FIRE-DET:一种高效的火焰检测模型

模型的效率在计算机视觉中变得越来越重要.本文通过研究用于火焰检测的神经网络结构,提出了几个关键的优化方案,以提高模型效率和检测效果.第一,提出一种由多卷积组合结构构建的主干网络(FIRE-Net),它能高效地从多个尺度上提取丰富的火焰特征;第二,提出一种改进的加权双向特征金字塔网络(BiFPN-mini)以快速地实现多尺度特征融合;第三,提出一种新的注意力机制(FIRE-Attention),让检测器对火焰特征更敏感.基于上述优化,本文开发出了一种全新的火焰检测器FIRE-DET,它在硬件资源有限的条件下能够取得比现有基于深度学习的火焰检测方法更高的检测效率.FIRE-DET模型在自建数据集上进行训练后,最终对火焰检测的准确率和帧率分别达到97％和85 FPS.实验结果表明,与主流算法相比,本文火焰检测模型检测性能更优.本文为解决火焰探测问题提供了一个更通用的解决方案.     

LaneSegNet:一种高效的车道线检测方法

车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明：在TuSimple数据集上,该方法检测车道线的准确率为97.6%;在CULane数据集上,该方法在标准路面的检测准确率达到92.5%,多种路面综合检测准确率为75.2%.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.     

一种基于充分卷积的边缘检测算法

针对基于卷积神经网络的图像边缘检测算法忽略中间层而丢失图像细节信息的问题,提出一种基于充分卷积的边缘检测算法.在视觉几何组16骨干网络上剪切掉所有的全连接层和池化层以构建全卷积网络;在全卷积网络每个阶段的1×1×21卷积层后边连接累加层获取每个阶段中的特征信息;通过融合层替换原来位置剪切掉的全连接层,在融合层的后边连接...     

高效通道注意力和特征融合的协同显著性检测算法

针对现有的协同显著性检测算法在多显著目标复杂场景下表现不佳的问题,提出了一种基于高效通道注意力和特征融合的协同显著性检测算法。首先,检测算法利用预训练的深度卷积神经网络对场景进行多尺度特征的提取,结合边缘显著信息设计了显著性语义特征提取模块,以避免全卷积神经网络导致边缘信息的缺失;其次,通过内积基本原理得到组内图片间的关联性信息并根据其关联程度进行自适应加权,结合高效通道注意力层设计了协同特征提取算法;最后,为了将各级高层语义特征经过协同显著性特征提取之后的结果与浅层次的特征进行融合,并实现对预测结果进行多分支同步监督,设计了基于高效通道注意力的特征融合模块。通过对3个经典的数据集进行测试,并与6种现有的协同显著检测算法进行对比,结果表明本文所提算法提高了复杂场景中图像的协同显著性检测的精度以及边缘信息的丰富程度,并具有更优的协同显著性信息检测性能;通过消融实验进一步验证了所提设计算法各个模块的有效性和必要性。     

一种面向交通安全的违禁品轻量级检测方法

针对X光安检图像中摆放杂乱、故意遮挡、小型不规则物品检测等问题,以及安检工作对实时性、快速性的要求,基于YOLO v5s网络模型提出了一种结合改进的轻量级实时违禁品监测方法LRCD,以辅助安检人员快速进行检测。通过在模型的主干中使用DenseOne模块替代YOLO v5s主干中的C3模块,进而丰富特征,提高网络的特征表达能力;为了提高推理速度,使用SimSPPF替换YOLO v5s主干中的SPPF;同时引入WIoU（Wise-IoU）损失函数,抑制了冗余特征对检测网络的影响,增强了网络获取违禁品中包含的多尺度特征的能力。在针对X光下行李物品图片的EDS数据集中进行测试,mAP达68.96%,FPS达136.9,对比近年来被广泛使用的其他经典目标检测模型,分别平均提升了6.35%与66.7%。     

基于阴影解耦和重参的轻量级阴影检测算法

由于阴影边界上的像素数量往往远小于阴影内部区域的像素数量,准确检测阴影边界区域相比于检测阴影内部区域像素更困难。为了提高在阴影边界上的检测准确率,本文提出了一种新颖且高效的轻量级边界感知阴影检测网络RBNet。通过将图像分为阴影区域和非阴影区域,并通过采用距离变换将图像的阴影区域、非阴影区域解耦,使本文提出的网络能够感知阴影边界并平衡不同区域的边界和区域内部图像像素之间的监督。另外,目前最先进的阴影检测网络往往采用复杂的多分支网络结构。然而,使用多分支结构在提升性能的同时却引入了庞大的参数量,导致推理速度缓慢。因此,本文也提出了一种可多分支融合的结构化重参模块并将其引入RBNet中,通过重参进行多分支融合来减少模型参数量、降低模型计算量并提高模型推理速度。实验结果表明,本文提出的阴影检测算法RBNet不仅具有最优的推理速度以及模型大小,也在性能上远远优于现有最先进的阴影检测算法。     

