基于改进MTCNN算法的低功耗边缘人脸检测跟踪系统

边缘设备的快速发展和深度学习的落地应用越来越多,两者结合的趋势越发明显。而针对低功耗边缘设备AI应用的潜力还未完全开发出来,大量设备隐藏着大量计算能力,释放其潜力所带来的社会效益和经济效益是非常明显的。因此,以目标检测任务中较为常见的人脸检测为例,将MTCNN人脸检测算法改进并移植到资源极其紧张的低功耗嵌入式平台,在一定环境条件下,最终成功地检测到人脸,并绘制出人脸候选框,结合舵机云台具备了一定的人脸跟踪能力。     

基于SSD的车辆目标检测

传统的车辆目标检测算法需要为不同的图像场景选择合适的特征，导致泛化能力差。针对此问题，本文提出一种基于SSD（Single Shot MultiBox Detector）的图像车辆检测方法。该方法通过对多个尺度的卷积特征图进行预测来检测车辆，在一定程度上提升车辆的检测精度；找出原SSD方法在训练过程中的小缺陷，通过改进损失函数来优化训练速度。最后结合KITTI数据集进行训练。实验结果表明，该方法对车辆的检测具有较高的识别率，且比传统算法的效果更好。     

一种改进MobileNet_YOLOv3网络的快速目标检测方法

基于卷积神经网络的目标检测在智能机器人、无人机等领域有着重要的应用,但其模型普遍结构复杂、参数量大、占用资源多,难以满足嵌入式目标检测任务中的实时性需求.针对此问题,本文提出一种多尺度特征融合注意力网络(MSFAN:Multi-Scale Feature-fusion Attention Network)模型,该模型基...     

面向人脸检测MTCNN网络的加速硬件设计

为加快深度学习人脸检测算法MTCNN(multi-task convolution neural network)的推理速度,满足许多应用场合检测的实时性的要求,基于Xilinx FPGA ZCU102开发板设计针对MTCNN专门优化的卷积和全连接加速硬件.该加速硬件不仅适用于MTCNN网络,其它神经网络推理算法也可以...     

基于改进YOLOv3的快速车辆检测方法

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。     

融合DBSCAN的改进YOLOv3目标检测算法

针对YOLOv3（you only look once）检测算法对小目标、遮挡目标检测时存在识别率低和识别精度不高的问题,提出一种融合DBSCAN（density-based spatial clustering of applications with noise）的改进YOLOv3目标检测算法。首先在YOLOv3网络中增加DBSCAN聚类算法,其次对检测目标进行提取,实现数据集多尺度聚类,得到初代特征图,然后通过改进[K]-means聚类算法确定锚点位置达到更好的聚类,最后在VOC2007+2012数据集和MS-COCO数据集上对改进YOLOv3算法进行训练和测试。实验结果表明改进的YOLOv3算法使检测目标在VOC数据集和MS-COCO数据集上mAP（mean average precision）分别提高了14.9个百分点和12.5个百分点。与其他深度学习目标检测算法相比,改进YOLOv3检测算法具有更好的检测效果,同时具有良好移植性和更好的鲁棒性。     

基于轻量级网络的装甲目标快速检测

针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.     

一种基于SSD改进的目标检测算法

SSD(Single Shot MultiBox Detector)是一种基于深度学习的目标检测算法,它作为当前最为主流的检测算法之一,在极大地提高检测速度的同时,还能保证一定的检测精度,但是仍难以满足实际应用的需求。本文在SSD模型的基础上,引入注意力机制,提出一种基于SSD改进的目标检测算法。注意力机制能够有效地提高卷积神经网络对图片特征的提取能力,从而进一步提高算法的检测精度。改进后的算法在Pascal VOC数据集上进行对比试验。实验结果表明,改进后的模型在Pascal VOC2007测试集上的检测精度达到78.5% mAP（mean Average Precision）,比改进前提高4.2个百分点,在Pascal VOC2012测试集上的检测精度达到77.1% mAP,比改进前提高4.7个百分点。     

基于改进MTCNN的多尺度安全帽识别

针对现有安全帽检测方法对多重叠目标和小目标漏检率较高的问题,提出了一种基于改进MTCNN(multi-task cascaded convolutional neural network)的多尺度安全帽识别方法.首先,删除MTCNN中针对人脸识别的landmark部分以简化网络结构;其次,用普通卷积层替换最大池化层以构成全卷积网络,提升网络检测精度;然后引入MobileNet轻量化网络结构减少计算量;最后,适当调整网络卷积核个数和全连接层神经元个数使模型更适用于不同尺寸的安全帽识别.实验结果表明,与原MTCNN相比,该算法的精确度和召回率分别提高了3.22％和6.73％,就小尺寸安全帽识别而言,F1值提高了8.13％;在无GPU环境下的平均检测速度为29.62 fps,兼顾了多尺度安全帽识别的准确率与实时性.     

