基于卷积神经网络的实时视频目标检测优化方法

文章引入动态感兴趣区域（DynamicRegionofInterest,DROI）策略,提高基于区域卷积神经网络的快速目标检测（Faster Region-based Convolutional Neural Networks,Faster R-CNN）模型在实时视频目标检测任务中的性能。首先,分析FasterR-CNN;其次,提出一种基于DROI的优化方法,通过动态调整感兴趣区域以适应目标的运动和变化;最后,在MOT17数据集上进行实验,验证该优化方法的有效性。     

卷积神经网络模型剪枝结合张量分解压缩方法

针对卷积神经网络（CNN）拥有巨大的参数量及计算量,限制了其在嵌入式系统等资源受限设备上应用的问题,提出了基于统计量的网络剪枝结合张量分解的神经网络压缩方法,其核心思想是以均值和方差作为评判权值贡献度的依据。首先,以Lenet5为剪枝模型,网络各卷积层的均值和方差分布以聚类方式分离出提取特征较弱的滤波器,而使用保留的滤波器重构下一层卷积层;然后,将剪枝方法结合张量分解对更快的区域卷积神经网络（Faster RCNN）进行压缩,低维卷积层采取剪枝方法,而高维卷积层被分解为三个级联卷积层;最后,将压缩后的模型进行微调,使其在训练集上重新达到收敛状态。在PASCAL VOC测试集上的实验结果表明,所提方法降低了Faster RCNN模型54%的存储空间而精确率仅下降了0.58%,同时在树莓派4B系统上达到1.4倍的前向计算加速,有助于深度CNN模型在资源受限的嵌入式设备上的部署。     

基于级联卷积神经网络的高效目标检测方法

目标检测作为计算机视觉的重要研究方向,在智慧城市、无人驾驶等领域的作用越来越重要.传统目标检测算法中,根据交并比(Intersection over Union,IOU)的大小判断正负样本,但较低的IOU会引入噪声,降低检测器的精度;较高的IOU会保留少数高质量样本,造成过拟合;并且推荐区域和检测器的IOU阈值相差过大...     

卷积神经网络模型剪枝结合张量分解压缩方法

针对卷积神经网络（CNN）拥有巨大的参数量及计算量，限制了其在嵌入式系统等资源受限设备上应用的问题，提出了基于统计量的网络剪枝结合张量分解的神经网络压缩方法，其核心思想是以均值和方差作为评判权值贡献度的依据。首先，以Lenet5为剪枝模型，网络各卷积层的均值和方差分布以聚类方式分离出提取特征较弱的滤波器，而使用保留的滤波器重构下一层卷积层；然后，将剪枝方法结合张量分解对更快的区域卷积神经网络（Faster RCNN）进行压缩，低维卷积层采取剪枝方法，而高维卷积层被分解为三个级联卷积层；最后，将压缩后的模型进行微调，使其在训练集上重新达到收敛状态。在PASCAL VOC测试集上的实验结果表明，所提方法降低了Faster RCNN模型54%的存储空间而精确率仅下降了0.58%，同时在树莓派4B系统上达到1.4倍的前向计算加速，有助于深度CNN模型在资源受限的嵌入式设备上的部署。     

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。     

面向嵌入式设备的高实时微小目标跟踪检测方法

传统主流目标检测算法在嵌入式平台无法兼具高实时性与高准确性,难以应用于边缘智能等领域。为解决微小目标跟踪检测在嵌入式平台实时应用的瓶颈,提出一种高实时微小目标跟踪检测方法。利用轻量化神经网络的骨干网络和路径聚合网络,对整体网络进行针对化的剪枝优化,同时深度融合相关滤波算法,提升针对微小目标跟踪检测的准确度和速度。在3D物体场景渲染器自建的军事微小目标数据集上的实验结果表明,在100像素的极小目标跟踪识别中,与DarkNet53-CSP方法相比,该方法检测精度大幅提高,在400~10 000像素的微小目标识别跟踪中,检测精度与检测速度优于DarkNet53和ResNeXt50+CSP等算法。     

Superpixel attention guided network for accurate and real-time salient object detection

Multimedia Tools and Applications - Edge information has been proven to be effective for remedying the unclear boundaries of salient objects. Current salient object detection (SOD) methods usually...     

一种基于信息瓶颈的神经网络混合压缩方法

如何在计算能力和存储能力有限的移动或嵌入式设备中部署神经网络是神经网络发展过程中必须面对的一个问题。为了压缩模型大小和减轻计算压力,提出了一种基于信息瓶颈理论的神经网络混合压缩方案。以信息瓶颈理论为基础,找到相邻神经网络层之间冗余信息,并以此为基础修剪冗余的神经元,然后对剩余的神经元进行三值量化,从而进一步减少模型存储所需内存。实验结果表明,在MNIST和CIFAR-10数据集上与同类算法对比,所提方法具有更高的压缩率和更低的计算量。     

面向网络通信的高实时压缩引擎设计

随着集成电路工艺的发展,高性能计算系统中互连网络性能提升速度远低于处理器性能的提升,互连网络带宽已成为制约高性能计算性能提高的瓶颈之一。从减少网络注入数据量的角度出发,对网络通信实时压缩技术进行了研究,给出了一种面向网络通信的硬件实时压缩引擎RTCE的设计,在网络通信过程中,硬件自动实现对网络包的压缩传输。采用SPEC2006、Graph500、CFD算法测试数据进行测试,压缩后的网络包数据量平均减少32.8%~48.7%。     

Multi-channel higher-order local autocorrelation for object detection on satellite images

ABSTRACT

An automatic object-detection method is necessary to facilitate the efficient analysis of satellite images consisting of multispectral images. Considering that the relationship between spectrums is important for discriminating objects in multispectral images. This paper proposes a feature extraction method that can capture both spatial and spectral relationships of the multispectral images. Moreover, image preprocessing and dimensionality reduction procedures are introduced for stable feature extraction. In this study, we conducted experiments for detecting two types of objects by using Landsat 8 images. The proposed method improved the detection performance relative to other image features.     

