基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于Faster R-CNN模型的低空平台偏振高光谱目标检测

随着无人机等低空平台在侦察领域的不断扩展以及对性能要求的不断提高,各应用场景对目标检测精度和速度也提出了越来越高的要求.传统的目标成像方法难以满足图像质量需求,人工识别目标的方法也无法应对战场环境的快速变化.结合深度学习和偏振高光谱成像技术的发展,通过模拟偏振高光谱低空目标检测平台,提出基于Faster R-CNN的地面军事目标检测方法.采用区域建议网络模块进行模型训练,而在目标检测阶段通过对特征图进行兴趣区域池化操作得到建议特征图,最后利用建议特征图完成目标类别判定.实验选取3种典型的军事车辆缩比模型,通过偏振高光谱相机在室内外模拟环境中获取目标在不同场景条件的图像数据,以及某型无人机在低空条件下的地面车辆目标数据进行实验验证.实验表明,该方法在有效完成地面目标的检测时,能够达到理想的检测精度和速度.     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

基于轻量化深度网络的舰船目标识别技术研究

针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。     

基于深度学习的CT图像识别方法的研究

随着我国社会不断向前进步,人工智能技术越来越先进,图片识别技术发展也快越来越快,其能够有效改变传统图片处理方式,而且采用智能大数据技术,可以提高图片识别准确度。文章主要分析基于深度学习的CT图像识别方法研究,首先简述深度学习与CT技术图像分析特点;其次,分析深度学习的几种方法,并总结分析深度信念网络模型的整体构建步骤;然后总体讨论深度学习在医学方面的应用,主要包括图像分类、检测及分割等;最后,总结CT图像分在未来的研究与应用及其挑战等。因此,文章结合深度学习系统对CT图像识别方法进行分析论述,具有一定的重要意义。     

基于深度学习的高分辨率遥感图像识别与分类研究

高分辨率遥感图像,作为卫星及其它航空器拍摄的一种特殊图像类型,不论在军用还是民用领域都具有着极其重要的价值和地位。当前,卫星遥感技术发展迅速,传统的图像识别与分类技术已经不能满足人们对高分辨率遥感图像信息获取的需求。文章在传统图像预处理技术的基础上,结合了深度学习的方法,实现了高分辨率遥感图像的识别与分类。     

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

基于图像差分与卷积深度置信网络的表情识别

针对传统的人脸表情识别方法中提取表情特征时 没有去除个体性差异及突出表情关键部位的高层次 特征,本文提出一种将图像差分与改进的卷积深度置信网络(CDBN)相结合的表情识别方法 。首先对人 脸表情图片进行裁剪、降维等预处理,之后将各类表情图像与中性表情图像做差分运算提取 各类表情的差 分图像,为了提取表情关键部位的深层次特征,本文将卷积受限玻尔兹曼机(CRBM)的可见层 单元划分为多 个区域,分区进行特征学习,并将此CRBM堆叠起来,形成分区卷积深度置信网络(PCDBN), 之后将各表 情的差分图像作为PCDBN可视层的输入,并利用对比散度算法逐层训练网络,最后在顶层添 加softmax 分类器作为输出层以实现表情识别。在JAFFE和CK+表情库上的实验结果均达到了95%以上的识别率,扩 大训练样本后,在CK+表情库上的识别率可达99%以上。     

基于改进的Mask R-CNN图像篡改取证方法

随着现代科学技术的进步,图像编辑工具的发展极大地降低了篡改所需成本。图像篡改手段有多种,现有的方法往往存在通用性差的问题。同时,这些方法只关注篡改定位而忽略对篡改手段的分类。本文提出一种基于改进的Mask R-CNN两阶段网络模型用于图像篡改取证。在特征提取部分,结合空域富模型(spatial rich model, SRM)和受约束卷积对输入图像进行预处理,再输入到ResNet101前4层中,以建立能够有效体现各种篡改痕迹的统一特征表示。一阶段网络通过注意力区域提议网络(attention region proposal network, A-RPN)检测篡改区域,预测模块实现篡改操作分类和粗略篡改区域定位。继而,一阶段网络得到的定位信息引导二阶段网络学习局部特征以定位出最终的篡改区域。本文所提出的模型能检测3种不同类型的图像篡改操作,包括复制-粘贴、拼接和移除。实验结果表明,本文所提出的方法在NIST16、COVERAGE、Columbia和CASIA数据集的F1值分别达到了0.924、0.761、0.791和0.473,优于传统方法和一些主流深度学习方法。     

Hyperspectral image quality based on convolutional network of multi-scale depth

Hyperspectral imagery has been widely used in military and civilian research fields such as crop yield estimation, mineral exploration, and military target detection. However, for the limited imaging equipment and the complex imaging environment of hyperspectral images, the spatial resolution of hyperspectral images is still relatively low, which limits the application of hyperspectral images. So, studying the data characteristics of hyperspectral images deeply and improving the spatial resolution of hyperspectral images is an important prerequisite for accurate interpretation and wide application of hyperspectral images. The purpose of this paper is to deal with super-resolution of the hyperspectral image quickly and accurately, and maintain the spectral characteristics of the hyperspectral image, makes the spectral separability of the substrate in the original image remains unchanged after super-resolution processing. This paper first learns the mapping relationship between the spectral difference of low-resolution hyperspectral image and the spectral difference of the corresponding high-resolution hyperspectral image based on multiple scale convolutional neural network, Thus, apply this mapping relationship to the input low-resolution hyperspectral image generally, getting the corresponding high resolution spectral difference. Constrained space by using the image of reconstructed spectral difference, this requires the low-resolution hyperspectral image generated by the reconstructed image is to be close to the input low-resolution hyperspectral image in space, so that the whole process becomes a closed circulation system where the low-resolution hyperspectral image generation of high-resolution hyperspectral images, then back to low-resolution hyperspectral images. This innovative design further enhances the super-resolution performance of the algorithm. The experimental results show that the hyperspectral image super-resolution method based on convolutional neural network improves the input image spatial information, and the super-resolution performance of the model is above 90%, which can maintain the spectral information well.     

基于改进MASK R-CNN的舰船目标三维识别

针对二维图像无法表征舰船深度信息、舰船紧密排列识别出现误检等问题,改进了MASK R-CNN的模型方法。首先在目标区域方框和类别预测的基础上,合理重建出三维模型;其次在原始的RPN网络中选取级联的方法增加滑动窗口数量,改善感受野获取信息有限问题;同时增加掩膜分支,在描述舰船目标特征的同时,增加对其轮廓边缘的限制;最后结合非极大值抑制的方法对冗余框进行过滤去除,实现对三维舰船实景目标的识别。进行了仿真实验,对舰船目标识别任务上的性能进行了全面分析,实验结果表明改进后的MASK R-CNN算法相比原始方法,在目标识别准确率上提高了14.8%,证明该方法对三维实景模型目标识别的优越性与准确性。     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于BP神经网络的地震动信号识别

通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别。试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法。     

基于深度神经网络的高校贫困生认定模型

高校贫困生认定工作是当前高校学生管理的重要工作之一。校园一卡通产生了大量的数据,记录着在校大学生消费和学习情况。以深度神经网络为技术依托,建立高校贫困生认定模型。实验证明,该模型具有较高的准确度,为科学构建高校贫困生认定管理体系提供技术支持。     

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。