基于深度学习的交通事件检测系统设计

建立完善的交通事件检测系统,已经成为我国智能交通系统的重要组成部分。文章从数据和算法2个方面深入分析了交通事件检测场景特征,设计了一种基于深度学习的交通事件检测系统。文章提出了一种混合架构的联合学习网络,通过综合利用ViT和Swin Transformer的优势解决了图像多标签分类问题的挑战;设计了一系列数据增强方法,应对数据不平衡性对深度学习模型的影响,并有效缓解了模型过拟合问题。实验结果表明,该系统在交通事件检测中具有更好的准确性和泛化能力,已应用到多个实际项目并取得了良好的应用效果。     

基于深度学习的雷达目标检测技术

根据纽曼-皮尔逊准则,恒虚警方法（CFAR）在虚警率10-6、检测概率90%的条件下,可检测目标的信噪比需大于12.8dB。由于可用于参考的环境单元有限且实际环境中杂波分布差异性大,特别是隐身、低慢小等目标的能量强度值很难达到检测门限的要求。本文基于深度学习方法,利用含杂波/噪声/干扰的目标距离多普勒(RD)域图像与相应理想情况下的目标RD图作为网络训练数据集,网络中的生成模型向判决模型提供抑制处理后的RD图,根据判决模型反馈来调整杂波抑制处理参数。这一动态对抗博弈的过程最终优化所得的生成模型将有效学习环境中杂波/噪声/干扰的特性并将其过滤。通过杂波、噪声和干扰环境下的实验证明,本文方法可以在RD域有效抑制杂波,增强目标信息,具备在实际杂波抑制场景下的可行性。     

基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于深度学习的陶瓷图像修复研究

陶瓷是中国特色之一,古陶瓷是了解古代人民生产生活的重要途径,对古陶瓷进行图像修复的研究有助于促进地方旅游、经济、文化、教育事业的发展,同时对古代历史、文化与精神文明的研究有重要意义。大量的古陶瓷因为破损、环境腐蚀导致损毁。目前对古陶瓷破损的修复都是进行人工修复的,古陶瓷破损图像数字化修复的研究仍然处于研究初期阶段。近年来,随着神经网络的理论发展与硬件计算能力的提高,深度学习在多个领域取得了令人瞩目的成就。深度学习中对抗生成网络具有判别器和生成器两部分,因为生成器的参数来源于判别器的反向传播而不是来自于样本集使得网络结构更加轻盈稳定,被广泛地应用于图像生成领域。该文利用两级联合对抗生成网络,使用2000张缺损的陶瓷图片进行迭代训练210万次,实验表明：对抗生成网络能提升古陶瓷图像清晰度处理大规模复杂古陶瓷图像且能够保留古陶瓷图像的纹理细节等优势,这是传统算法所没有的优势。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果,设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络,剔除三维激光雷达主动成像过程中的杂波干扰,得到无杂波干扰的目标三维图像;设计生成模型与对抗模型的损失函数,利用端到端深度神经网络的点云编码层,在无杂波干扰的目标三维图像内,提取目标三维图像特征,并输入目标检测层内;通过目标检测层输出目标检测候选框,利用非极大值结合混合置信度,确定最终目标检测框,完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰,得到无杂波干扰的目标三维图像;该方法可有效完成三维激光雷达主动成像目标检测,且在不同目标运动模糊长度像素时,该方法目标检测的交并比均高于阈值,说明该方法的目标检测精度较高。     

基于双鉴别器的红外与可见光图像融合算法

为确保源图像同时包含可见光图像的细节纹理信息和红外图像的红外亮度信息,提出了一种基于双鉴别器的红外与可见光图像融合方法.首先对红外图像进行显著性检测,获取到红外图像中显著的区域,然后对其取反,获取到可见光图像中的显著区域,最后设计两个鉴别器分别鉴别源图像与融合图像中显著区域的差异,通过对抗性学习,可以使融合图像包含更多...     

融合小型深度生成模型的显著性检测

针对基于深度神经网络模型的显著性检测方法中存在的模型训练困难、模型参数量大以及检测速度慢等问题,本文提出了一种融合小型深度生成模型的显著性检测方法.方法以生成对抗网络为框架,设计了包含11个卷积模块和5个池化层的鉴别器网络以及不包含池化层,仅包含15个卷积模块和5个转置卷积模块的小型生成器网络.其中,小型生成器网络大小...     

基于深度对抗学习潜在表示分布的异常检测模型

针对已有的异常检测模型在高维、样本多样(类内多样)的数据背景下无法获得合理的潜在表示分布,不平衡数据较多(正常数据远大于异常数据)时特征提取准确性低,以及分类器超参数敏感等问题,本文提出一种基于深度对抗学习潜在表示分布的异常检测模型.基于正则化约束改进自编码器,将数据的原始特征空间映射到潜在特征空间形成低维的潜在表示,...     

