基于改进YOLOv4-Tiny模型的红外弱小目标检测

针对复杂环境下红外弱小目标检测查准率与查全率低的问题，采用改进的YOLOv4-Tiny模型提出一种新的红外弱小目标检测方法。以轻量化的目标检测神经网络YOLOv4-Tiny模型为基础，该模型在训练难度与检测性能2方面取得了较好的权衡。对YOLOv4-Tiny模型的特征提取部分进行了修改，通过增加卷积层数与卷积核尺寸来增加红外图像特征提取的信息量，避免忽略弱小目标的有用信息；对YOLOv4-Tiny模型的激活函数进行了修改，提高对弱小目标的细节学习能力。在多个红外弱小目标数据集上的实验结果表明，相较于原YOLOv4-Tiny模型和其他对比模型，所提方法对红外弱小目标的检测取得了明显的性能提升，可较好地兼顾检测性能与检测效率。     

基于YOLOv3的人脸关键点检测

深度学习中神经网络强大的特征提取能力,使非约束场景下的人脸检测不再困难,于是人脸关键点的检测逐渐成为人脸检测的关注点,但目前为止较少算法具备对人脸关键点的检测能力.YOLOv3作为精度和速度均表现优异的算法,同样不具备关键点检测的能力.因此,文章提出基于YOLOv3的人脸关键点检测算法,该算法对YOLOv3改进,设计关...     

改进多尺度特征融合的行人检测算法

针对图像中小尺寸行人目标检测识别率低的问题,提出一种基于改进多尺度特征融合的行人检测算法。首先,在原始YOLOv3模型的基础上将BN层融合到卷积层;其次,增加检测层,借鉴特征金字塔思想将高低层特征进行融合与预测;最后,利用线性尺度缩放的K-means聚类算法优化候选框,提高小尺寸行人检测效果。在INRIA行人数据集上的实验结果表明,改进算法准确率达到91.4%,与YOLOv3算法相比提高了3.4%;在复杂监控环境下也证明了所提算法的有效性。     

基于单一神经网络的多尺度人脸检测

人脸检测是指检测并定位输入图像中所有的人脸,并返回精确的人脸位置和大小,是目标检测的重要方向。为了解决人脸尺度多样性给人脸检测造成的困难,该文提出一种新的基于单一神经网络的特征图融合多尺度人脸检测算法。该算法在不同大小的卷积层上预测人脸,实现实时多尺度人脸检测,并通过将浅层的特征图融合引入上下文信息提高小尺寸人脸检测精度。在数据集FDDB和WIDERFACE测试结果表明,所提方法达到了先进人脸检测的水平,并且该方法去掉了框推荐过程,因此检测速度更快。在WIDERFACE难、适中、简单3个子数据集上测试结果分别为87.9%, 93.2%, 93.4% MAP,检测速度为35 fps。所提算法与目前效果较好的极小人脸检测方法相比,在保证精度的同时提高了人脸检测速度。     

基于改进型深度LLE和随机森林的人脸检测算法

针对人脸检测问题的特点,提出一种基于改进型深度LLE(Locally Linear Embedding)算法和随机森林相结合的人脸检测算法。首先,通过采集图像的深度信息,结合图像的颜色信息,构建三维图像信息数据库,再通过改进的LLE算法得到最优降维结果,按一定比例选取训练集,输入随机森林算法建立数据分类器;最后,将测试集输入到训练完成的分类器中,实现人脸图像的检测。选取Yale,JAFFE 2类数据集与传统算法进行对比实验,验证算法的优越性和可行性。实验结果表明:所提出的算法可以有效地完成人脸检测,检测率高于传统算法7%左右。     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

基于YOLO多模型交叠桥接策略的人脸检测算法

基于深层卷积神经网络的人脸检测算法因其能够较好地克服复杂环境中诸多因素造成的影响,得到了业界广泛关注.YOLO是一种分类/定位回归式视觉目标检测算法,采用单步检测方式,兼具速度快准确率高的优点,是目前被广泛使用的一种深层全卷积神经网络.但由于其网络输入尺寸固定,其输出神经元的感受野范围也因此被限定.将其用于检测尺寸跨度...     

基于MobileNet的移动端列车图像故障检测算法

针对列车故障检测效率低的问题,提出一种基于MobielNet的移动端列车图像故障检测算法。首先,在MobileNet中引入注意力卷积块和Ghost模块,用以提升网络的学习能力。其次,使用残差聚合网络获取多层次的特征图。最后,将该模型移植到移动端设备上完成列车故障检测任务。实验结果表明,该算法的平均精度均值达到了85.35%,与YOLOv3-Tiny、YOLOv4-Tiny、YOLOX、YOLOv5相比,mAP分别提高了8.83%、5.49%、7.89%、5.31%,并且FED拥有更低检测延迟。     

基于自编码器结构改进的无监督图像异常检测

基于自编码器结构的无监督学习算法已经被广泛应用在异常检测中如智能制造、医疗影像、安防监控等领域。针对现有的基于自编码器结构的图像异常算法模型与传统有监督模型相比仍存在识别精度差、鲁棒性较差、训练效率低的问题,提出了基于图像特征重建方法的自编码器架构和基于迁移学习思想对自编码器进行特征增强处理的异常检测算法。通过引入预先训练的特征提取网络作为前置图像特征提取模块完成对输入图像多尺度特征的提取和融合,得到输入图像的多尺度特征融合图,再据此选择搭另一个预训练网络和自编码器组成Teacher-Student模型,完成自编码器模型的快速收敛。基于多尺度特征融合图的重建思想是利用了图像卷积特征的可判别性,实现了对图像潜在的异常信息的辨识。在自编码器与预训练网络构成的T-S模型中,经过预训练的T模型将S模型的解空间限定在一定范围,极大加速了模型的训练过程。在MVTec-AD标准数据集上将本文所提方法与现有方法进行实验对比,验证了方法的可行性。     

基于YOLOv5s的人脸是否佩戴口罩检测

为了抗击新冠肺炎,加快复产复工的速度,本文提出了一种判断人脸是否佩戴口罩的方法.该方法可以通过摄像头捕获人脸,对人脸是否佩戴口罩进行检测,及时提醒人们带好口罩.使用预处理好的9800张图片作为数据集,并对YOLOv5s算法进行离线训练,生成最终的模型;利用该模型对摄像头捕捉的画面进行分析,检测人脸是否佩戴有口罩.该算法在测试集上的精确率(precision)、召回率(recall)和平均精度(mAP)分别为78.1％、87％和53.5％,高于YOLOv3和YOLOv4检测算法的检测结果.