注意力与多尺度有效融合的SSD目标检测算法

针对传统的SSD目标检测算法在进行多尺度目标检测时,存在特征图有效信息弱和困难目标漏检率大等问题,提出一种改进的SSD目标检测算法.首先,在网络特征图输出处引入即插即用的轻量级注意力机制,通过不降维、局部跨通道交互以及核大小自适应选择等操作,在保持网络原始计算量的同时有效突出特征图中关键信息.该模块有利于增强背景信息和...     

结合注意力机制的火灾检测算法

鉴于现有的火灾检测手段大多依赖于感温探测器和感烟探测器,但感温探测器和感烟探测器的探测具有一定的滞后性,无法实时准确地检测出初期火灾的问题,因此,构建了一个大规模多场景的火灾图像数据集;同时对图像数据集进行了火焰和烟雾目标标注,并提出了一种具有注意力机制的火灾检测算法,采用颜色分析的方法检测出图像中火焰和烟雾的疑似区域;再对火焰和烟雾目标的疑似区域进行关注,通过结合深度网络的特征提取能力,得到火灾目标的检测模型;实验结果表明,此方法在检测火灾任务上取得了更优的效果,相比于基于YOLOv3的火灾检测模型,mAP(mean average precision)提高了5.9%,同时满足了实时检测的需求。     

注意力机制改进轻量SSD模型的海面小目标检测

目的 海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multiBox detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法 在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果 为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论 本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。     

基于改进的Yolov5的端到端车牌识别算法

针对当前车牌识别算法对于小尺寸车牌识别率较低的问题,本文做出以下改进：在车牌定位阶段,在主干网络中加入金字塔分割注意力机制(EPSA),并引入α-CIoU损失函数,再通过增加网络的检测尺度,以提高车牌定位精度。在车牌识别阶段,利用车牌模拟实现中文数据增强。实验验证,改进的车牌定位方法准确率达到98.8%,模型大小为14.9MB;车牌识别的准确率达到96.5%,识别的模型大小为7.1MB;而且改进后算法,内存占比小,可靠性强,可以应对复杂背景的下车牌识别。     

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中，不同种类部件尺度跨越大，难以被均衡检测的问题，提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中，设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计，使用滑动窗口对高分辨率输电线路图像进行切片，并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成，得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上，该模型的检测性能远超现有目标检测模型，Precision可达83.2%,Recall可达92.8%，相比数据集原作者提出的模型，mAP值提升了1.6个百分点，达到了90.8%，且能检测出未在原始数据集上标注出的隐蔽目标，验证了在高分辨率图像中检测多尺度输电线路部件的有效性。     

基于注意力机制的肺结节检测算法

为提升深度卷积神经网络模型检测肺结节的效果,提出一种基于注意力机制的肺结节检测算法。通过空间和通道注意力两种不同粒度与层次的注意力因子增强,提升肺结节检测网络生成的特征映射的质量,达到提升模型性能的目的。在LUNA16公开肺部CT图像数据集上进行大量相关实验,验证了模型的可行性和算法的有效性。     

融合注意力与时域多尺度卷积的手势识别算法

针对基于深度学习的动态手势识别方法网络规模庞大、提取的时空特征尺度单一、有效特征的提取能力不足等问题,提出了一种深度网络框架。首先,使用时域多尺度信息融合的时空卷积模块改进3D残差网络结构,大幅度缩小网络规模,获得多种尺度的时空感受野特征;其次,引入一种全局信息同步的时空特征通道注意力机制,使用极少量参数构建特征图通道之间的全局依赖关系,使模型更加高效地获取动态手势的关键特征。在自建手势数据集SHC和公开手势数据集SKIG上的实验结果显示,提出的手势识别方法参数量更少且多尺度时空特征提取能力强,识别率高于目前的主流算法。     