一种改进DeeplabV3网络的烟雾分割算法

由于现有的烟雾检测方法大多依靠手工选取特征,往往不能准确地分割出视频图像中的烟雾区域。基于此,提出了改进的DeeplabV3烟雾分割算法。改进的算法在基础编码器网络后添加了特征细化模块来削弱空洞卷积带来的网格效应;针对烟雾这类尺度和姿态多变的非刚性目标,在带有空洞卷积的空间金字塔模块中引入可变形卷积来更好地学习烟雾的形变;为了进一步恢复烟雾的空间细节,提出了通道注意力解码器模块。在烟雾图片数据集的测试下,改进后的模型平均每张图片的预测时间约达到71.73ms,平均像素精确度约达到97.78%,平均交并比约达到91.21%,精度与DeeplabV3模型相比分别提高了0.56%及2.17%,更加适用于烟雾分割。公开的烟雾视频测试结果表明,该模型的检测率高于现有的视频烟雾检测算法,具有一定的实用价值。     

一种深度融合机制的遥感图像目标检测技术

遥感图像覆盖幅面广、纹理信息丰富,其目标具有尺寸多样性,排列密集且与背景易混淆等特性,给快速定位和精准识别目标带来较多困难,尤其是易漏检小目标等。针对此问题,提出一种深度融合机制的遥感图像目标检测技术。该技术基于深度卷积神经网络,将多尺度、注意力机制与宽度学习三者融合,用于遥感图像目标检测技术。该技术首先基于多尺度与空间注意力机制获取到遥感图像的候选区域信息,然后采用通道注意力机制获取其多个尺度的特征信息并融合互补,旨在有效聚焦图像深层的高层语义信息和底层的小目标特征信息;最后,针对宽度学习存在超参数的确定需要依据不同的遥感图像,进行手工调参问题,提出基于贝叶斯网络搜索优化策略的宽度学习方法。该方法可智能地学习到一组适应于不同遥感图像数据集的超参数,对目标进行高效识别。实验结果证明,与当前先进的方法相比,该算法能够有效解决遥感图像目标检测中速度慢、精度低、易丢失小目标等问题,提升目标检测的准确率。     

一种添加残差注意力机制的视觉目标跟踪算法

由于传统的卷积神经网结构不能有效地发挥其强大的特征学习和特征表达能力,故提出一种改良的特征提取网络用于视频目标跟踪。在传统特征提取网络的基础上,引入残差网络形式的注意力机制和特征融合策略,同时在网络模型的训练阶段引入基于区域重叠率的损失函数,使得算法模型获得更好的定位效果。实验结果表明,改进算法可以长时间准确地跟踪目标,并且该方法具有泛化能力,对其他基于深度学习的跟踪算法有借鉴意义。     

一种改进RetinaNet的室内人员检测算法

由于现有的人员检测算法研究对象主要是室外直立行人,而室内人员姿态多变,且图像拍摄角度与室外行人差别较大,所以使用以往的检测方法得到的效果并不理想。基于此,笔者针对室内人员检测数据集提出了一种高精度检测模型。该模型以RetinaNet网络为基础,在残差网络中引入通道注意力模块,间接实现卷积层的随机失活,增强模型泛化能力;通过维度聚类算法找出锚点的最佳尺寸,并据此找到合适的特征图进行预测。实验表明,这种算法在室内人员检测数据集上检测精度可达99.84%,且在速度和内存占用方面也优于其他算法。     

基于双池化注意力机制的高光谱图像分类算法

为了提高高光谱图像在有限训练样本下的分类性能,提出了一种基于双池化注意力机制的高光谱图像分类网络(DPAMN).首先,采用三维卷积提取高光谱图像的空间和光谱浅层信息.其次,为了增强网络的特征提取能力,在DPAMN中引入了一种双池化注意力机制.最后,在网络的深层引入三维卷积密集连接模块,该模块不仅能够充分提取高光谱图像的空间和光谱特征,同时还能提高特征的判别能力.实验结果表明,在Indian Pines、University of Pavia、Salinas以及Houston 2013数据集上分别取得95.45%、97.11%、95.30%以及93.71%的整体平均精度,与目前主流的已有先进方法相比,所提出的方法在4个数据集上均有较大提升,表明所提方法具有较强的泛化能力.     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

基于TrellisNet和注意力机制的电力设备故障检测模型

电力设备故障检测模型的性能受到多种因素的影响,如故障种类的多样性、故障特征的复杂性和图像质量的差异等.为此,本文提出一种基于TrellisNet和注意力机制的新型电力设备故障检测模型.首先,将长短期记忆(Long Short-Term Memory,LSTM)网络和卷积神经网络(Convolutional Neural Network,CNN)进行融合,构建LSTM-CNN来获取图片中的故障特征,以有效区分不同故障类型的特征,并减少噪声和干扰因素的影响.然后,将LSTM-CNN获得的特征数据作为输入,并将注意力机制嵌入到TrellisNet中,构建具有高分辨能力的AT-TrellisNet网络来检测不同电力设备的故障类型.最后,选取5种常见的电力设备故障进行模型验证.实验结果显示,本文模型与一些现有的检测模型相比,检测精确率较高,最高可达90％以上,可满足实际电力设备故障检测需求.     

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1—10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

具有注意力机制的CNN-GRU模型在风电机组异常状态预警中的应用

针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗,结合机理分析及极端梯度提升(XGBoost)算法对特征重要性的评估确定模型的输入输出参数,进而采用具有注意力机制的CNN-GRU模型建立风电机组正常运行工况的性能预测模型.以该预测模型为基础,利用时移滑动窗口构建风电机组状态评价指标,并结合统计学中的区间估计法确定预警阈值,最终实现机组异常工况预警.应用某风电机组真实历史故障数据进行实验,结果表明,本文所提方法能够准确地对异常状态进行提前识别和预警,有利于运维人员及时处理故障,保证机组安全稳定运行.