改进多尺度卷积结构与高斯核的E-CenterNet算法

针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明：E-CenterNet算法的mAP达到83.3%,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法。     

基于关键点的Anchor Free目标检测模型综述

目标检测是计算机视觉应用的基础,基于锚框的一些目标检测算法已难以满足目标检测中对目标处理的效率、性能等诸多方面的要求,而anchor free方法逐渐广泛应用于目标检测.本文首先重点介绍了CornerNet、CenterNet、FCOS模型的一系列基于关键点的anchor free目标检测方法,综述了算法思路及其优缺点;然后分别对基于锚框和基于关键点的目标检测算法在同一个数据集上作了性能比较和分析;最后对基于关键点的目标检测进行了总结,并展望了目标检测的未来发展方向.     

基于关键点检测和关联的多目标跟踪

针对多目标跟踪领域中由目标信息关联性低引起的目标身份关联性差的问题，提出了一种基于关键点检测和关联的多目标跟踪算法。对目标的中心关键点建模，利用CenterNet对该点进行检测定位；将目标的深度特征与关键点尺度特征相结合，基于二者观测的显隐性关系构建一个联合特征提取器；将该联合特征作为目标的状态，通过隐马尔可夫模型估计下一帧的目标状态；利用目标的运动信息和关键点尺度信息提出“二级关联”的匹配机制，实现对该估计状态与检测目标的关联，得到最优的关联匹配结果。在公开的MOT17数据集上进行了仿真实验，并与一些主流算法进行了对比，结果表明，该算法在跟踪准确度指标表现较优，并对身份互换问题有较好的鲁棒性。     

主动迁移学习的海上任意方向船只目标检测

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求.因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能输出旋转边界框,以用于海上船只目标的检测.同时针对海上船只遥感数据集仅有水平边界框...     

景区行人检测YOLOv5-GSPE算法模型研究与实现

针对景区内高密度行人检测中遮挡与小目标行人漏检率高、模型复杂度高、计算量大的问题,提出一种YOLOv5-GSPE改进算法模型,在保证精度的同时改善检测效果,降低模型复杂度。改进算法模型通过GhostConv优化主干网络中常规卷积(Conv)降低模型复杂度,并使用空洞卷积改善SPPF模块中池化操作带来的特征信息丢失,提升模型检测时效性,增强主干网络特征提取。提出一种增强的特征金字塔网络—PrFPN,使用同层连接进一步丰富原始输入特征的融合,减少特征提取过程中的特征损失。将引入正态分布计算优化后的EIoU损失函数作为边界框回归损失函数,提高边界框定位精度。实验结果表明,YOLOv5-GSPE算法模型对比YOLOv5s模型在保证检测时效性的情况下整体复杂度降低了12.51%,基于Pedestrian测试集的平均精度提升4.05%,基于WiderPerson测试集的平均精度提升3.28%,并降低了行人遮挡及小目标漏检率,改善了检测效果,该模型的可行性与有效性得到验证。     

基于改进Faster RCNN的目标检测算法

近年来基于深度卷积神经网络的目标检测算法已经成为了主流,Faster R-CNN就是一种主流的目标检测算法。在Faster R-CNN卷积神经网络的基础上,使用DIoU来评价预测框和真实框的距离。针对Faster R-CNN小目标检测效果不好的缺陷,将原算法中的候选区域池化RoI Pooling改进为检测更为精确的区域特征聚集方式RoI Align。此外还改进了原算法中锚框的非极大值抑制方法,增加了算法的平均检测率。最后在公开数据集MS COCO、PASCAL VOC 2007、PASCAL VOC 2012上进行对比训练,在PASCAL VOC 2007测试集上进行验证。实验结果表明改进后的目标检测算法能够有效提高原Faster R-CNN算法的目标检测率。     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。     

