一种结合迁移学习和LSTM的视频暴力检测方法

计算机视觉在安防领域发挥着重要作用,可以作为辅助手段对正在发生的暴力行为进行识别和报警,从而大大减少了视频监控对人的依赖。为了降低监控视频中暴力检测的运算成本并提高检测效率,在已有模型基础上提出一种利用迁移学习、长短期记忆网络（Long Short Term Memory,LSTM）来构建新的特征提取器,然后在新数据集上进行训练并微调部分参数,最终实现实时的视频暴力行为检测。提出的方法在RWF-2000数据集上取得了96.51%的准确率,优于传统方法,并且处理帧率能够基本满足实际需求。     

基于双层注意力的Deepfake换脸检测

针对现有Deep fake检测算法中普遍存在的准确率低、可解释性差等问题,提出融合双层注意力的神经网络模型,该模型利用通道注意力捕获假脸的异常特征,并结合空间注意力聚焦异常特征的位置,充分学习假脸异常部分的上下文语义信息,从而提升换脸检测的有效性和准确性.并以热力图的形式有效地展示了真假脸的决策区域,使换脸检测模型具备...     

基于LSTM的卷积神经网络异常流量检测方法

针对传统机器学习方法依赖人工特征提取,存在检测算法准确率低、无法应对0day漏洞利用等未知类型攻击等问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long-Short Term Memory,LSTM)混合算法的异常流量检测方法,充分发掘攻击流量的...     

基于深度卷积神经网络的裂纹检测方法综述

裂纹是威胁民用基础设施安全运行的重要因素之一,及时准确地检测出裂纹可以有效避免事故的发生。基于计算机视觉的自动裂纹检测方法具有操作简单、检测速度快、检测精度高的优点,被广泛应用于桥梁、道路监测、房屋建造、轨道交通等领域。总结了现有裂纹检测主要手段,详细介绍了三类基于深度卷积神经网络的裂纹检测方法,即基于分类的裂纹检测、基于目标检测的裂纹检测、基于像素级分割的裂纹检测,分析了基本原理、优缺点及其实际应用。汇总了裂纹检测领域常用数据集,并探讨了基于深度卷积神经网络的检测方法存在的问题,对其未来发展进行了展望。     

基于卷积神经网络的复杂场景目标检测算法

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.     

深度卷积神经网络的目标检测算法综述

目标检测是计算机视觉中的核心任务之一,在智能视频监控、自动化监测、工业检测等领域应用广泛。近些年来,随着深度学习的快速发展,基于深度卷积神经网络的目标检测算法逐渐替代了传统的目标检测算法,成为了该领域的主流算法。介绍了目标检测算法的常用数据集和性能评价指标,介绍了卷积神经网络的发展,重点分析比较了两阶段目标检测算法和单阶段目标检测算法,展望了基于深度卷积神经网络的目标检测算法未来的发展。     

基于深度学习的实时场景小脸检测方法

实时场景下的小脸检测存在检出率低而且回归精度差的问题。通过融合更底层特征进行多尺度级联预测。根据实时场景下的人脸特点生成不同大小和比例的预测框以更好地适应人脸形状。在预测阶段提出了基于IOU判别的soft and hard nms算法，对冗余预测框进行抑制，设置两个阈值将网络生成的预测框划分为低中高三段，对不同段的预测框采取不同的处理以达到精准筛选的目的。最优架构可在两张NVIDIA GTX 1080显卡下的实时视频检测和摄像头检测中获得45 f/s的速度，并且在Wider Face总体验证集上取得82.6%的平均精度。     

卷积神经网络在目标检测中的应用综述

深度学习作为机器学习的一个分支,在各个领域的应用越来越广,已经成为语音识别、自然语言处理、信息检索等方面的一个主要发展方向;其在图像分类、目标检测等方面更是不断取得新的突破。文中首先梳理了卷积神经网络在目标检测中的典型应用;其次,对几种典型卷积神经网络的结构进行了对比,并总结了各自的优缺点;最后,讨论了深度学习现阶段存在的问题以及未来的发展方向。     

