基于融合FPN和Faster R-CNN的行人检测算法

针对多尺度行人检测的问题,本文提出一种基于融合特征金字塔网络（Feature pyramid networks,FPN）和Faster R-CNN(Faster region convolutional neural network)的行人检测算法。首先,对FPN和区域建议网络（Region proposal networks,RPN）进行融合;然后,对FPN和Fast R-CNN进行融合;最后,在Caltech数据集、KITTI数据集和ETC数据集上分别对融合FPN和Faster R-CNN的行人检测算法进行训练和测试。该算法在Caltech数据集、KITTI数据集和ETC数据集上的mAP (mean Average Precision)分别达到69.72%, 69.76%和89.74%。与Faster R-CNN相比,该算法不仅提高了行人检测精度,而且在多尺度行人检测的问题上也获得了较为满意的检测效果。     

基于改进Faster R-CNN的瓶装饮料商品目标检测方法

该文以无人售货机售卖瓶装饮料商品为研究场景,提出一种基于改进Faster R-CNN算法的瓶装饮料商品目标检测方法.首先,采用残差网络ResNet-50进行特征提取,加深网络对目标特征的提取和学习的深度;然后,根据瓶装饮料商品形态学特征,增加区域建议网络(Regional Proposal Network)的锚框数量和...     

迭代Faster R-CNN的密集行人检测

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,有效解决非极大值抑制（NMS）算法及其改进在选择精确度和召回率之间平衡点的难题。同时利用递归金字塔结构（RFP）进一步增强模型提取特征能力。在具有挑战性的WiderPerson和CrowdHuman数据集上进行训练和验证,实验结果表明,该模型相比Faster R-CNN在精度和召回率显著提升的同时,漏检率也明显降低。尤其在WiderPerson数据集上召回率、精度、漏检率等性能指标分别达到了97.65%、91.29%、40.43%的SOTA结果。     

基于SENet改进的Faster R-CNN行人检测模型

随着无人驾驶和智能驾驶技术的发展,计算机视觉对视频图像检测的实时性和准确性要求也越来越高.现有的行人检测方法在检测速度和检测精度两个方面难以权衡.针对此问题,提出一种改进的Faster R-CNN模型,在Faster R-CNN的主体特征提取网络模块中加入SE网络单元,进行道路行人检测.这种方法不仅能达到相对较高的准确率,用于视频检测时还能达到一个较好的检测速率,其综合表现比Faster R-CNN模型更好.在INRIA数据集和私有数据集上的实验表明,模型的mAP最好成绩能达到93.76%,最高检测速度达到了13.79 f/s.     

基于改进Faster R-CNN的小目标检测算法

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失,从而导致小目标检测效果较差的问题,提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架,使用高频增强后的图像和对比度增强后的图像作为算法输入样本,提高了待检测图像质量;针对总像素面积较小的目标,更改RPN网络中的锚点尺度,并利用多尺度卷积特征融合的方法,融合来自不同特征层的特征,解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明,所提算法在DAGM 2007数据集上具有良好的性能,平均精度均值mAP达到了97.9%,在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。     

基于改进Faster R-CNN的嘴部检测方法

在通过嘴部进行人机交互的场景下,外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源,提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测,首先将同一卷积块不同卷积层输出的特征图结合,然后对不同的卷积块按元素进行求和操作,在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征,从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明,相比于原始的Faster R-CNN,对嘴部的检测准确率提高了8%,对环境的适应性更强.     

基于改进Faster R-CNN的交通标志检测研究

针对交通标志检测研究中,存在检测小目标精度不高的问题,运用Faster-RCNN的网络结构并进行改进,提出一个融合多尺度特征,并将融合的信息送进分类回归层的方法,以适应交通标志的定位与分类。仿真结果表明,改进的Faster R-CNN检测交通标志的准确率、召回率和F1值有提高。     