基于改进YOLOv3的车辆检测算法

交通场景下的车辆检测问题存在小目标多、目标遮挡严重等情况,鉴于此,提出一种基于改进YOLOv3的车辆检测算法.由于小目标仅包含较少的像素,特征不明显,算法在空间金字塔结构中融入软池化操作,搭建Soft-SPP结构将多重感受野融合,通过软池化操作最大程度地保留细节,有效提取小目标特征;引入坐标注意力机制,在调整每个通道特征分配权重的同时能够捕捉具有精确位置信息的远程依赖关系;提出一种新的损失函数KIoU Loss作为边界框损失函数,同时考虑边界框的关键点与长宽比使之回归更加准确.实验结果表明,改进后的算法在自动驾驶KITTI数据集上平均精度达到94.69%,相比原始YOLOv3算法精度提升4.13%,且检测速度仅下降3.16 frame·s^-1,在保持检测速度的情况下能够明显提升检测精度.     

FastFace:实时鲁棒的人脸检测算法

目的 尽管基于深度神经网络的人脸检测器在检测精度上有了极大的提升,但其代价是必须依赖强大的计算资源。如何在CPU上取得较高的检测精度的同时达到实时的检测速度是一个巨大的挑战。针对非约束性条件下的快速鲁棒的人脸检测问题,提出一种基于轻量级神经网络的检测方法。方法 受轻量级网络MobileNet的启发,本文算法采用通道分离的卷积方式进行特征提取,并结合Inception和残差连接的思想,构建若干特征提取模块,最终训练出一个简单高效的特征提取网络;在检测时,采用One-Stage的检测策略,在骨干网络的若干不同层级上使用卷积的同时进行目标区域的分类和定位;在进行目标区域精调时,需要先在对应的特征层上预设先验框,然后再使用边界框回归算法调整先验框的位置和大小,使之接近真实框的位置。为了减少先验框的数量以节省模型参数,本算法针对人脸目标框的特点设置先验框。结果 基于TensorFlow深度学习库构建和训练本文的检测模型,在FDDB数据集上对其进行测试,并与若干经典算法对比了检测速度和精度。相较于多任务级联卷积网络（MTCNN）等典型的深度学习方法,本文算法在CPU上将检测速度提升到25帧/s,同时平均精度（mAP）保持在0.892,高于大多数传统算法。实验结果表明本文方法能实现在CPU上的实时、高精度检测。结论 提出了一种基于轻量级网络模型的人脸检测方法,以简单高效的卷积模块为基础构建骨干网络,并在检测时针对人脸比例特征设置合理的先验框。在非约束性条件以及有限计算资源条件下,该方法不仅在精度上表现良好,而且具有较快的检测速度,是一种鲁棒的检测方法。     

开源软件漏洞检测的混合深度学习方法

针对开源软件代码质量参差不齐和存在安全隐患的问题，提出一种基于混合深度学习模型（DCnnGRU）的开源软件漏洞检测方法。以漏洞库中的关键点为切入点构建控制流图，从静态代码中提取出与关键点存在调用和传递关系的代码片段，将代码片段数字化为固定长度的特征向量，并作为DCnnGRU模型的输入。该模型用卷积神经网络（Convolutional Neural Network，CNN）作为与特征向量交互的接口，门控循环单元（Gated Recurrent Unit，GRU）嵌入到CNN中间，作为捕获代码调用关系的门控机制。首先进行卷积和池化处理，卷积核和池化窗口对特征向量进行降维。其次，GRU作为中间层嵌入到池化层和全连接层之间，能够保留代码数据之间的调用和传递关系。最后利用全连接层来完成归一化处理，将处理后的特征向量送入softmax分类器进行漏洞检测。实验结果验证了DCnnGRU模型比单独的CNN和RNN模型有更高的漏洞检测能力，准确率比RNN高出7%，比CNN高出3%。     

