基于深度学习的目标检测算法综述

目标检测是高级视觉研究领域的重要前提,是计算机视觉研究的核心问题.深度学习拥有强大的自学习能力,将其运用至目标检测领域能够在一定程度上弥补了传统检测方法的不足.首先介绍了传统目标检测方法面临的困境;然后对两阶段深度学习算法和单阶段深度学习算法分别进行介绍;最后对基于深度学习的目标检测算法的发展进行总结,并对未来前景进行...     

基于深度学习的织物缺陷在线检测算法

织物缺陷在线检测是纺织行业面临的重大难题，针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题，提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构，并参考其他分类模型的经典算法，搭建出适用于实际生产环境的织物缺陷分类模型；其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库，并用该数据库对织物缺陷分类模型进行训练；最后对高清相机在织物验布机上采集的图片进行分割，并将分割后的小图以批量的方式传入训练好的分类模型，实现对每张小图的分类，以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明：织物缺陷分类模型平均每张小图的测试时间为0.37 ms，平均测试时间比GoogLeNet减少了67%，比ResNet-50减少了93%；同时模型在测试集上的正确率达到99.99%。说明其准确率与实时性均满足实际工业需求。     

基于深度学习的X射线鞋底异物检测系统

在服饰鞋厂的加工生产过程中经常会出现断针现象,残留在鞋子里的多余断针等金属异物会威胁人们的人身安全.针对这一问题,本文提出了一种基于深度学习的鞋底金属异物检测系统.首先,将鞋子依次放在传送带上送入检针机,经过X光照射采集图像.之后对采集到的图像进行预处理操作,使金属异物变得清晰.最后通过深度学习网络模型识别当前图像是否...     

基于深度学习的目标检测算法综述

深度学习目前已广泛应用到各个领域,目标检测是计算机视觉领域中的基础问题。针对传统目标检测算法存在的效率低、鲁棒性差等问题,基于深度学习的目标检测算法很好地提高了目标检测效率,成为主流趋势。论文对一些典型的基于深度学习的目标检测算法进行了综述,主要分为基于区域思想和基于回归思想两方面,对算法结构进行了分析和对比,最后对基于深度学习的目标检测算法的发展进行了展望。     

基于深度神经网络和联邦学习的网络入侵检测

在高速网络环境中,对复杂多样的网络入侵进行快速准确的检测成为目前亟待解决的问题。联邦学习作为一种新兴技术,在缩短入侵检测时间与提高数据安全性上取得了很好的效果,同时深度神经网络（DNN）在处理海量数据时具有较好的并行计算能力。结合联邦学习框架并将基于自动编码器优化的DNN作为通用模型,建立一种网络入侵检测模型DFC-NID。对初始数据进行符号数据预处理与归一化处理,使用自动编码器技术对DNN实现特征降维,以得到DNN通用模型模块。利用联邦学习特性使得多个参与方使用通用模型参与训练,训练完成后将参数上传至中心服务器并不断迭代更新通用模型,通过Softmax分类器得到最终的分类预测结果。实验结果表明,DFC-NID模型在NSL-KDD与KDDCup99数据集上的准确率平均达到94.1%,与决策树、随机森林等常用入侵检测模型相比,准确率平均提升3.1%,在攻击类DoS与Probe上,DFC-NID的准确率分别达到99.8%与98.7%。此外,相较不使用联邦学习的NO-FC模型,DFC-NID减少了83.9%的训练时间。     

基于深度学习的智能录波器远程运维入侵检测

智能录波器在电力继电保护系统实时监测中应用广泛,传统基于规则的防御方法不能够满足电网系统日益增长的防御需求,针对这一问题,提出一种基于深度学习的智能录波器远程运维入侵检测方法。实验结果表明,基于神经网络的智能录波器远程运维入侵检测方法可以高效、准确地完成针对智能录波器远程运维的入侵检测,保障其远程运维的安全性和可靠性。     

基于深度学习的计算机网络入侵检测方法

针对常规计算机网络入侵检测方法存在检测精准度低的问题,设计基于深度学习的计算机网络入侵检测方法。首先,提取计算机网络入侵维度特征;其次,基于深度学习构建网络入侵检测模型;最后,进行对比实验。实验结果表明,该方法的检测精准度更高,且有推广价值。     

基于深度学习的入侵检测模型综述

随着深度学习技术的不断深入发展,基于深度学习的入侵检测模型已成为网络安全领域的研究热点。对网络入侵检测中常用的数据预处理操作进行了总结;重点对卷积神经网络、长短期记忆网络、自编码器和生成式对抗网络等当前流行的基于深度学习的入侵检测模型进行了分析和比较;并简单说明了基于深度学习的入侵检测模型研究中常用的数据集;指出了现有基于深度学习的入侵检测模型在数据集时效、实时性、普适性、模型训练时间等方面存在的问题和今后可能的研究重点。     

基于深度学习的目标检测算法综述

传统目标检测算法大多基于滑动窗口和人工特征提取,存在计算复杂度高和在复杂场景下鲁棒性差的缺点。近年来,研究人员将深度学习技术应用于目标检测领域,显著提高了算法性能。相比传统算法,基于深度学习的目标检测算法具有速度快、准确性高和在复杂条件下鲁棒性强的优点。从评价指标、公开数据集、传统算法框架等方面对目标检测任务进行阐述,按照是否存在显式的区域建议和是否定义先验锚框两种分类标准,对现有基于深度学习的目标检测算法进行分类,分别介绍算法的演进路线并总结算法机制、优势、局限性及适用场景。在此基础上,分析对比代表性算法在公开数据集中的表现,并对基于深度学习的目标检测的未来研究方向进行展望。     