Neural network techniques for object orientation detection.Solution by optimal feedforward network and learning vector quantizationapproaches

The computer-vision problem of determining object orientation from the consensus of orientations of individual symbols or marks is examined. The problem arises in automatic inspection where orientation can be detected from printed text but there is no knowledge of the content of the text. This is a high-dimensional classification problem, and there is a requirement for highly accurate detection and rapid processing. The typical multilayer threshold networks are seen as unsuitable, and the optimal Bayesian detector is derived and found to have the highly parallel structure of a feedforward network. The learning vector quantization neural network method of T. Kohonen (1988) is also applied. Experimental results, comparisons, and a complete implementation are described     

Depth-assisted rectification for real-time object detection and pose estimation

RGB-D sensors have become in recent years a product of easy access to general users. They provide both a color image and a depth image of the scene and, besides being used for object modeling, they can also offer important cues for object detection and tracking in real time. In this context, the work presented in this paper investigates the use of consumer RGB-D sensors for object detection and pose estimation from natural features. Two methods based on depth-assisted rectification are proposed, which transform features extracted from the color image to a canonical view using depth data in order to obtain a representation invariant to rotation, scale and perspective distortions. While one method is suitable for textured objects, either planar or non-planar, the other method focuses on texture-less planar objects. Qualitative and quantitative evaluations of the proposed methods are performed, showing that they can obtain better results than some existing methods for object detection and pose estimation, especially when dealing with oblique poses.     

面向目标侦测的非配合式无线传感器网络研究

针对战场目标侦测需求,在满足无线传感器网络低成本、低功耗约束条件的前提下,选择了传感器组合,设计实现了非配合式无线传感器网络硬件平台,采用红外传感器作为"唤醒传感器"实现节点休眠唤醒功能,同时检测人员与车辆,磁阻传感器负责铁磁物质检测,声音传感器实现车辆与人员的声音信号特征检测,利用简单实用的数据处理方法对各传感器信号...     

基于两阶段深度网络的输电线路异常目标检测方法

输电线路的异常目标检测对提高输电系统的安全性、可靠性、稳定性起到十分重要的作用,而已有目标检测并未针对线路异常目标的尺度变化大、小目标多、光线暗、部分遮挡等问题进行有效设计,导致识别速度慢、易受环境干扰、误报漏报频发等.针对上述问题,采用两阶段深度网络,利用特征金字塔网络(FPN)提取多尺度特征,使主干网更好地适应目标多尺度变化,并通过全局网络进行特征增强,获得更清晰、更具有代表性的多尺度目标特征.在区域选择网络(RPN)中提出特征指导的候选框生成网络,能够生成稀疏且形状任意的锚,产生更紧密的掩模包围框.在检测阶段,采用多任务损失函数提升网络的预测精度和泛化能力,提高异常目标的检测性能.在MS COCO数据集上进行消融实验和性能对比,验证所提出方法的有效性和先进性,在输电线路数据集上异常目标检测精度达到77%,优于主流深度学习的目标检测方法.     

基于改进YOLOv5s网络的杆塔相关目标检测方法

输电杆塔是输电线路的重要组成部分,采用人工或无人机等手段对杆塔相关目标进行周期性巡检至关重要。为解决目前待检测杆塔类型不同、距离远尺寸小、图像畸变等问题,本文提出一种基于深度学习框架的杆塔相关目标检测方法。该方法在YOLOv5s网络的基础上使用FReLU激活函数代替SiLU激活函数,进而改善了对杆塔相关目标的图像识别准确率;为解决杆塔图像中目标距离远、尺寸小的问题,采用了对小目标、低分辨率友好的SPD-Conv模块;同时使用对目标特征分批次处理的SPPCSPC空间金字塔池化,进一步提升了杆塔目标的检测精度。实验结果表明,改进后的YOLOv5s-FSS网络相比原YOLOv5s网络,其平均精度(mAP)提升2.4%,查准率(Precision)提升0.3%,查全率(Recall)提升1%,目标检测性能提升效果显著,能够有效提升输电杆塔巡检效率。     

一种运动目标检测优化算法

提出了一种用于图像序列中检测运动目标的优化算法。针对用于室内目标检测的差分法存在着“虚影”噪声,以及用于室外目标检测的背景估计法在对短序列进行检测时,其结果中存在“残像”噪声的问题,揭示并利用两次差分之间的相关性实现了对“虚影”的检测并将其消除,将其引入背景估计法,以消除后者存在的“残像”噪声。实验表明,该方法在目标检测中不仅消除了“虚影”和“残像”噪声,而且检测结果的完整性显著提高。