计算机视觉下的果实目标检测算法综述

基于计算机视觉的果实目标检测识别是目标检测、计算机视觉、农业机器人等多学科的重要交叉研究课题,在智慧农业、农业现代化、自动采摘机器人等领域,具有重要的理论研究意义和实际应用价值。随着深度学习在图像处理领域中广泛应用并取得良好效果,计算机视觉技术结合深度学习方法的果实目标检测识别算法逐渐成为主流。本文介绍基于计算机视觉的果实目标检测识别的任务、难点和发展现状,以及2类基于深度学习方法的果实目标检测识别算法,最后介绍用于算法模型训练学习的公开数据集与评价模型性能的评价指标,且对当前果实目标检测识别存在的问题和未来可能的发展方向进行讨论。     

计算机视觉下的车辆目标检测算法综述

车辆目标检测是基于计算机视觉的目标检测领域的一个重要应用领域,近年来随着深度学习在图像分类方面取得的巨大进展,机器视觉技术结合深度学习方法的车辆目标检测算法逐渐成为该领域的研究重点和热点。介绍了基于机器视觉的车辆目标检测的任务、难点与发展现状,以及深度学习方法中几种具有代表性的卷积神经网络模型,通过这些网络模型衍生出的two stage、one stage车辆目标检测算法和用于模型训练的相关数据集与检测效果评价标准,对其存在的问题及未来可能的发展方向进行了讨论。     

基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述

阿尔兹海默症（AD）作为主要的神经退行性疾病之一,已成为导致痴呆问题最常见的原因。截至目前,尚缺乏有效的针对性治疗药物和阻止疾病发展的有效治疗方式。随着计算机技术的不断发展,将计算机辅助诊断技术工具用于AD早期分类研究将为临床医生提供重要帮助。综述近些年来将传统机器学习和深度学习技术等手段用于AD的早期诊断分类的研究,研究样本主要为脑部神经成像数据（如MRI、PET）、脑电图（EEG）等生物标记物,结合机器学习方法对AD早期诊断进行分类研究。首先分析了将机器学习方法用于AD早期分类的应用,对比了采用不同算法的分类情况;其次,对比了针对受试者不同生物标记物以及采用单模态或不同模态组合方式用于AD早期分类的研究;最后介绍了AD分类面临的挑战并提出了未来的研究方向。     

小样本图像目标检测研究综述

近年来,以深度学习为基础的图像目标检测技术取得了显著成就,并涌现了许多成熟的检测模型,但这些模型均需要利用大量的标注样本进行训练,而在实际场景当中,往往很难获取到相应规模的高质量标注样本,从而限制了其在特定领域的应用和推广.由于对样本数量的依赖性小,小样本条件下的图像目标检测技术逐渐得到研究和发展.基于小样本图像目标检...     

基于深度学习的网络入侵检测研究综述

[目的]互联网的迅速发展给人们的生活带来了极大的便利,然而各种网络攻击行为也日益增加,网络空间面临着严重的威胁.入侵检测在防护网络攻击中发挥着关键作用.[文献范围]近年来,深度学习方法在入侵检测领域得到了广泛应用.本文通过广泛的文献调查,选取了该领域的最新研究工作.[方法]首先介绍了当前的网络安全形势,并总结了入侵检测...     

深度学习小目标检测算法研究综述

目标检测的主要目的是在图像中快速精准地识别定位出预定义类别的目标。而随着深度学习技术的不断发展,检测算法在相应行业大、中目标已达到了不错的成效。鉴于小目标在图像中尺寸较小、特征不全、与图像中背景差异大等特点,基于深度学习的小目标检测算法性能仍需要进一步提升和优化;小目标检测在无人驾驶、医疗诊断、无人机导航等多个领域都有着广泛的需求,因此研究有着很高的应用价值。在文献调研的基础上,先给出小目标检测定义,找到当前小目标检测的重难点;根据这些重难点从六个研究方向分析当前研究现状,并总结各算法优缺点;结合文献及发展现状对该领域未来的研究方向做出合理预测与展望,为后续研究提供一定基础参考。     