一种改进的深度残差网络行人检测方法

为了提高行人检测方法的准确率,针对行人图像特征,提出一种基于深度残差网络和YOLO(You Only Look Once)方法的行人检测方法。以加强行人特征表达为目的,通过分析行人在图像中的表达和分布特征,提出一种不影响实时性的矩形输入深度残差网络分类模型以改进YOLO检测方法,使模型能够更好的表征行人;为了进一步提高模型的准确率和泛化能力,采用了混合行人数据集训练的方式,提取VOC数据集的行人数据与INRIA数据集组成混合数据集进行训练,明显降低了漏检率;并且利用聚类分析预测框的方法重新设计了初始预测框,提高行人定位能力并加快收敛。经公开的INRIA数据集的测试实验证明,本方法较主流的行人检测方法每张图片误检率有明显改善,降低至13.86%,有1.51%至58.62%不同程度的提升,并且本方法拥有良好的实时性和泛化能力,实用性强。     

基于改进卷积神经网络的网络入侵检测模型

针对基于深度学习的网络入侵检测技术存在检测效率低、模型训练易出现过拟合和泛化能力较弱的问题，提出一种基于改进卷积神经网络（ICNN）的入侵检测模型（IBIDM）。与传统"卷积-池化-全连接"层叠式网络设计方式不同，该模型采用跨层聚合网络的设计方式。首先，将预处理后的训练集数据作为输入数据前向传播并提取网络特征，对跨层聚合网络的输出数据执行合并操作；然后，根据分类结果计算训练误差并通过反向传播过程进行迭代优化至模型收敛；最后，利用训练好的分类器对测试数据集进行分类测试。实验结果表明，IBIDM具有较高的入侵检测准确率和真正率，且误报率较低。     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

基于改进三元组损失的伪造人脸视频检测方法

当前大部分伪造人脸检测技术使用深度学习来鉴别真实视频与伪造视频之间的特征差异,此类方法在未压缩视频上取得了不错的效果,但在检测经过压缩处理的视频时检测效果就会严重下降.针对此类问题,提出了基于改进三元组损失的伪造人脸视频检测方法.首先,使用伪影图生成器生成一幅伪影图来加深伪造人脸与真实人脸之间的特征差异;其次,使用改进的三元组损失来解决难例样本难以被正确检测的问题;最后,选用更适合人脸鉴伪的深度学习网络提取卷积特征.在FaceForensics++数据集上与目前领先的人脸鉴伪方法的对比表明,该方法检测准确率优于对比方法.     

基于级联神经网络的型钢表面缺陷检测算法

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度。针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块,以提升网络的检测性能。实验结果表明,SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1%。与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测。     

基于改进YOLOv5的安全绳目标检测

在工业施工过程中, 工人安全已成为一个日益重要的问题, 佩戴安全绳等安全装备是保护工人在高处工作时生命安全的重要措施;在现代化生产施工过程中, 通过使用监控摄像设备结合人工智能算法的方式来检测工人佩戴安全绳等设备越发普遍, 但安全绳由于细长、形状多变以及环境变化等因素较为难以准确识别;为解决以上问题, 并确保能够在不同环境下能够准确识别安全绳, 现提出一种使用YOLOv5目标检测算法, 首先通过改进的FasterNet模块进行上下文信息提取, 在Neck网络中使用改进的多维动态卷积保留更多特征信息, 使用WIoU_Loss损失函数来提高定位精度, 在训练过程中使用动态调整学习率的策略;实验结果表明, 改进后的算法在降低计算复杂度的情况下提高了3.0%的检测精度, mAP@0.5提高了4.3%, 经过在实际场景应用, 满足项目对实时检测精度及速度的要求。     

基于卷积神经网络的PCB缺陷检测

印刷电路板(PCB)在生产制造中由于生产工序等问题易导致电路板存在瑕疵缺陷,为提高对电路板缺陷的检测效率,提出了一种基于卷积神经网络(CNN)的电路板缺陷检测网络.该检测网络基于YOLO v4网络进行优化改造,针对于PCB制作精密、复杂,各类缺陷不易检测的难点,在优化后的网络中加入了基于细粒度空间域的长距离全局注意力机...