基于对抗网络与卷积神经网络的目标检测方法

在目标检测方法中,通过使用具有不同遮挡程度的数据集进行训练,能够提升目标检测算法对遮挡的不变性,但现实生活中的数据集往往存在长尾效应。因此提出一种基于对抗网络与卷积神经网络的目标检测方法。通过对抗网络在输入数据上进行计算得到不同遮挡程度的样本,使用Faster RCNN算法进行训练提升遮挡不变性,以此提高算法检测精度。实验结果表明,该方法与Faster RCNN相比,在VOC 2007数据集上平均精度提升了2.2个百分点,在VOC 2007和VOC 2012联合数据集上平均精度提升了1.3个百分点。     

一种基于空洞卷积的遮挡目标检测方法

本文提出了一种基于两阶段目标检测的方法,该方法基于FasterR-CNN模型,以ResNet50为主干网络,利用特征金字塔网络融合多个特征层的上下文信息,并在后续特征图的处理过程中加入空洞卷积,以扩大特征图的感受野,增强对遮挡目标的检测。     

一种基于小波网络的故障检测方法

本文针对突变故障给出了一种基于小波网络的检测方法。故障检测方法一般分为两种：一种是基于信号分析；而另一种是基于过程的数学模型。本文给出了一种基于小波网络的故障检测方法，它具有信号分析，数学模型两者优点，从而更准确地检测出突变故障。     

增强区域全卷积网络下的炸点检测方法研究

野外大视场环境下的炸点检测常采用图像帧间差分的方法,但由于弹体落地后炸点分布的情况复杂,对密集炸点的检测成为了难点问题.针对该问题,将炸点图像经过整理、分类,构建了炸点检测的专用数据集.在此基础上,对R-FCN模型的特征提取网络、区域推荐网络、位置敏感池化层和分类回归层进行了分析与改进,提出了增强区域全卷积网络用于单帧目标检测,并针对现在盲目多次尝试取最优训练结果的训练方法,提出了一种基于剪枝的网络模型训练方法.在野外大视场炸点图像专用数据集上进行了对照实验,最终平均检测率为83.73%,检测率明显提高.在Pascal VOC数据集上与其他常用算法进行了对比实验,结果表明了该算法的有效性.     

改进的基于区域卷积神经网络的微操作系统目标检测方法

传统的目标检测方法不能有效检测微操作系统中部分受遮挡或多种姿态的目标,因此文中采用改进的基于区域卷积神经网络的Faster-RCNN检测算法,用于微操作系统中部分受遮挡或多种姿态的目标检测.在原始Faster-RCNN的基础上,使用在图像分类任务中性能优越的深度残差网络作为检测算法的主框架,并且引入防止正负样本不均衡的在线困难样本挖掘策略以提高网络性能.实验表明,这种改进的基于区域卷积神经网络方法能有效识别部分受遮挡和不同姿态的目标,相比传统方法,文中方法对环境适应性更强,速度更快,具有实际应用价值.     

基于深度卷积网络的目标检测综述

在基于区域的卷积神经网络提出后,深度卷积网络开始在目标检测领域普及,更快的基于区域的卷积神经网络将整个目标检测过程合成在一个统一的深度网络框架上.随后YOLO和SSD等目标检测框架的提出进一步提升目标检测的效率.文中系统总结基于深度网络的目标检测方法,归为2类:基于候选窗口的目标检测框架和基于回归的目标检测框架.基于候选窗口的目标检测框架首先需要在输入的图像上产生很多的候选窗口,然后对这些候选窗口进行判别.这里的判别包括:对窗口包含物体的类别(包括背景)进行判断、对窗口的位置进行回归.基于回归的目标检测方法将图像目标检测看作是一个回归的过程.在此基础上,在PASCAL_VOC和COCO等主流数据库上对比目前两类目标检测框架中的主流方法,分析两类方法各自的优势.最后根据当前深度网络目标检测方法的发展趋势,对目标检测方法未来的研究热点做出合理预测.     

一种基于网络行为的入侵检测方法

目前,入侵检测系统Snort还没有好的方法来检测和分析网络行为。文章通过对网络入侵检测流程的分析,基于网络的入侵攻击行为特征,构建出一种攻击树,按照攻击树的方法对数据流进行行为匹配,检测出入侵攻击行为。实验证明,这一基于网络行为匹配的入侵检测方法,大大提高了Snort的入侵检测能力。     

基于卷积神经网络的桥梁裂缝检测方法

针对桥梁裂缝固有特征及检测过程的局限性,引入基于卷积神经网络的YOLOv3单阶段目标检测算法,并对YOLOV3网络的多尺度预测模块进行改进,充分利用浅层特征,提升小裂缝检测精度.通过聚类算法对数据集进行聚类,得到适用于桥梁裂缝特征的先验框尺寸.数据集方面引入生成对抗网络对桥梁裂缝数据集进行扩增.实验结果表明,在相同数据...     

一种基于通道重排的轻量级目标检测网络

Tiny YOLO和YOLOv3-tiny作为2种轻量级目标检测算法以其突出的速度表现而闻名。本文以这2种网络模型为基础,结合分组卷积并改进通道重排算法,改进了原来的损失函数,构建了一种新的更快的网络模型,通过改进YOLOv3的损失函数而增加其检测准确度。在PASCAL VOC数据集和COCO数据集上分别训练并且测试,该网络模型每秒处理的速度超过265张图片,Map值达到55.8%,准确度超过Tiny YOLO且与YOLOv3-tiny相仿。     

目标检测中基于Kohonen网络的特征提取方法

为适应时变乃至模型未知的复杂环境,S.Haykin等提出了一种基于神经网络模式识别的雷达目标检测方法.作者在深入研究该检测系统中主要模块:用作分类器的MLP网络和用作特征提取的PCA网络的局限性后,提出分别运用模糊神经网络与Kohonen神经网络对其检测系统进行改进重构.本文主要介绍基于Kohonen网络特征提取的检测方法,并分别运用模拟与真实数据,与原PCA方法进行了性能比较实验与分析.     

