基于跨域学习的单样本目标检测方法

针对单样本目标检测样本量较少的问题,提出了一种基于跨域学习的方法。该方法从数据增强的角度出发,增加其他域的数据集作为辅助,增强网络学习能力,同时为解决不同域间存在差异的问题,提出了一种基于图片尺度和实例尺度的跨域学习算法,分别对输入的图片特征与检测网络的候选特征增加域分类器模型,用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验,其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较,超过目前最好算法2.8个百分点,从而证明了本文方法可以有效提高单样本目标的检测性能。     

基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。     

基于难分样本挖掘的快速区域卷积神经网络目标检测研究

针对经典的快速区域卷积神经网络(Faster RCNN)训练过程存在太多难训练样本、召回率低等问题,该文采用一种基于在线难分样本挖掘技术(OHEM)与负难分样本挖掘(HNEM)技术相结合的方法,通过训练中实时筛选的最大损失值难分样本进行误差传递,解决了模型对难分样本检测率低问题,提高模型训练效率;为更好地提高模型的召回率和模型的泛化性,该文改进了非极大值抑制(NMS)算法,设置了置信度阈值罚函数,又引入多尺度、数据增强等训练方法。最后通过比较改进前后的结果,经敏感性实验分析表明,该算法在VOC2007数据集上取得了较好效果,平均精度均值从69.9%提升到了74.40%,在VOC2012上从70.4%提升到79.3%,验证了该算法的优越性。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于自适应差分的多目标检测和跟踪

运动目标检测与跟踪在诸多领域里都有广泛的应用,是当前计算机视觉的一个热门领域。利用自适应阈值差分的方法对运动目标进行检测,并使用轨迹关联的方法对多目标进行跟踪。实验结果表明,该种算法很好地实现了视频图像中多目标检测和跟踪,更符合实际应用的需求。     

少量样本下基于孪生CNN的SAR目标识别

针对深度学习中的有监督学习需要大量的标注数据,提出了一种少量训练样本下的SAR目标识别方法,解决了SAR图像人工标注成本较高、标注样本不足的问题。首先通过构建正负样本对的策略对数据集进行样本扩充,大幅增加数据量;其次,设计了一种基于度量学习和深度学习的孪生卷积神经网络(孪生CNN),用于衡量样本之间的相似概率;然后采用多任务联合学习的方法训练模型,有效缓解了相干斑噪声对SAR图像的影响,降低了噪声过多易引起的过拟合风险;最后,设计了一种基于孪生CNN的识别样本具体类别的加权投票模型。实验采用了MSTAR和OpenSARShip数据集,在小规模训练集上通过上述方法取得了较好的识别效果。     

基于深度学习的多视窗SSD目标检测方法

提出了一种基于深度学习的多视窗SSD （Single Shot multibox Detector）目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF （Average F-measure）为0.729,mAP （mean Average Precision）为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。     

基于改进Faster RCNN的少样本目标检测算法

当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率,而在实际场景中,大量数据的获取是十分困难的,且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD),在目标类别仅有少量标注样本的情况下,对目标样本进行检测。为了提高检测性能,首先提出了CBAM-Attention-RPN模块,减少无关候选框的数量;其次提出了全局-局部关系检测器模块,通过关联少量标注样本和待检测样本的特征,获取与目标类别更相关的候选区域;最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支,能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法,在MS COCO数据集上进行了训练和测试,实验结果表明,该方法的AP₅₀为21.9%,优于目前一些少样本目标检测算法。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

基于深度学习的目标检测与跟踪的方法研究

随着大数据时代的兴起,计算机视觉领域在深度学习的推动下不断进步。目标检测与跟踪是计算机视觉领域的重要研究内容,实现高精度和高实时性的追踪一直广受关注。本文提出了一种改进的目标检测与跟踪模型,融合了Yolo检测模型和Deepsort跟踪算法,将Yolo的主干网络进行优化,将改进后的Yolo模型作为Deepsort的检测器,提高检测速度和回归精度,降低模型深度。结果表明,本文算法的实时性和准确度有了提升,可适应复杂的跟踪场景。     

基于视频多目标跟踪的高度测量算法

本文提出了一种基于视频多目标跟踪的高度测量算法.首先,采用码本模型检测前景,利用图割理论实现对多目标的跟踪.然后,提取每一帧中目标的头部特征点和脚部特征点,根据投影几何的约束关系计算每个目标的高度.最后,融合多帧的测量结果进行数据优化.本文提出的算法不需要对相机进行完全标定,只需计算摄像机的灭点和地平面的灭线,降低了计算的复杂度.实验结果表明,本文提出的算法具有较高的测量精度,对遮挡和运动状态变化具有较强的鲁棒性,同时,能够满足实时性要求.     

