基于深度学习的短视频中的物体检测与内容推荐系统研究

近年来短视频发展迅猛,短视频广告投放具有良好的市场前景,但是以往长视频的贴片广告投放方式不适合短视频。本文依据高相关、低打扰、短而精的准则,提出一种基于深度学习的视频物体检测与内容推荐系统方案。根据短视频来源、网络环境等不同,本文介绍2种实现模式：云端模式和移动终端模式。云端模式由服务器、内容分发网络（Content Delivery Network, CDN）和终端组成,服务器可预先对CDN短视频进行物体检测和识别,将短视频与对应广告内容匹配,并在移动端播放。移动终端模式主要处理本地视频,在移动端有限的资源上完成短视频的物体检测和内容推荐。在算法上,移动终端模式下该系统采用深度学习轻量级模型MobileNet以提高检测速度和准确率,降低内存。在实现上,通过联合编译Java和C++代码提高算法运行效率,通过反馈系统减小物体类别数量,提高实时性。     

基于深度学习方法的复杂场景下车辆目标检测

近年来,深度学习算法逐渐尝试应用于目标检测领域。本文针对实际交通场景下的车辆目标,应用深度学习目标分类算法中具有代表性的Faster R-CNN框架,结合ImageNet中的车辆数据集,把场景中的目标检测问题转化为目标的二分类问题,进行车辆目标的检测识别。相比传统机器学习目标检测算法,基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明,该方法在识别精度以及速度上均取得了显著的提高。     

面向深度学习目标检测模型训练不平衡研究

目标检测作为计算机视觉的任务之一已经成为研究热点问题.目前,基于深度学习的目标检测算法层出不穷,但大多数情况下学者只关心它们的模型架构,而忽视了其训练过程.目标检测网络在训练过程中会存在明显的不平衡问题,导致模型检测性能降低,不能达到预期的最佳效果.不平衡问题主要包括两个层次,分别是特征图层次和目标函数层次.为了能够充...     

基于深度学习的轨道异物入侵检测算法

为检测入侵轨道的异物,防止异物入侵造成铁路安全事故,对轨道异物入侵检测算法进行研究。区别于现有技术算法存在的缺陷,研究并设计一套深度学习相关的轨道异物入侵检测模型,能够较好解决检测轨道异物入侵问题。结合传统机器学习算法对图像进行基本处理,划定入侵区域,利用深度学习的YOLOV3网络模型进行多次训练,通过训练模型检测划定好的入侵区域,检测区域内是否存在异物,若有则向相关工作人员进行报警,若无则持续检测。在自制数据集上的训练验证了网络框架的可行性,并与现有其它网络模型算法进行对比,获得较好的均值平均精度得分。该算法对于铁路轨道异物检测领域的应用具有参考意义。     

基于深度学习的目标检测算法综述

计算机网络和人工智能快速发展的时代,人身安全、社会安全以及国家安全越来越受到大众的关注。目标检测在视频处理中发挥至关重要的作用。传统目标检测算法已难以满足目标检测中数据处理效率、性能、智能化等方面的要求。当前流行的深度学习广泛应用于人工智能和目标检测与跟踪。基于此,介绍SPPNet、R-CNN等一系列基于区域提案(Region Proposal)的目标检测方法和YOLO、SSD等基于回归的目标检测方法及优缺点,总结与展望目标检测的未来。     

基于Faster R-CNN和增量学习的车辆目标检测

随着深度学习的研究热潮,近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前,大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题,提出一种基于增量学习数据集的车辆目标检测方法,该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后,分别从主观判断和客观检测数据两个方面,对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明,使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果,从客观数据分析,使用该方法与未使用增量学习方法相比, VGG16网络m AP值提升了4%, Res Net101网络m AP值提升了6%.     

基于深度学习的X光图像智能审像系统

针对X光安检机人工审核图片存在的效率低、误检和漏检等问题,设计并实现了一套基于Mask R-CNN算法的X光图片智能审像系统.实现了X光图像采集、数据汇聚、分析处理、违禁物品自动检测、数据存储等功能.通过分析比较,选择ResNet101作为BackBone训练网络,选取6000张X光图片作为样本,对刀、枪、液体瓶、手机、充电宝等五类违禁品进行标注.对训练参数优化调整,训练出违禁品的Ma s k R-CNN模型.在测试集上使用COCO评估方法,检出违禁品的平均精准率mAP50达到了0.83,明显高于Faster R-CNN、YOLOv3、SSD513等算法,具有实际工程应用价值.     