基于深度学习的图像风格化算法研究综述

随着人工智能时代的到来,深度学习一词也逐渐走进大众的视野,一些基于深度学习神经网络的图像处理方法也随之产生,图像风格化作为其中一个重要的分支也获得了广泛的关注。目前,研究学者提出了很多基于深度学习的图像风格化算法,而且都能较好地完成风格化任务。全面概述了深度学习在图像风格化领域的进展,对比了不同算法之间的优劣,最后探讨了当前基于深度学习的图像风格化研究的局限性及未来的研究方向。     

基于深度学习的网络入侵检测技术研究

随着互联网技术的不断进步,日益增加的网络规模给网络安全带来了新的挑战。深度学习具有处理高纬度海量数据的能力,因此将深度学习用于网络入侵检测成为学者研究的重点。基于此,首先介绍了当前的网络安全形势和入侵检测概念,其次分析了基于深度学习模型的网络入侵检测的实验过程,最后阐述了当前研究存在的问题以及解决这些问题的措施。     

基于PCA与深度学习的表情识别算法

针对传统特征提取主观性强、识别率不高,而现有卷积神经网络层数较多、规模过大、结构不够轻量化等问题,提出一种结合主成分分析(PCA)和卷积神经网络的人脸表情识别方法。使用主成分分析对数据集原始图片进行降维重构,去除与面部表情无关的冗余信息,将图像进行数据增强之后作为输入图像输入到改进神经网络模型进行识别。该网络在输入层加入一层非线性表示层,并在全连接层前采用全局平均池化保留局部信息,结构较为轻量,参数量少。在公开的数据集FER2013、JAFFE中进行实验,并且对实验结果进行分析。实验结果表明,该方法在FER2013和JAFFE数据集的准确率达到了69.07%和98.23%。所提方法有效地提高人脸识别的性能,为人脸表情识别领域改进识别率方向提供了一个思路。     

基于集成深度森林的入侵检测方法

基于卷积神经网络(CNN)的入侵检测方法在实际应用中模型训练时间过长、超参数较多、数据需求量大。为降低计算复杂度,提高入侵检测效率,提出一种基于集成深度森林(EDF)的检测方法。在分析CNN的隐藏层结构和集成学习的Bagging集成策略的基础上构造随机森林(RF)层,对每层中RF输入随机选择的特征进行训练,拼接输出的类向量和特征向量并向下层传递迭代,持续训练直至模型收敛。在NSL-KDD数据集上的实验结果表明,与CNN算法相比,EDF算法在保证分类准确率的同时,其收敛速度可提升50%以上,证明了EDF算法的高效性和可行性。     

基于改进深度学习的主动式通信网络入侵行为自适应识别算法

针对外界参数变化较大时会严重影响识别准确率的问题,设计一种基于改进深度学习的主动式通信网络入侵行为自适应识别算法。归一化主动式通信数据,将卷积神经网络和BGRU进行结合,构建一个端到端检测攻击的改进型的循环神经网络,优化激活函数与逻辑回归分类器,稳定且自适应地识别主动式通信网络入侵行为。实验结果表明,所提算法在卷积核大小和学习率改变的情况下仍能保持较高的识别准确性,主动式通信网络入侵行为的识别结果具有自适应性。     

基于深度学习的轻量型人体动作识别模型

针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题,提出了一种轻量型的双流融合深度神经网络模型并将该模型应用于人体动作识别。该模型将浅层多尺度网络和深度网络相结合,实现了模型参数量的大幅减少,避免了网络过深的问题。在数据集UCF101和HMDB51上进行实验,该模型在ImageNet预训练模式下分别取得了94.0%和69.4%的识别准确率。实验表明,相较于现有大多基于深度学习的人体动作识别模型,该模型大幅减少了参数量,并且仍具有较高的动作识别准确率。     

基于深度学习的井下巷道行人视觉定位算法

自主驾驶矿井机车需要实时检测和定位行驶前方的巷道行人,激光雷达等非视觉类方法成本高昂,而传统基于特征提取视觉类方法无法解决井下光照差且光线不均匀的问题。提出一种基于深度学习的井下巷道行人视觉定位算法。首先给出基于深度学习网络的系统整体结构;其次,搭建目标检测多层卷积神经网络（CNN）,生成自主驾驶机车前方视野范围内行人的二维坐标及边界框的尺寸;再次,通过多项式拟合计算出图像中行人到机车之间的第三维距离;最后通过真实样本集实施模型训练、验证与测试。实验结果表明,所提算法的检测准确率达94%,速度达每秒25帧,测距误差小于4%,实现了实时高效的巷道行人视觉定位。     

基于深度学习的桥梁裂缝检测算法研究

传统的图像处理算法不能很好地对桥梁裂缝进行检测,而经典的深度学习模型直接用于桥梁裂缝的检测,效果不甚理想.针对这些问题,本文提出了一种基于深度学习的桥梁裂缝检测算法.首先,利用滑动窗口算法将桥梁裂缝图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于卷积神经网络（Convolutional neural networks,CNN）的DBCC（Deep bridge crack classify）分类模型,用于桥梁背景面元和桥梁裂缝面元的识别.然后,基于DBCC分类模型结合改进的窗口滑动算法对桥梁裂缝进行检测.最后,采用图像金字塔和感兴趣区域（Region of interest,ROI）结合的搜索策略对算法进行加速.实验结果表明：与传统算法相比,本文算法具有更好的识别效果和更强的泛化能力.