基于改进Faster R-CNN的热轧带钢表面缺陷检测

热轧带钢是钢铁行业的重要产品,其表面缺陷是影响产品质量的重要因素。针对传统缺陷检测算法存在的过程繁琐、精度不足和效率低下等问题,提出一种基于改进更快速区域卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)的检测算法,实现对热轧带钢表面缺陷的高效、高精度检测。首先,采用特征相加的方法对底层细节特征和高层语义特征进行融合;然后,采用精准的感兴趣区域池化(precise region of interest pooling, Precise ROI Pooling)获取固定大小的特征向量,避免特征出现位置偏差;最后,利用均值偏移聚类算法对带钢数据集进行聚类,获得适用于热轧带钢表面缺陷检测的先验框尺寸。实验结果表明,所提算法在热轧带钢表面缺陷检测数据集上的平均精度均值达到了85.34%,检测速度为23.5帧/s,且鲁棒性良好,满足实际的工业检测需求。     

改进Faster R-CNN的道路目标检测

针对道路场景下各目标尺度复杂导致的检测精度低问题,提出一种面向道路目标的多尺度Faster R-CNN算法。分析数据集标注的面积及长宽比分布以设置合适尺寸的锚框,提高锚框与目标的匹配度,模型对道路小目标的平均精准度提升了13%以上。在Faster R-CNN网络的特征提取部分加入特征金字塔结构,融合不同尺度特征图的信息提高检测性能。在BDD100K数据集下进行实验,结果表明该方法与原有Faster R-CNN模型相比检测速率稍有下降,mAP得分提升15.1%。     

基于改进的Faster R-CNN的古建筑地砖缺陷检测

缺陷检测对于古建筑的保护和修缮具有重要的意义,传统的地砖缺陷检测通过目视检查,存在受人力影响大、耗时长等限制.基于深度学习的良好应用前景,建立故宫地砖缺陷的数据集,提出改进型Faster R-CNN的网络.首先,构建可变形卷积,通过网络学习并提取地砖中的缺陷特征;然后,将特征图输入区域生成网络中生成候选区域框,将生成的...     

基于改进Faster R_CNN的苹果叶片病害检测模型

在实际条件下,苹果叶片病害图像背景复杂且病斑较小,难以进行实时检测。针对该问题,提出一种改进的Faster R_CNN模型。通过特征金字塔网络将具有细节信息的浅层特征和具有语义信息的深层特征融合,以提取丰富的苹果叶片病害特征。同时采用精确感兴趣区域池化,避免感兴趣区域池化中2次量化操作对病斑较小的苹果叶片病害造成像素偏差。实验结果表明,该模型能对自然条件下5种苹果叶片病害进行有效检测,平均精度均值达82.48%,与Faster R_CNN、YOLOv3和Mask R_CNN模型相比,其平均精度均值分别提高了6.01、14.12和5.06个百分点。     

基于改进Faster R-CNN的面板缺陷检测算法

针对面板表面缺陷检测存在精度低、效率低等问题,提出了一种基于Faster R-CNN的优化缺陷检测的算法.该方法通过在特征融合层添加不降维的局部自适应跨通道卷积,以增加通道交叉的特征映射;且在骨干特征提取网络后加入CBAM注意力网络,从而捕获特征图的长期特征依赖关系.并分析了缺陷数据集样本宽高比的差异性,设定锚框生成大...     

基于改进Faster R-CNN的近红外夜间行人检测方法

为了解决近红外夜间行人检测中传统行人检测方法识别速度慢、准确率低的问题,提出了一种改进的快速区域卷积神经网络(Faster R-CNN)夜间近红外行人检测方法.为了提取更深层次的图像信息,将特征提取网络设计为ResNet-50;统计目标的纵横比,引入附带目标比例的加权锚点框机制;对多层次的特征图进行特征图融合.在自建夜...     

基于改进的Faster R-CNN的通用目标检测框架

针对当前基于深度学习的检测器不能有效检测形状不规则或长宽相差悬殊的目标的问题,在传统Faster R-CNN算法的基础上,提出了一个改进的二阶段目标检测框架——Accurate R-CNN.首先,提出了新的交并比(IoU)度量——有效交并比(EIoU),通过提出中心度权重来降低训练数据中冗余包围框的占比.然后,提出了一...     

基于Faster R-CNN的设备故障检测与识别

现阶段环境检测设备故障频发,需要自动判断该设备是否发生故障,虽然在设备机房中该设备没有触发设备报警装备,但是监测数据仍然超出了正常工作范围,导致检测数据出错.为了解决这一类设备故障问题,提出了基于Faster R-CNN的故障检测与识别的方法,通过对人工标注的图片数据进行卷积特征训练,得到了用于该场景下开关、指示灯、数字仪器三种设备的检测识别模型.实验表明,Faster R-CNN算法对不同拍摄角度、有遮挡物、不同光照条件下的这三种设备的故障检测都能得到理想的效果,也能基本达到实时监测的速率.     