基于深度学习的村镇砖(混)木房屋识别

破坏性地震发生后,相较按照抗震设防标准建设的城市公共设施和居民住宅,广大无抗震设防的村镇居民自建房屋,更易发生倒塌甚至完全损毁.以往地震灾情预评估、地震灾害风险调查、地震重点危险区调研,依靠专家现场踏勘,确定不同结构类型建筑物数量及所占比例.本研究借助深度学习和倾斜摄影技术,进行砖(混)木结构房屋识别,郯庐断裂带山东境内砖(混)木房屋影像制作数据集,训练得到Faster R-CNN模型,该区域内砖(混)木房屋识别平均精度为91.868%.结果表明,本文方法能够对砖(混)木房屋进行有效检测,可应用于地震行业开展震前、震后各类现场工作,提高政府部门应急管理能力.     

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。     

基于深度学习的显微图像计算机辅助诊断

根据世界卫生组织发布的报告，全球疟疾、结核病的发病率仍高居不下。手动显微镜检查厚薄载玻片和痰涂片是疟疾和结核病诊断的重要手段，这种方法的缺点之一是高度依赖医学检验师，容易出现主观误判。在低收入和发展中国家的偏远地区高技能实验室人员缺乏，加上显微图像中疟原虫和结核杆菌存在形状多变、体积较小和某些细胞体不确定等因素，导致疟原虫和结核杆菌检测困难。本文提出一种基于Faster R-CNN的改进算法，用于从显微图像中自动筛选疟原虫和结核杆菌。首先在原始Faster R-CNN框架上加入卷积滤波器层，采用深度残差网络提取特征，来提升模型的检测性能，然后评估改进后的模型在2种不同显微任务上的性能：在厚血涂片疟疾显微图像数据集上AP值达到94.55%，在痰涂片结核病显微图像数据集上AP值为97.96%，比原始Faster R-CNN模型提升了7.40个百分点和8.04个百分点。结果表明，修改后Faster R-CNN模型可以从智能手机的显微镜目镜上捕获的图像中检测疟疾寄生虫和结核杆菌位点，减少手动显微镜检查的依赖，辅助研究人员诊断，表明该模型适合部署在资源匮乏的地区。     

一种深度学习的非机动车辆目标检测算法

针对道路交通场景目标检测问题,提出采用EdgeBoxes算法和深度学习融合的非机动车辆目标检测方法,利用深度学习目标分类算法Fast R-CNN,结合VOC格式的非机动车辆数据样本,把道路交通场景中的目标检测问题实化为自行车（bicycle）和电动车（evbike）的分类问题。利用EdgeBoxes算法提取样本的目标建议构建适量的感兴趣区域,和样本一起输入网络进行迭代训练,同时引入正则化思想和微调策略进行网络优化,降低网络复杂度并避免过拟合现象;网络训练后得到非机动车辆目标检测模型,对模型进行新样本测试并分析测试效果。在道路交通场景目标检测中,基于EdgeBoxes算法和优化Fast R-CNN融合的方法与传统方法相比,检测准确度稍有提高,运算量明显降低,检测速度加快近一倍。     

深度学习的多尺度多人目标检测方法研究

深度学习具有自主学习目标特征、识别率高、鲁棒性强等优点,当前基于深度学习的人体目标检测方法不能有效地适应目标的尺度变化。针对上述问题,提出多尺度多人的目标检测方法,将FPN特征金字塔分别与Faster R-CNN网络的两个阶段结合,同时,平衡RPN阶段产生的正负锚点的数量比例,并采用了更适合的锚点纵横比,对原始网络进行了一系列的优化。在标准数据集PETS 2009、Caltech和INRIA上的实验结果表明,提出的检测方法性能优于主流深度学习目标检测算法。     

基于深度学习的螺纹钢表面缺陷检测

螺纹钢是土建工程中必不可少的建筑材料, 在轧制过程中因受轧辊磨损、钢坯质量等因素影响, 导致表面缺陷, 如不能及时发现就会生产出大量废品, 严重影响企业经济效益. 本文提出一种基于深度学习的螺纹钢缺陷检测方法, 通过生产现场工业相机采集螺纹钢图像, 对表面缺陷进行分类标记, 建立样本数据集, 利用深度卷积对抗生成网络D...     

基于深度学习的海面垃圾检测系统

舟山作为我国重要的海洋养殖城市与海洋旅游城市,在经济快速发展的同时如何解决日益严峻的海洋垃圾污染问题愈发突显。相比传统的雷达回波方式,基于深度学习的机器视觉检测方法,具备抗海浪干扰能力强,检测速度快,识别信息丰富等优点。采用DeepLabv3+图像语义分割模型,通过YOLOv5s目标检测算法对海面垃圾目标进行实时检测,最后由摄像机单目测距获取目标距离,可以实现检测效率25 fps,检测准确率87%,具备较好的工程应用价值。