多尺度通道注意力融合网络的小目标检测算法

当前小目标检测算法的实现方式主要是设计各种特征融合模块,检测效果和模型复杂度很难达到平衡.此外,与常规目标相比,小目标信息量少,特征难以提取.为了克服这两个问题,采用了一种不降维局部跨通道交互策略的通道注意力模块,实现通道间的信息关联,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性.同时,加入改进的特征融合模块,使网络可以使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测精度.骨干网络采用特征表达能力强和速度快的ResNet,在获取更多网络特征的同时保证了网络的收敛性.损失函数采用Focal Loss,减少易分类样本的权重,使得模型在训练时更关注于难分类样本的分类.该算法框架在VOC数据集上的mAP为82.7％,在航拍数据集上的mAP为86.8％.     

融合多尺度和注意力机制的小样本目标检测

现有基于微调的二阶段小样本目标检测方法对新类特征不敏感,易将新类别误判成与它相似度高的基类,影响模型的检测性能。针对上述问题,提出一种融合多尺度和注意力机制的小样本目标检测(MA-FSOD)算法。首先在骨干网络使用分组卷积和大卷积核提取更具类别区分性的特征,并加入卷积注意力模块(CBAM)实现特征的自适应增强;再通过改进的金字塔网络实现多尺度的特征融合,使候选框生成网络(RPN)可以准确找到感兴趣区域(RoI),从多个尺度向分类头提供更丰富的高质量正样本;最后在微调阶段采用余弦分类头进行分类,降低类内方差。在PASCAL-VOC 2007/2012数据集上与基于候选框编码对比损失的小样本目标检测(FSCE)算法相比,MA-FSOD算法对新类的AP50提升了5.6个百分点;在更具挑战性的MSCOCO数据集中,与Meta-Faster-RCNN相比,10-shot和30-shot对应的AP则分别提升了0.1个百分点和1.6个百分点。实验结果表明,相较于一些主流的小样本目标检测算法,MA-FSOD算法能更有效地缓解误分类问题,实现更高精度的小样本目标检测。     

面向轴承早期故障检测的多尺度残差注意力深度领域适配模型

针对由工作环境和设备状况的差异引起的轴承早期故障检测模型可靠性差、误报警率高的问题，根据早期故障检测的特点和需求，提出一种多尺度注意力深度领域适配模型。首先，将监测信号处理成由原始信号、希尔伯特-黄变换边际谱、频谱组成的三通道数据；然后，通过在残差注意力模块中增加不同尺寸的滤波器以提取多尺度深度特征，使用卷积-反卷积操作来重构输入信息从而获得注意力信息，并且将注意力信息与多尺度特征融合构建了一种多尺度残差注意力模块，用于提取对早期故障表征能力更强的注意力特征；其次，在所提取到的注意力特征基础上，构建基于交叉熵和最大均值差异（MMD）正则化约束的损失函数来实现领域适配；最后，采用随机梯度下降算法进行网络参数优化，构建端到端的早期故障检测模型。在IEEE PHM-2012数据挑战赛数据集上的实验结果表明，与8种代表性的早期故障检测和诊断方法以及迁移学习算法相比，所提方法能够在不延迟报警时间点的前提下，分别比8种方法的平均误报警率降低了62.7%和61.3%，有效提高了早期故障检测的鲁棒性。     

车辆牌照检测关键算法研究

对车牌识别系统中的图像预处理和车牌定位等环节涉及到的关键技术、算法进行了分析、设计和改进,提出了一种简单高效的车牌检测算法。     

复杂场景下基于热图的车牌检测

随着车牌识别的应用场景不断扩展,处理的图像复杂性也随之提高,车牌检测面临车牌定位困难、检测速度慢和精度低等挑战。为提高光照不均衡、透视变形、雨雾天气、低分辨率等复杂场景下车牌检测的准确率,提出一种基于车牌角点热图的检测网络LPHD-Net。不同于传统模板匹配和目标检测中矩形先验框的方式,该网络通过车牌角点热图和车牌边界向量场的方法对车牌进行检测。在中国城市停车数据集中进行训练和测试,使用目标检测任务中常用的平均精度和召回率对模型的整体性能进行评价。实验结果表明,LPHD-Net模型对多种复杂场境下的车牌检测精确率和速度分别达到99.2%和78 frame/s,较LMAFLPD模型提升1.15个百分点和14 frame/s。同时,其对场景中的多车牌检测也具有较好的检测效果。     

