测准确率,测试准确率达到了90%。     

一种基于Adaboost算法的车辆检测方法

由于车间安全距离不足容易导致追尾事故的发生.前方车辆的检测能为建立完整的汽车防撞预警系统提供必要的辅助信息.本文提出了一种采用Adaboost算法训练得到的级联分类器实时检测前方车辆的方法.通过选取扩展的类Haar特征,采用Adaboost算法训练得到一个识剐车辆的级联分类器.最后将训练得到的分类器应用至ll实车车辆检测系统中.试验结果表明,基于此算法的车辆检测方法具有检测率高、速度快,能够达到实时检测的要求.     

考虑上下游的LSTM短时交通流量预测

使用基于LSTM循环神经网络的短时交通流量预测模型分析了不同输入配置对交通流量预测精度的影响。首先,比较了同一车辆检测站点处交通流量、速度和占有率数据的不同组合对短时交通流量预测的影响。实验结果表明,在模型输入中包含速度/占有率信息整体来说可以增强模型的预测性能。为了在模型中引入空间信息,我们进一步考虑了目标车辆检测站点上下游的交通流量状况,分别测试了包含目标车辆检测站点和上下游6个车辆检测站点在内的16种不同的输入组合。实验结果表明,在模型中引入上下游交通信息可以显著提高短时交通流量预测的精度。     

基于Co-training方法的车辆鲁棒检测算法

针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.     

基于YOLO算法的车辆实时检测

目前,基于机器视觉的车辆检测算法存在检测速度较慢的问题。针对该问题,提出一种基于YOLO算法的车辆实时检测方法。YOLO检测算法的基本模型由卷积层,池化层以及全连接层组成,具有强鲁棒性以及能够快速完成车辆检测任务。选择交通监控视频作为数据集进行车辆检测试验。结果表明,YOLO检测算法的查准率为89.3%,查全率为81.0%,检测速度达到60f/s,基本满足交通监控中车辆检测的实时性需求,说明该方法合理可行。运用该方法与2种不同的检测算法进行对比分析,得出YOLO算法的检测速度最快。     

基于红外视频的车载行人车辆检测系统

该文提出一种基于红外视频的车载行人车辆检测系统模型。利用混合高斯模型对梯形感兴趣区域提取前景,再根据前景进行目标的框定,对目标进行几何形状、灰度分布、运动速度、边缘梯度分布4类特征提取特征数据,并把特征数据代人事先用特征数据库训练好的神经网络对目标进行分类检测,以达到对行人车辆的检测判别并预警的效果。仿真结果表明,该检测系统算法运行速度快,虚警率低,可靠性强。     

基于有限状态自动机的绿通车辆驾驶室避让控制

在高速公路绿通车道检测过程中,为了避免射线对驾驶员身体造成伤害,需要对车辆的驾驶室进行避让。本文提出了一种基于有限状态自动机的绿通车辆驾驶室避让控制方法。首先在对车辆通过绿通车道时的状态进行分析的基础上,建立了车辆驾驶室避让的自动状态机模型;然后根据该模型编制了相应的控制程序,对该状态机模型进行了仿真验证和考核;最后对绿通车辆大量的实测数据进行分析。结果表明:基于有限状态自动机的驾驶室避让控制方法能够准确有效地实现驾驶室避让控制,有效地剔除非车辆通行所导致的误动作。     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

基于宏微观纹理特征融合的路面摩擦性能预测

通过非接触式三维激光表面测试、机器学习,开展基于宏微观纹理特征融合的路面摩擦性能智能预测模型研究. 来自俄克拉荷马州的45个测试站点被选取作现场测试平台. 利用三维激光检测车和GripTester,分别获取行车道轮迹带路面摩擦数据、宏观纹理;利用LS-40三维激光表面分析仪获取集料表面三维微观纹理数据,测算4类微观纹理参数. 利用机器学习算法,将路面摩擦与宏微观纹理特征建立联系. 综合模型训练与测试,评价路面摩擦性能预测模型的准确率. 模型的测试标准差为0.047,测试集R²为0.865. 研究结果表明,86.5%的测试数据适用于所建立的机器学习预测模型,开发的评价指标及预测模型能够较好地预测路面摩擦性能.     

Unsupervised adversarial learning method for hard disk failure prediction

In order to solve the problem of over-fitting of traditional supervised learning methods in anomaly detection of unbalanced datasets, an unsupervised adversarial learning method is proposed for hard disk failure prediction. This method uses the long short-term memory neural network and fully connected layer to design an Autoencoder that can be used for secondary coding. Only normal samples are used for training. By reducing the reconstruction error and the distance between potential vectors, the model can learn the data distribution of normal samples, thus improving the generalization ability of the model. The model also introduces the generative adversarial network to enhance the effect of unsupervised learning. Experiments on several datasets show that the recall rate and precision of the proposed method are higher than those of traditional supervised learning and semi-supervised learning classifiers, and that its generalization ability is stronger. Therefore, the unsupervised adversarial learning method is effective in hard disk failure prediction.     

基于改进生成对抗网络的飞参数据异常检测方法

针对民用飞行器安全性、可靠性要求严苛,实际民航运营中飞行参数的异常样本稀少,整体样本不平衡且缺少标注的问题,研究深度学习与生成对抗网络技术,提出基于改进生成对抗网络的飞参数据飞行级异常检测方法. 该方法不依赖样本数量与标签,实现无监督学习的检测方法. 针对飞参数据,输入正常数据样本,应用易收敛的WGAN-GP改进型生成对抗网络模型,模拟生成正常数据样本,计算输入数据与模拟正常数据的巴氏距离,实现对异常数据的检测. 通过美国国家航空航天局模拟飞参数据的人工合成数据集以及真实运营环境下采集的快速存取记录器数据构建的飞参数据集,开展试验验证. 结果表明,与常用无监督模型相比,提出方法在部分异常检测性能指标上有显著提升.     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.