基于深度学习的运动目标实时识别与定位

针对人体运动目标的实时检测与定位问题,采用深度学习的方法进行研究.在Caffe框架下,采用SSD （Single Shot multibox Detector）检测方法.以VGG16作为基础网络模型,增加额外特征卷积层,提取多尺度的卷积特征.然后对实验数据集进行迭代训练,得到运动目标检测模型.利用训练好的模型,通过2路摄像机检测运动目标,并双目视觉定位.实验结果表明,整个系统运行速度可达40 fps,在10 m×10 m的场景下,平均定位误差在6 cm以内,在速度和精度上均有很好的表现,为大中型场景的人体运动实时检测定位问题提供了有效的解决方案.     

基于ECA-SSD模型的汽车零件缺陷检测

汽车零件对汽车外观、性能以及安全性都有重大影响。由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求。本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差结构替换,并引入避免降维的局部跨通道交互有效的注意力机制ECA模块,在减少模型参数运算量的同时,适当增加通道以提高模型精度,并将注意力放在图像目标上,忽略背景带来的干扰,实现快速又准确的汽车零件缺陷检测。利用本文模型对上汽提供的汽车零件外壁缺陷进行检测,实验结果表明,模型大小仅为15.9 MB,mAP为94.64%,检测每张图片时间为0.013 s,满足汽车工业上的速度和精度的需求。对比性研究表明,本文模型检测精度和速度以及大小较其他目标检测算法VGG-SSD、MobileNetv2-SSD、YOLO v3等有一定的提高和改善。     

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。     

一种基于SSD改进的目标检测算法

SSD(Single Shot MultiBox Detector)是一种基于深度学习的目标检测算法,它作为当前最为主流的检测算法之一,在极大地提高检测速度的同时,还能保证一定的检测精度,但是仍难以满足实际应用的需求。本文在SSD模型的基础上,引入注意力机制,提出一种基于SSD改进的目标检测算法。注意力机制能够有效地提高卷积神经网络对图片特征的提取能力,从而进一步提高算法的检测精度。改进后的算法在Pascal VOC数据集上进行对比试验。实验结果表明,改进后的模型在Pascal VOC2007测试集上的检测精度达到78.5% mAP（mean Average Precision）,比改进前提高4.2个百分点,在Pascal VOC2012测试集上的检测精度达到77.1% mAP,比改进前提高4.7个百分点。     

基于SSD的车辆目标检测

传统的车辆目标检测算法需要为不同的图像场景选择合适的特征，导致泛化能力差。针对此问题，本文提出一种基于SSD（Single Shot MultiBox Detector）的图像车辆检测方法。该方法通过对多个尺度的卷积特征图进行预测来检测车辆，在一定程度上提升车辆的检测精度；找出原SSD方法在训练过程中的小缺陷，通过改进损失函数来优化训练速度。最后结合KITTI数据集进行训练。实验结果表明，该方法对车辆的检测具有较高的识别率，且比传统算法的效果更好。     

感受野特征增强的SSD目标检测算法

SSD (Single Shot multi-box Detector)算法是在不同层的特征图上,进行多尺度对象的检测,具有速度快和精度高的特点.但是,传统SSD算法的特征金字塔检测方法很难融合不同尺度的特征,并且由于底层的卷积神经网络层具有较弱的语义信息,也不利于小物体的识别,因此本论文提出了以SSD算法的网络结构为基础的一种新颖的目标检测算法RF_SSD,该算法将不同层及不同尺度的特征图以轻量级的方式相融合,下采样层生成新的特征图,通过引入感受野模块,提高网络的特征提取能力,增强特征的表征能力和鲁棒性.和传统SSD算法相比,本文算法在精度上有明显提升,同时充分保证了目标检测的实时性.实验结果表明,在PASCAL VOC测试集上测试,准确率为80.2%,检测速度为44.5 FPS.     

基于级联SSD的目标检测算法

针对原始SSD算法对小目标检测效果差而现有改进算法DSSD以及RSSD等检测速度太慢的问题,提出一种基于级联SSD的目标检测算法。在训练时基于Focal Loss和Truncated Gradient改进分类损失函数,增强初始检测效果。在检测时设计小目标强化检测模块与SSD网络级联,单独提取小目标区域对应的高层特征来检测小目标,有效增强对小目标的检测效果。实验结果表明,在PASCAL VOC2007数据集上,与目标检测主流算法SSD相比,具有更高的准确率,与DSSD相比,具有更好的实时性。     

基于改进SSD的视频行人目标检测

针对基于视频行人检测的深度学习检测框架不能充分利用上下帧的运动信息,且计算复杂度较高的问题,提出一种改进的SSD检测框架.框架将SSD的基础特征提取网络VGG—16替换为改进的MobileNet,从而实现计算量的减少,并将GRU与改进的SSD结合以建立帧与帧之间的关联性.实验表明:与传统检测框架相比,所提方法有效提升了...     