基于滥用检测和异常检测的入侵检测系统

随着Internet的高速发展，网络安全问题越来越引入注目。在层出不穷的黑客技术中，内部攻击始终占据着很大的成分；与此同时，现有的防火墙技术不能满足人们对网络安全的要求，因此所谓的入侵检测系统越来越多地引起了人们的重视。文章介绍了一种异常检测方法和一种滥用检测方法，并根据所描述的方法构造了一个入侵检测系统，实验证明，该系统可以检测到已知的大部分的入侵行为。     

多用户检测中解相关检测和最小均方误差检测的研究

多用户检测技术是第三代移动通信系统关键技术之一。其主要思想是充分利用所有用户的信息对接收信号做联合检测,抑制多址干扰,缓解＂远-近＂效应,从而有效地提高系统容量。本文对多用户检测技术进行初步的研究,尤其是两种主要的线性多用户检测技术：解相关检测和最小均方误差检测,做仔细地研究和比较,并用MATLAB在AWGN信道下和DS-CDMA系统中做仿真。     

序列检测在DDoS检测中的应用

针对DDoS攻击时的网络数据流分布规律发生变化的特点,提出利用序列检测的CUSUM方法来实时检测相关的变化点,得到DDoS攻击时统计规律的变化函数。经过实验证明,无参数的CUSUM方法是一种计算量小、无需设定复杂的参数、可对DDoS攻击进行实时分析,在较少的计算量下提高检测性能,是一种简单有效的入侵检测方法。     

轮辋裂纹检测方法研究

综合运用图像边缘检测、形态学运算、傅立叶变换、最优阈值分割等多种方法,提出一种适用于车轮轮辋探伤系统的裂纹检测方法。该方法能有效抑制背景光照不均和去除背景刀纹,同时较好地检测到裂纹特征。实验表明该方法具有运算速度快,漏判误判率低的特点。     

入侵检测系统检测效率的研究

目前的入侵检测系统(IDS)主要存在检测准确率低、检测速度较慢等缺点。本文以提高检测的准确率和速度为目的对入侵检测系统中的各功能模块进行分析,给出了一些关于提高入侵检测系统检测效率的方法。     

基于链码检测的直线段检测方法

直线是图像的重要特征，直线参数是进行图像识别和直线段三维重建的重要基础数据。基于链码检测的直线段的检测方法分为4步：以边缘图像为基础进行链码检测；根据链码估计曲率，检测链码角点，并在角点处拆分链码；通过链码直方图检测直线链码；对直线链码进行直线参数估计，并根据连接准则，进行直线连接。实验证明，该方法可以对直线段进行有效的检测。     

一种用于驾驶员疲劳检测的人眼检测方法

疲劳检测系统中的人眼检测误检率较高。为解决该问题,提出一种基于代价敏感支持向量机(CSVM)的人眼检测方法。对图像进行预处理,利用Gabor滤波器提取人眼特征向量,并使用主成分分析法实现降维,采用CSVM训练得到人眼和非人眼分类器,从而验证眼睛候选区域。实验结果表明,该方法能降低误检率,提高分类器的可靠性。     

基于社区发现的网络异常检测方法

随着互联网的不断普及与网络通信技术的不断进步,网络已经逐渐进入到人们生活的每一个层面,越来越多的网络应用应运而生.但是另一方面,随着当前网络结构的日益复杂,会引起各种各样的网络安全问题,对社会构成了巨大的威胁和挑战.因此,网络安全问题至关重要.其中网络异常检测得到了研究人员的普遍关注.多年来,虽然已有许多异常检测的工作...     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

基于序贯变化检测的DDoS攻击检测方法

给出了一种有效的DDoS攻击检测方法,将DDoS攻击的检测作为序贯变化检测的一个具体实例来分析,采用序贯变化检测算法--非参数CUSUM算法进行检测.方法具有计算量小、检测迅速准确、适用于不同网络环境和攻击模式的优点,有一定的实用价值.文章最后对两种典型的攻击模式进行了实际检测,全面评估了检测算法在不同DDoS攻击场景下的性能.