基于多尺度特征融合的小尺度行人检测

随着无人驾驶技术的蓬勃发展,针对行人的检测成为一大难点,同时也是热点研究问题。而针对传统行人检测框架(One-stage和Two-stage等)对小尺度行人检测效果不佳的问题,本文在FPN网络基础上尝试了新的策略,致力于提高视频序列不同尺度行人的识别精度。算法先通过ResNet50提取特征,并采用FPN进行多尺度特征融合,同时利用RPN产生推荐区域,最后Fast RCNN对RPN产生的推荐区域实现分类与回归,经过非极大值抑制后处理等到最终结果。实验结果表明,本文基于FPN构建的行人检测算法,在CityPersons数据集上达到了11.88%MR,比基准模型Adapted Faster RCNN在小尺度行人检测上有较大提升,相比于传统检测框架能更好的检测不同尺度的行人。该技术可以广泛应用在智能视频监控,车辆辅助驾驶等领域中。     

面向设备开关图像识别的改进Faster R-CNN

在大型工业厂房中,由于设备控制开关种类繁多、数量庞大,在日常的运维过程中,操作规程的繁杂性和人为判断的主观性可能导致操作失误,造成严重后果.为辅助操作人员准确判断设备开关状态是否正确,提出了面向设备开关状态识别的改进Faster R-CNN.首先,使用膨胀残差网络作为特征提取网络,在ResNet50中引入多分支膨胀卷积,融合不同感受野的信息;其次,改进特征金字塔网络,在原网络上增加一条自底向上的特征增强分支,融合多尺度的特征信息;然后,使用K-means++算法对开关边界框聚类,设计适合设备开关的候选框尺寸;最后,使用Soft-NMS代替非极大值抑制算法NMS来降低开关重叠对检测效果的影响,增强抑制重叠候选框的能力.在开关状态数据集上,改进Faster R-CNN的均值平均精度(mAP)达到了91.5%,并且已实际应用于抽水蓄能电站日常运维的设备开关状态辅助识别,满足复杂场景下的智能监管需求.     

基于Faster RCNN的行人检测方法

借鉴目标识别领域的快速区域卷积神经网络(Fast RCNN),提出了基于Faster RCNN的行人检测方法,利用CNN提取图像特征,通过聚类和构建区域建议网络(RPN)提取可能含有行人的区域,利用检测网络对目标区域进行判别和分类,并在INRIA数据集中进行了测试验证。实验结果表明:相比基于可变形的组件模型(DPM)的行人检测方法,提出的方法,在测试集上检测准确度达到92. 7%,相比现有的其他方法,其检测效果更好。     

Faster R-CNN模型在车辆检测中的应用

针对传统机器学习方法在车辆检测应用中易受光照、目标尺度和图像质量等因素影响,效率低下且泛化能力较差的问题,提出一种基于改进的较快的基于区域卷积神经网络（R-CNN）模型的车辆检测方法。该方法以Faster R-CNN模型为基础,通过对输入图像进行卷积和池化等操作提取车辆特征,结合多尺度训练和难负样本挖掘策略降低复杂环境的影响,利用KITTI数据集对深度神经网络模型进行训练,并采集实际场景中的图像进行测试。仿真实验中,在保证检测时间的情况下,相对原Faster R-CNN算法检测精确度提高了约8%。实验结果表明,所提方法能够自动地提取车辆特征,解决了传统方法提取特征费时费力的问题,同时提高了车辆检测精确度,具有良好的泛化能力和适用范围。     

改进Faster R-CNN的目标检测算法

考虑到目标检测任务中由于目标尺寸大小、形态、遮挡和照明条件的巨大差异,论文对Faster R-CNN算法进行改进.首先,选择残差网络ResNet-101作为特征提取网络;其次,受Mask R-CNN中RoI Align的启发,引入RoI Align单元并结合双线性插值的方法保留浮点数以提高检测精度;最后采用soft-N...