基于NVIDIA JetsonTX2的视频行为检测研究

行为检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用。目前,基于深度学习的C3D行为检测网络与传统行为检测相比,其检测精度虽然有了提高,但存在网络参数量大的问题。为进一步提高检测结果的准确性以及降低网络参数量,采用改进的SqueezeNet与C3D相结合的卷积神经网络,并引入BN层与short-cut结构。将训练模型部署到NVIDIA JetsonTX2上,对视频行为进行分析、检测。实验结果表明,改进后的SqueezeNet-C3D卷积神经网络相比于C3D神经网络在精度上提高了4.4%;改进后的SqueezeNet-C3D网络与SqueezeNet-C3D网络相比,参数量降低了15%。可见该网络具有精度高、参数量少的优点。     

基于RetinaNet的场景文字检测算法

针对场景文字区域尺度变化较大,具有较大的长宽比,且具有任意方向性等问题,提出一种基于神经网络的场景文字检测模型.基于直接回归方法设计,无需预先设置锚框,在多次层次构建特征,且在多个分支之间共享卷积核.实验阶段在多个数据集上验证了模型的有效性,相较于现有方法,该模型计算资源消耗更小,推理速度更快,整体性能更好.     

基于卷积神经网络的实时行人检测方法

近年来,卷积神经网络在行人检测领域取得了同其他方法相似甚至更好的检测成绩,然而缓慢的检测速度远不能满足现实需求.针对这一问题,本文提出一种实时的行人检测方法,将分散的检测过程整合成单一的深度网络模型,被检测图片通过模型的计算可以直接输出检测结果.使用扩充的ETH数据集进行训练测试,实验结果表明,在保证准确率的情况下,该方法检测速度极快,可以满足实时检测的目的.     

基于非关键掩码和注意力机制的深度伪造人脸篡改视频检测方法

自深度伪造技术(Deepfake)被提出以来,其非法应用对个人、社会、国家安全造成了恶劣影响,存在巨大隐患,因此针对人脸视频的深度伪造检测是计算机视觉领域中的热点及难点问题。针对上述问题,提出了一种基于非关键掩码和CA＿S3D模型的深度伪造视频检测方法。该方法首先将人脸图像划分为关键区域和非关键区域,通过对非关键区域掩码的处理,提高了深度神经网络对人脸图像关键区域的关注程度,减少了无关信息对深度神经网络的影响和干扰;接着在S3D网络中引入上下文注意力模块,增强了对样本数据信息长程依赖的捕获能力,提高了对关键通道和特征的关注程度。实验结果表明,该方法在DFDC数据集上得到了明显的性能提升,准确率从83.85%提升到了90.10%,AUC值从0.931提升到了0.979;同时与现有的深度伪造视频检测方法进行了对比,所提方法的表现优于现有方法,验证了该方法的有效性。     

基于多尺度优化感知网络的口罩检测方法

佩戴口罩是全球医学专家公认最有效的预防新冠肺炎感染的方法之一。基于视觉的智能口罩检测技术对于督促人们在公共场合佩戴口罩具有重要的作用。然而,目前专用口罩检测算法较为缺乏,通用目标检测算法对于多尺度、多角度和外观多样的戴口罩人脸目标识别仍然无法满足检测精度的要求。针对该问题,提出了一种基于多尺度优化感知网络的口罩检测方法——PyramidMask。首先,PyramidMask从骨干网络的不同尺度获取图像的多层特征;然后设计尺度感知分支进行不同层的高密度先验框独立预测,以端到端的方式对图像中多尺度的人脸进行精准定位和佩戴口罩检测。此外,为了提高模型对复杂环境的鲁棒性,在训练阶段以图像拼接的方式对训练样本进行数据增强。实验结果表明,在公开的口罩检测数据集上,PyramidMask优于当前主流方法。相较于基准方法,PyramidMask在检测戴与未戴口罩的召回率上分别有5.4%和12.5%的提升,精确率上分别有6.0%和4.1%的提升。     