一种基于伪标签的半监督少样本学习模型

如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS（Few-Shot Learning based on Semi-Supervised）.首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.     

基于无载波超宽带雷达的小样本人体动作识别

随着雷达硬件平台尺寸越来越小、成本越来越低,室内基于雷达的人体动作识别应用已经成为现实,能够在具有简单架构的低成本设备中实现.无载波超宽带雷达具有极高的分辨力,能够捕获人体细微动作变化并且对室内复杂环境具有很强的抗干扰能力.与基于视频人体动作识别研究相比,超宽带雷达还具有穿透家具、墙体以及保护个人隐私等优点.针对雷达回波信号利用传统时频分析方法实现人体动作识别比较耗时、实时性不好的缺陷,引入机器学习方法对不同类型人体动作进行分类识别.引入机器学习方法用于超宽带雷达人体动作识别最大难点是只有少量可用的超宽带雷达实测数据样本,针对该问题提出基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的人体动作特征提取方法,并利用改进网格搜索算法优化的支持向量机在小样本数据下对人体动作进行识别,最后根据实测数据采取三种不同方案进行仿真实验,结果表明即使在训练数据样本只有5组的条件下,基于PCA和DCT相结合特征提取方法在不同类型人体动作的平均识别率均能达到96%以上.     

基于结构支持向量机的目标检测跟踪同步算法

目标检测跟踪同步算法通过对视频帧的目标实时检测来达到跟踪的目的,该算法主要是为了维持一个能够在线训练的分类器,把从背景采样的样本作为负样本,从目标区域采样的样本作为正样本,然后通过分类器把二者区分开,以达到跟踪效果。然而当目标产生形变以及目标区域发生遮挡的时候,如何对样本采样和精确标记成为跟踪成败的关键。在结构支持向量机的框架下,提出一种基于结构支持向量机的目标检测跟踪同步算法。由于结构支持向量机的输出可以是复杂的数据结构,因此采用结构支持向量机,把目标位置估计作为结构支持向量机的输出,避免了对样本标记精确估计的需要,克服了当目标发生遮挡和大范围变形时导致的跟踪失败。仿真实验表明,该算法有良好稳定的跟踪效果。     

基于深度学习的无人机载平台多目标检测和跟踪算法研究

无人机技术和计算机视觉技术相结合,在民用和军用领域都有着广泛的需求,然而当前算法不能很好的适应无人机视角旋转、障碍物遮挡、目标尺度变化等特殊情况.根据实际的难点和挑战,提出了基于深度学习的无人机载平台多目标检测和跟踪算法.主要工作有:在检测方面,通过公开数据集和实际采集的大量数据,训练了基于Darknet53的检测网络...     

基于迁移学习的机场场面目标检测与跟踪技术研究

本文分析了深度学习技术的基本原理,讨论了其应用与目标检测与跟踪领域的基本方式.利用实地采集的广汉机场场面视频数据,采用深度迁移学习的策略,研究了面向机场场面目标的检测与跟踪技术.     

基于深度学习的目标跟踪技术的研究综述

深度学习技术在计算机视觉领域的应用日趋广泛,基于深度学习的目标跟踪技术是当前计算机视觉领域的一项重要研究课题。文章首先对国内外目标跟踪技术的发展历程进行了回顾和梳理,详细介绍并对比了部分典型的基于深度学习的目标跟踪方法;然后介绍了几种目标跟踪领域的典型数据集;最后对基于深度学习的目标跟踪技术的研究进行了总结,并对未来的发展方向进行了展望。     

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向。在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点。最后,展望了这一领域未来研究的热点。