轨迹异常检测研究综述

传感器技术的飞速发展催生大量交通轨迹数据,轨迹异常检测在智慧交通、自动驾驶、视频监控等领域具有重要的应用价值.不同于分类、聚类和预测等轨迹挖掘任务,轨迹异常检测旨在发现小概率、不确定和罕见的轨迹行为.轨迹异常检测中一些常见的挑战与异常值类型、轨迹数据标签、检测准确率以及计算复杂度有关.针对上述问题,全面综述近 20 年来轨迹异常检测技术的研究现状和最新进展.首先,对轨迹异常检测问题的特点与目前存在的研究挑战进行剖析.然后,基于轨迹标签的可用性、异常检测算法原理、离线或在线算法工作方式等分类标准,对现有轨迹异常检测算法进行对比分析.对于每一类异常检测技术,从算法原理、代表性方法、复杂度分析以及算法优缺点等方面进行详细总结与剖析.接着,讨论开源的轨迹数据集、常用的异常检测评估方法以及异常检测工具.在此基础上,给出轨迹异常检测系统架构,形成从轨迹数据采集到异常检测应用等一系列相对完备的轨迹挖掘流程.最后,总结轨迹异常检测领域关键的开放性问题,并展望未来的研究趋势和解决思路.     

深度卷积神经网络在计算机视觉中的应用研究综述

随着大数据时代的到来,含更多 隐含层的深度卷积神经网络(Convolutional neural networks, CNNs)具有更复杂的网络结构,与传统机器学习方法相比具有更强大的特征学习和特征表达能力。使用深度学习算法训练的卷积神经网络模型自提出以来在计算机视觉领域的多个大规模识别任务上取得了令人瞩目的 成绩。本文首先简要介绍深度学习和卷积神经网络的兴起与展,概述卷积神经网络的基本模型结构、卷积特征提取和池化操作。然后综述了基于深度学习的卷积神经网络模型在图像分类、物体检测、姿态估计、图像分割和人脸识别等多个计算机视觉应用领域中的研究现状 和发展趋势,主要从典型的网络结构的构建、训练方法和性能表现3个方面进行介绍。最后对目前研究中存在的一些问题进行简要的总结和讨论,并展望未来发展的新方向。     

病理图像纹理分析在胃癌MSI预测中的应用研究

微卫星是遍布于人类基因组中的短串重复序列,肿瘤组织的微卫星由于重复单位的插入或缺失而导致微卫星长度的改变的现象叫做微卫星不稳定性（Microsatellite Instability,MSI）。MSI型胃癌往往拥有独特的分子表型以及临床病理特征,且微卫星的不稳定性决定了胃癌患者对免疫疗法的反应是否良好,因此MSI状态的术前检测对于胃癌患者治疗方案的制定具有重要意义。传统的MSI检测方法需要进行免疫组化及基因分析,不仅需要增加额外的成本,而且在临床实践中难以推广至每一个患者。应用图像特征提取技术和机器学习算法对胃癌患者的高分辨组织病理图像进行定量分析,实现对胃癌患者MSI状态的预测。从TCGA数据库获取279例原始数据,经预处理和上采样后得到442个样本,从每例样本的组织病理图像中提取出445个定量图像特征,包括图像的一阶统计量,纹理特征以及小波特征。应用Lasso回归进行特征筛选并构造胃癌MSI状态的预测标签（Risk-score）,并通过logistics分类模型对预测标签分类性能进行验证,进而结合每例患者的临床特征进行多变量分析,构建个性化的列线图进行MSI状态预测。实验结果显示,基于组织病理图像纹理特征的预测标签的预测性能AUC值为0.74,现有的基于组织病理图像纹理特征的MSI预测模型AUC值为0.73;基于全部样本,结合临床特征与Risk-score构建的MSI预测模型AUC值为0.802,而现有的结合临床特征和图像特征的MSI预测模型的AUC值仅为0.752,相较于现有方法,提出的MSI预测模型具有更优的预测性能,可以为胃癌患者的临床决策提供更有价值的参考信息。     

融合多类型数据的胃癌风险预测模型

胃癌的早期发现对于降低死亡率、提高患者生存质量具有重要意义。现有预测模型通过单一的结构化电子健康记录数据预测患者的癌症患病风险,但是无法有效地整合不同类型的临床数据且不能满足实际的临床需求。提出一种基于多类型异构数据融合的胃癌风险预测模型。利用预训练语言模型提取电子健康记录数据中的入院记录文本信息,采用降噪自动编码器提取实验室检验数据的特征,同时对低维度的结构化数据向量表示的维度进行扩增,以避免低维度的实验检验特征表示被高维度特征淹没。在此基础上,将扩增后的结构化数据向量与高维度的文本表示向量在相同的尺度上进行融合,从而预测患者的患病风险。实验结果表明,该模型的准确率可达到0.949 337,相比支持向量机、逻辑回归、朴素贝叶斯等模型,具有较优的预测性能。     

深度学习的典型目标检测算法研究综述

目标检测是计算机视觉的一个重要研究方向,其目的是精确识别给定图像中特定目标物体的类别和位置.近年来,深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)所具有的特征学习和迁移学习能力,在目标检测算法特征提取、图像表达、分类与识别等方面取得了显著进展.介绍了基于深度学习目标检...     