基于点云深度学习的3D目标检测

针对目前利用点云进行3D目标检测的研究较少和检测精度不高的问题,利用Frustum-Pointnets模型实现基于点云的3D目标检测,并在该模型的基础上进行改进,选用不同的激活函数和参数初始化方法进行组合对比,进一步提高模型的精度。实验表明:在选用Swish激活函数和He参数初始化方法时汽车平均检测精度提高了0.31 %,行人平均检测精度提高了0.41 %,骑车人平均检测精度提高了5.5 %。因此改进后的模型能有效提高检测的精度,使得模型能够应用在复杂的场景中。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

Bayesian salient object detection based on saliency driven clustering

Salient object detection is essential for applications, such as image classification, object recognition and image retrieval. In this paper, we design a new approach to detect salient objects from an image by describing what does salient objects and backgrounds look like using statistic of the image. First, we introduce a saliency driven clustering method to reveal distinct visual patterns of images by generating image clusters. The Gaussian Mixture Model (GMM) is applied to represent the statistic of each cluster, which is used to compute the color spatial distribution. Second, three kinds of regional saliency measures, i.e, regional color contrast saliency, regional boundary prior saliency and regional color spatial distribution, are computed and combined. Then, a region selection strategy integrating color contrast prior, boundary prior and visual patterns information of images is presented. The pixels of an image are divided into either potential salient region or background region adaptively based on the combined regional saliency measures. Finally, a Bayesian framework is employed to compute the saliency value for each pixel taking the regional saliency values as priority. Our approach has been extensively evaluated on two popular image databases. Experimental results show that our approach can achieve considerable performance improvement in terms of commonly adopted performance measures in salient object detection.     

Salient object detection in video using deep non-local neural networks

Detection of salient objects in image and video is of great importance in many computer vision applications. In spite of the fact that the state of the art in saliency detection for still images has been changed substantially over the last few years, there have been few improvements in video saliency detection. This paper proposes a novel non-local fully convolutional network architecture for capturing global dependencies more efficiently and investigates the use of recently introduced non-local neural networks in video salient object detection. The effect of non-local operations is studied separately on static and dynamic saliency detection in order to exploit both appearance and motion features. A novel deep non-local fully convolutional network architecture is introduced for video salient object detection and tested on two well-known datasets DAVIS and FBMS. The experimental results show that the proposed algorithm outperforms state-of-the-art video saliency detection methods.     

基于多尺度信息处理和Gabor初始化的图像显著性对象检测

基于全卷积网络的图像显著性检测获得了广泛的关 注,并取得了令人瞩目的检测性能 。然而,该类型神经网络依然存在许多问题,如高复杂网络导致难以训练、显著性对象边缘 结果不准确等。针对这些问题,本文提出基于Gabor初始化的卷积神经网络。该网络主要特 点包括:1) 利用Gabor特征初始化卷积神经网络,提高神经网络训练效率; 2) 构建多尺 度 桥接模块,有效衔接编码和解码阶段,进而提高显著性检测结果; 3) 提出加权交叉熵损失 函数,提高训练效果。实验结果表明,本文提出的神经网络在三个不同的数据集上均显示出 优异的显著性对象检测性能。     

BotCatcher:botnet detection system based on deep learning

Machine learning technology has wide application in botnet detection.However,with the changes of the forms and command and control mechanisms of botnets,selecting features manually becomes increasingly difficult.To solve this problem,a botnet detection system called BotCatcher based on deep learning was proposed.It automatically extracted features from time and space dimension,and established classifier through multiple neural network constructions.BotCatcher does not depend on any prior knowledge which about the protocol and the topology,and works without manually selecting features.The experimental results show that the proposed model has good performance in botnet detection and has ability to accurately identify botnet traffic .     

一种融合残差机制和注意力机制的深度语音去噪方法

针对深度网络模型进行端到端语音去噪时存在对语音底层信息表示能力不足以及网络只采用卷积级联的方式造成参数冗余的问题,提出了一种融合残差机制和注意力机制的生成对抗网络去噪模型(Attention Res-UNetGAN).模型在波形域对语音进行去噪,其生成网络为U-Net结构,包含下采样层、中间层和上采样层.中间层为改进的...     

AFLNet: Adversarial focal loss network for RGB-D salient object detection

Because salient objects usually have fewer data in a scene, the problem of class imbalance is often encountered in salient object detection (SOD). In order to address this issue and achieve the consistent salient objects, we propose an adversarial focal loss network with improving generative adversarial networks for RGB-D SOD (called AFLNet), in which color and depth branches constitute the generator to achieve the saliency map, and adversarial branch with high-order potentials, instead of pixel-wise loss function, refines the output of the generator to obtain contextual information of objects. We infer the adversarial focal loss function to solve the problem of foreground–background class imbalance. To sufficiently fuse the high-level features of color and depth cues, an inception model is adopted in deep layers. We conduct a large number of experiments using our proposed model and its variants, and compare them with state-of-the-art methods. Quantitative and qualitative experimental results exhibit that our proposed approach can improve the accuracy of salient object detection and achieve the consistent objects.     

基于区域特征融合的RGBD显著目标检测

为了对各类自然场景中的显著目标进行检测,本文提出了一种将图像的深度信息引入区域显著性计算的方法,用于目标检测。首先对图像进行多尺度分割得到若干区域,然后对区域多类特征学习构建回归随机森林,采用监督学习的方法赋予每个区域特征显著值,最后采用最小二乘法对多尺度的显著值融合,得到最终的显著图。实验结果表明,本文算法能较准确地定位RGBD图像库中每幅图的显著目标。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。