基于卷积神经网络的雷达目标检测方法

雷达目标检测近年来一直是雷达信号处理中的重要任务,在探测监控等安全领域中有非常重要的作用;针对传统恒虚警目标检测方法存在的环境适应能力较弱、复杂地形环境下雷达虚警数量急剧上升等问题,提出一种基于卷积神经网络的雷达目标检测方法;以雷达回波信号数据处理后得到的距离-多普勒图像作为模型的训练集和测试集,设计基于FasterR-CNN结构的雷达目标检测模型,训练模型并将测试结果与传统恒虚警目标检测算法结果相比较,所设计的模型提升了雷达目标检测正确率并较大地减少了虚警数量,这表明将卷积神经网络应用于雷达回波信号的处理任务中是可行的。     

基于可变形卷积的多人人体姿态估计

目前针对人体姿态估计的深度神经网络都是在特征图的固定位置上进行采样,无法对人体姿态的几何变换进行建模,当人体实例在尺寸、姿势、拍摄角度等方面发生变化后,网络泛化能力较差.因此,文中提出基于可变形卷积的多人人体姿态估计方法.利用可变形卷积对目标几何变换建模能力较强的特性,设计特征提取模块,可在人体关键点几何变化的条件下保证检测的准确性.为了进一步提高网络性能,利用预训练残差网络.模型的预测值与二维高斯模型生成的真值用于计算损失,并迭代训练模型,能在拍摄视角、附着物及人物尺度变化等复杂条件下有效检测人体关键点.实验表明,文中模型可有效提升人体关键点检测的准确性.     

基于深度学习的目标检测算法研究综述

传统的目标检测算法主要依赖于人工选取的特征来对物体进行检测。人工提取的特征对主要针对某些特定对象,比如有的特征适合做边缘检测,有的适合做纹理检测,不具有普遍性。近年来,深度学习蓬勃发展,在计算机视觉领域比如图像分类、目标检测、图像语义分割等方面取得了重大的进展。深度学习作为一种特征学习方法能够自动学习到目标的有用特征,避免了人工提取特征,同时能够保证良好的检测效果。本文首先介绍基于深度学习的目标检测算法研究进展,其次总结目标检测算法中常见的难题与解决措施,最后对目标检测算法的可能发展方向进行展望。     

基于深度学习的视频多对象视觉检测和追踪方法

为更好提升视频中的多对象视觉检测和追踪的有效性,提出一种用于视觉对象检测的深度卷积神经网络架构,考虑时域信息和空域信息的基础上直接以视频作为输入,通过引入粒化层,确保更好地定位含有检测对象的前景区域;提出一种对象追踪方法,由于只涉及同一类对象内的逐帧关联,该方法在减少运行时间的同时增加追踪精度。在不同对象检测和追踪的基准集上与不同检测方法和追踪方法的各种评价指标对比验证了该方法的有效性。     

基于深度混合卷积模型的肺结节检测方法

基于高维肺部计算机断层扫描（CT）图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中，深度卷积神经网络（CNN）最引人注目，其中二维（2D） CNN具有预训练模型多、检测效率高等优点，应用非常广泛，但肺结节本质是三维（3D）病灶，2D CNN会不可避免地造成信息损失，从而影响检测精度。3D CNN能充分利用CT图像空间信息，有效提升检测精度，但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势，提出基于深度混合CNN的肺结节检测模型，通过在神经网络模型的浅层部署3D CNN，在模型的深层部署2D CNN，并增加反卷积模块，融合了多层级的图像特征，达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力，提高检测效率的目的。在LUNA16数据集上的实验结果表明，所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924，优于现有的先进模型。