一种基于区域的车辆阴影消除方法

该文给出了一种基于区域的车辆阴影检测方法。首先将运动前景像素检测出来,利用梯度特征分割运动前景的连通域获取投射阴影的方向,然后再结合区域内的角点及灰度相似性特征分割车辆和其阴影像素。实验结果表明该方法可以有效的检测阴影,并且能够满足实时性的要求。     

一种投影网络模板检测方法

利用网络结构光进行物体表面重建是目前一种常用的方法,其中投影网格模板的检测是此类方法的一个关键问题。本文针对基 机有源开头恢复系统,提出一种模板检测算法。该方法能自动地从结构光图象中提取网格线,网格交叉点,并按行列对交叉点进行编号。应用结果表明该方法具计算速度快,提取准确等特点。     

一种基于卷积神经网络的疲劳驾驶检测方法

疲劳驾驶检测具有重要的警示作用,对检测方法的准确性和实时性均有较高要求。为此,提出了一种基于卷积神经网络的疲劳驾驶检测方法。首先,针对车内特定使用环境,对MTCNN算法进行了加速优化,在保证高准确率的同时检测速度提升高达27倍。其次,在实现人脸特征点精确定位基础上,提出了一种基于稀少特征点快速准确提取目标区域图像的ERFP（extracting images based on rare feature points）方法。再次,利用构建的眼、嘴数据集EMSD（eye and mouth state date sets）完成了眼、嘴部状态分类模型的训练。最终,利用训练得到的模型,结合相应的判定算法,实现了疲劳驾驶的检测判定。实验结果表明,该方法在实车环境下对瞌睡和哈欠行为的判定准确率均达到了96%以上,且每秒可完成约50帧图像的检测,具备良好的实时性。     

基于自校准卷积网络的行人检测方法

针对已有行人检测算法存在的小尺度行人信息描述不充分的问题,提出一种基于自校准卷积网络的行人检测算法.通过将CSP算法的主干网络更换为SCNet自校准卷积网络,有效扩大了网络的感受野范围;将主干网络的低层特征像素信息和高层特征语义信息进行融合,有效促进小尺度行人的检测;对精细的多尺度卷积特征进行多层连接,将行人检测简化为...     

一种基于视觉特征区域建议的目标检测方法

虽然基于深度学习的目标检测器具有较高的检测精度,但是大多数检测器的检测速度不能满足实时性要求.此外,目前主流的实时检测算法如SSD(single shot multibox detector)和YOLO(you only look once),对小目标的检测精度不高.鉴于此,提出一种基于视觉特征区域建议的目标检测算法,能够综合平衡检测精度和检测速度.算法分为区域建议和网络分类,区域建议根据目标的特征信息提取候选区域ROI(region of interest);网络分类使用CNN(convolutional neural network)对区域建议中提取的ROI进行处理,计算每个ROI类别的置信度,置信度大于设定阈值的ROI即为目标检测结果.实验结果表明,所提出算法的检测精度明显高于Faster R-CNN、SSD和YOLO,并且具有接近SSD和YOLO的检测速度.     

基于全卷积网络的叠层薄片条纹检测方法

烟标、卡片等片状产品的准确计数对企业成本的控制具有重要价值。然而,薄片产品数量大、种类多,其端面图像易出现薄片条纹对比度低、灰度不均、宽度不一、粘连和断裂等问题。此外,传统视觉检测方法仅凭图像的单一特征无法实现多种叠层薄片的兼容检测。针对这些难题,提出一种基于深度卷积神经网络的叠层薄片条纹检测方法。此方法利用端到端卷积网络分割叠层薄片端面图像的条纹区域,用于薄片计数。实验结果表明,本文方法相比于传统方法具有更好的准确性和鲁棒性。深度卷积神经网络拥有较大的上下文和多尺度信息,从而可解决困扰传统图像处理方法面临的粘连、破损和低对比度等问题,拓宽叠层薄片智能计数的应用领域。     

一种网络异常实时检测方法

传统的网络管理工具通常根据预先设定的阈值来报警，这种方法虽然简单，但适应性不好．因此出现了网络异常检测技术，有时异常检测技术不但能发现网络故障，而且具有预警的效果[1]；该文介绍了一种新的实时网络流量异常检测方法，转换网络流量观测值序列并假定序列的局部是平稳的，然后建立AR模型，定义一个统计量来检测异常．结果表明，该检测方法具有GLR测试方法所没有的优点．     

一种基于自监督学习的矢量球面卷积网络

在三维视觉任务中, 三维目标的未知旋转会给任务带来挑战, 现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难. 针对上述问题, 提出一种基于自监督学习方式的矢量型球面卷积网络, 用于学习三维目标的旋转信息, 以此来提升分类和分割任务的表现. 首先, 对三维点云信号进行球面采样, 映射到单位球上; 然后, 使用矢量球面卷积网络提取旋转特征, 同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征, 利用自监督网络训练学习旋转信息; 最后, 对随机旋转的三维目标进行目标分类实验和部分分割实验. 实验表明, 所设计的网络在测试数据随机旋转的情况下, 在ModelNet40数据集上分类准确率提升75.75%, 在ShapeNet数据集上分割效果显著, 交并比(Intersection over union, IoU)提升51.48%.