基于SSD的小目标检测改进算法

目标检测算法因数据存在分辨率较低、噪声等干扰,不能有效利用特征图中目标的边缘纹理和语义信息,导致小目标检测效果较差.为此,本文提出一种基于SSD的小目标检测改进算法.首先,采用普通卷积和深度可分离卷积进行同步特征学习并融合,获得信息丰富的浅层特征.然后,在固有的5个尺度的特征层后添加通道和空间自适应权重分配网络,使得模...     

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。     

多尺度特征融合的二维编码图像识别

为实现二维编码同时适合机器和人的识读,提出了一种二维编码图像结合的新型二维图像编码技术,并针对该二维编码图像无定位标识的特点,采用目标识别的算法进行识别,同时改进了SSD（Single Shot Multibox Detector）算法使其适用于此类目标识别。该算法针对小目标的识别特点,去掉了原有的空洞卷积层以及选择了浅层的图层进行特征融合,达到了准确识别二维编码图像的效果。此外搭建了基于GTX1080型号的GPU、Ubantu Linux和TensorFlow的深度学习平台,提出了一种网络学习和验证方法,该方法通过电脑生成相应的数据集来训练网络,并采用合成的数据集和真实图片分别对网络进行验证和测试。测试结果表明,该方法训练的网络对具有良好拍照条件的真实图片的编码识别准确率达到100%。     

基于改进密集网络与二次回归的小目标检测算法

基于单激发探测器(SSD)的小目标检测算法实时性较差且检测精度较低.为提高小目标检测精度和鲁棒性,提出一种结合改进密集网络和二次回归的小目标检测算法.将SSD算法中骨干网络由VGG16替换为特征提取能力更强且速度更快的DenseNet,利用基于区域候选的检测算法中默认框由粗到细筛选的回归思想设计串级SSD网络结构,在区...     

基于卷积神经网络的嵌入式手势检测算法

针对嵌入式平台下卷积神经网络运行速度慢,无法快速手势检测的问题,提出一种基于SSD的卷积神经网络的嵌入式手势检测算法,该算法显著提高了手势检测速度,并保持了高精度。首先通过一种预处理方法,对原来的手势数据库进行5倍扩展;然后对SSD算法的基础神经网络层进行卷积因子分解,使用MobileNet神经网络获得了在CPU下的3倍加速;最后通过改变输入图片大小同时改变网络结构,减少了算法的计算复杂度。实验结果表明所提算法在两个数据集上的平均精度均值（Mean Average Precision,mAP）下降2.7%,但是在Qualcomm SnapDragon 820平台下检测一张图片时间可达到0.233 s,检测速度提高40倍以上。     

改进SSD算法的多目标检测

目标检测作为计算机视觉的核心,在人脸识别、人脸跟踪、大规模场景识别等方面具有广泛应用,其中One-stage领域的SSD算法检测速度和检测性能较为突出,但在环境较为复杂的多目标检测情况下仍会出现误检和漏检。针对这一问题,提出一种改进SSD算法的多目标检测方法,通过优化SSD内部网络和提高样本适用性的方式改善检测性能;其中,采用修改网络输出和添加抗旋转层ARConv来统一网络结构,降低模型训练时间,减少漏检;并提出P-NMS算法和限制函数优化训练样本,减少误检;在测试阶段,提出单张图片批量测试方法,有效提高模型召回率。实验结果表明,改进后算法具有更强的鲁棒性,并且能有效降低误检、漏检率提升网络性能。     

基于SSD的粮仓害虫检测研究

为了对粮仓害虫进行有效地检测,减少粮食损失,提出一种基于SSD的粮仓害虫检测方法。该方法利用多个尺度的卷积特征图来检测害虫。通过轻量化模型结构和优化损失函数来提高SSD的训练速度和检测效率。实验将6类高爆发的粮仓害虫图像进行训练和测试,结果表明:该方法相比较于当前主流的目标检测方法在对粮仓害虫检测中具有更高的mAP。     

改进SSD的安全帽检测方法

施工人员佩戴安全帽是安全生产的重要一环,为保障工人生命安全,同时克服传统人工巡检费时费力的缺点,提出了一种基于Single Shot MultiBox Detector(SSD)改进的安全帽检测新方法.针对安全帽数据集内目标尺度偏小,尺度分布不均衡,对SSD模型结构进行改进,添加用以特征融合的分支网络,增强浅层特征图语...     

基于注意力机制和特征融合的SSD目标检测算法

为提高SSD算法对于小目标的检测能力和定位能力,本文提出一种引入注意力机制和特征融合的SSD算法。该算法在原始SSD模型的基础上,通过将全局池化操作作用于高层的不同尺度的特征图上,结合注意力机制筛选出需要保留的信息。为提高对小目标的检测精度,本文引入反卷积和特征融合的方式,提高对小目标的检测能力。通过在PASCAL VOC数据集上的实验表明,该算法有效的提升了对小目标识别的准确率,改善了漏检的情况,大幅度提升了检测精度和算法的鲁棒性。