开放式行人再识别研究进展综述

开放式行人再识别是在一个未知的空间环境中,候选行人库中并不一定包含有待检索的行人,被视为图像检索的子问题,是比封闭式行人再识别更具挑战和更为实用的应用研究.本文首先总结了开放式行人再识别的发展历程,与封闭式行人再识别的异同,开放式行人再识别建模过程和数据集的比较分析;然后重点总结了开放式行人再识别技术的研究方法,它们分...     

基于卷积神经网络的目标检测研究综述

随着训练数据的增加以及机器性能的提高,基于卷积神经网络的目标检测冲破了传统目标检测的瓶颈,成为当前目标检测的主流算法。因此,研究如何有效地利用卷积神经网络进行目标检测具有重要的价值。首先回顾了卷积神经网络如何解决传统目标检测中存在的问题;其次介绍了卷积神经网络的基本结构,叙述了当前卷积神经网络的研究进展以及常用的卷积神经网络;然后重点分析和讨论了两种应用卷积神经网络进行目标检测的思路和方法,指出了目前存在的不足;最后总结了基于卷积神经网络的目标检测,以及未来的发展方向。     

目标检测模型的决策依据与可信度分析

目标检测模型已经在很多领域得到广泛应用, 但是, 作为一种机器学习模型, 对人类来说仍然是一个黑盒. 对模型进行解释有助于我们更好地理解模型, 并判断其可信度. 针对目标检测模型的可解释性问题, 提出将其输出改造为关注每一类物体存在性概率的具体回归问题, 进而提出分析目标检测模型决策依据与可信度的方法. 由于原有图像分割方法的泛用性较差, 解释目标检测模型时, LIME所生成解释的忠诚度较低、有效特征数量较少. 提出使用DeepLab代替LIME的图像分割方法, 以对其进行改进. 改进后的方法可以适用于解释目标检测模型. 实验的对比结果证明了所提出改进方法在解释目标检测模型时的优越性.     

显著性物体检测研究综述

人类的视觉系统能够迅速地、有选择地从视觉场景中检测出感兴趣的目标或者具有显著特征的物体,并根据更高层次的视觉任务目的对它们进行处理和理解,从而实现相应的行为或决策.将人类这种选择性视觉注意机制引入到计算机视觉的信息处理中,可以有效地减少视觉计算所需处理的数据量、加速整个处理过程,并进一步方便更高层次视觉任务的处理,因而...     

深度学习中的单阶段小目标检测方法综述

随着深度学习的不断发展,目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测方法中,基于深度学习的单阶段目标检测方法因其网络结构较简单、运行速度较快以及具有更高的检测效率而被广泛运用。但现有的基于深度学习的单阶段目标检测方法由于小目标物体包含的特征信息较少、分辨率较低、背景信息较复杂、细节信息不明显以及定位精度要求较高等原因,导致在检测过程中对小目标物体的检测效果不理想,使得模型检测精度降低。针对目前基于深度学习的单阶段目标检测方法存在的问题,研究了大量基于深度学习的单阶段小目标检测技术。首先从单阶段目标检测方法的AnchorBox、网络结构、交并比函数以及损失函数等几个方面,系统地总结了针对小目标检测的优化方法;其次列举了常用的小目标检测数据集及其应用领域,并给出在各小目标检测数据集上的检测结果图;最后探讨了基于深度学习的单阶段小目标检测方法的未来研究方向。     

基于深度学习的关键岗位人员行为分析系统

针对关键岗位的人员行为分析的问题,提出了一种基于视频的行为分析方法。制作了包含多姿态样本的岗位人员行为数据集,并使用YOLOv3网络训练该数据集得到行为检测模型。使用提出的人员行为分析算法结合行为检测模型对视频进行处理,对人员行为进行初步分析。在人员行为分析算法的基础上,结合图像相似度和明暗度等特征,进行深度分析并给出离岗、睡觉和玩手机事件的判断结果。实验结果表明,制作的数据集在人员行为检测中有较高的检测精度,同时行为分析的准确度也较高,并且能够进行实时处理。