结合双金字塔特征融合与级联定位的车牌检测

为了解决复杂环境中不同因素干扰车牌检测精确度的问题,提出了一种基于双金字塔特征融合的复杂环境下车牌检测算法。通过采用Mish激活函数的残差网络（ResNet101-M）对输入图像进行初级特征提取;在传统特征金字塔网络（feature pyramid network,FPN）的基础上,提出了一种改进的双金字塔特征融合网络（siamese feature pyramid network,SFPN）。被提取的初级特征被送入该网络进行多层特征融合。融合后的特征被送入基于形状先验的锚点设置网络来确定感兴趣区域。将所生成的感兴趣区域送入级联定位网络从而得到准确的车牌检测结果。实验结果表明,该算法在AOLP与CCPD车牌数据集上均能够有效提升检测性能。     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。     

基于注意力机制的多模态融合谣言检测方法

谣言会对社会生活造成不利影响,同时具有多种模态的网络谣言比纯文字谣言更容易误导用户和传播,这使得对多模态的谣言检测不可忽视。目前关于多模态谣言检测方法没有关注词与图片区域对象之间的特征融合,因此提出了一种基于注意力机制的多模态融合网络AMFNN应用于谣言检测,该方法在词-视觉对象层面进行高级信息交互,利用注意力机制捕捉与关键词语相关的视觉特征;提出了基于自注意力机制的自适应注意力机制Adapive-SA,通过增加辅助条件来约束内部的信息流动,使得模态内的关系建模更有目标性和多样性。在两个多模态谣言检测数据集上进行了对比实验,结果表明,与目前相关的多模态谣言检测方法相比,AMFNN能够合理地处理多模态信息,从而提高了谣言检测的准确性。     

联合多尺度和注意力机制的遥感影像检测

遥感影像中目标的检测问题一直是遥感图像处理领域的热点和难点.传统的检测算法,在解决场景复杂,尺度差异大的目标时性能不高,而使用深度学习很难兼顾遥感目标的准确性和实时性.针对这一问题,设计了一种利用多尺度融合特征检测目标的轻量级网络,并提出一种能够从三个维度上生成像素自适应特征权重的注意力机制帮助提取显著特征,同时采用了...     

基于序贯相似性算法的快速车牌识别

提出了一种基于序贯相似性算法的快速车牌识别方法。采用改进的倾斜较正和字符分割方法对定位好的车牌进行处理,并采用基于序贯相似性检测的模板匹配算法进行车牌识别。实验结果表明,该算法具有良好的鲁棒性和实时性。     

复杂场景下基于改进YOLOv3的车牌定位检测算法

针对在光照、多车辆和低分辨率等复杂场景下车牌定位困难、检测速度慢和精度低等问题,提出了一种改进YOLOv3的方法.采用K-means++方法对实例的标签信息进行聚类分析获取新的anchor尺寸,通过改进后的精简特征提取网络(DarkNet41)来提高模型的检测效率并降低计算消耗.此外,改进了多尺度特征融合,由3尺度预测...     

YOLOv3与顶点偏移估计相结合的车牌定位

深层卷积神经网络(deep convolutional neural networks,DCNN)因其能够自动学习图像有效特征,被广泛应用于视觉目标检测.为克服DCNN目标检测算法大多因采用矩形检测框,而无法有效地应对非约束环境下倾斜性车牌的准确定位问题.提出一种可同时输出矩形目标检测框与关键点的车牌定位解决方案,并具...