基于ARM嵌入式平台的车道线检测算法

针对现有车道线检测算法在实际应用中难以平衡检测精度和速度的问题,提出一种全新的基于ARM嵌入式平台的车道线检测算法。首先,设计一个轻量化语义分割网络,在优化SegNet结构的同时在网络第一层加入跳跃连接,并且在每两个卷积层后加入通道注意力机制模块,在保证检测精度的同时提升检测速度。接着,构建卡尔曼滤波车道线跟踪模型,提高检测在视频流中的鲁棒性。然后,重构编码器,对模型轻量化处理,使用深度可分离卷积代替传统的卷积以减少计算成本,提升检测速度。最后,利用TensorRT加速推理,生成Trt模型,方便其部署在ARM嵌入式平台中实现实时车道线检测。在自行制作的Tusimeple扩充数据集上的实验结果表明,所提出的算法能够应对各种复杂交通场景,检测精度达到98.03%,优于其他算法,并且其检测速度达到了50 FSP,满足实时性检测要求。本算法在复杂交通场景下具有较高的鲁棒性和有较好的实时性,具有一定的理论价值和实际应用价值。     

基于深度可分离卷积的实时遥感目标检测算法

针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题,提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析,使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度,以轻量级网络MobileNetv3作为主干网络进行特征提取;此外,基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计,使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%,检测速度提升2.19倍,在UCAS＿AOD,RSOD,DIOR这3个遥感数据集上进行测试,实验结果表明,算法鲁棒性强,能够在保证模型检测精度的同时有效提高检测实时性。     

基于卷积网络通道注意力的人脸表情识别

针对目前人脸表情识别(Facial Expression Recognition, FER)方法准确率低、模型大和识别时间长的问题,提出了一种基于卷积神经网络的通道注意力FER算法,在普通的卷积层中加入Xception网络中的可分离卷积网络,减少参数量和运算成本。在可分离卷积层的输出加入通道注意力Senet,实现对输出通道的权值按重要程度进行重新分配。引入Resnet网络中残差机制,减轻梯度消失现象。对设计的模型分别在CK+,RAF-DB数据集和FER2013数据集进行训练。实验结果显示,在CK+,RAF-DB数据集和FER2013数据集准确率分别提高至99.45%,78.10%和62.65%。模型参数量仅有1.8 MB,识别时间1.24 s。实现了更准、更快、更轻的FER。     

融合卷积注意力机制与深度残差网络的遥感图像分类

针对遥感影像场景数据空间信息丰富,冗余地理特征干扰深度神经网络模型的问题,提出在深度残差网络中引入卷积注意力机制(Convolutional Block Attention Module,CBAM)的策略.为验证深度残差网络引入CBAM的有效性,用经典深度残差网络ResNet50和融合注意力机制的深度残差网络CBAM_...     

用于语音控制的低资源关键词检索系统

基于深度神经网络的低资源条件下关键词检索已经取得了很大的进展，但这些方法仍旧需要较多的参数才能保证模型的精度。为了进一步减少模型的参数量，本文将Squeeze-and-Excitation网络和深度可分离卷积应用在关键词检索任务中。首先利用Squeeze-and-Excitation网络对不同特征通道之间的相互依赖关系建模的能力进一步提升模型的精度，然后通过将标准卷积替换为深度可分离卷积来有效的减少模型所需要的参数。在谷歌语音命令数据集上的实验证明我们的模型可以在保证高精度的同时把参数量限制在一定的范围内。      

基于可变形和深度可分离卷积的立体匹配

针对传统卷积神经网络(convolutional neural network, CNN)在立体匹配过程中存在信息 损失和耗时等问题,提出了基于可变形和深度可 分离卷积的立体匹配算法。在特征提取过程中,利用可变形卷积和可变形卷积核构建残差网 络,完成自适 应学习,扩大有效感受野,从而适应物体的不同形变,获取更详细的特征,减少信息损失, 提高了匹配精 度。在特征聚合阶段,采用深度可分离卷积构建深度可分离聚合网络,在空间维度和通道维 度分别进行卷 积运算,以降低参数量和计算复杂度,保证了匹配实时性。在相关的数据集上进行测试,实 验结果表明, 算法的网络运行时间缩短为1.60 s,在KITTI 2015和 KITTI 2012数据集上三像素错误率分别为2.84%和 2.79%,在SceneFlow数据集上端点误差为1.59 %。相比其他基准网络,减少了网络模型的运算量同时算法精度有很大提升。     

嵌入注意力机制的深度可分离卷积SAR目标识别

深度可分离卷积(Depthwise Separable Convolution, DSC)的应用使得深度学习的网络模型轻量化。在此基础上,提出了嵌入注意力机制的DSC合成孔径雷达(Synthetic Aperture Radar, SAR)目标识别方法。通过将DSC与注意力机制结合,提高网络对目标重要特征的学习能力;将多个DSC进行叠加和并联,设计多尺度网络模块,增强不同深度网络的特征提取能力;通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明,所提方法在网络模型参数量较小的情况下,获得99.0%的平均识别率,具有较强的识别优势。     

面向仓储货物的轻量化目标检测算法

为了实现对仓储环境下货物的精确检测,提出了一种可用于智能仓储机器人的轻量化仓储货物检测方法（EYOLOv4-Lite）。该方法以YOLOv4为基础,引入MobileNetv3重构特征提取网络,在PANet中以深度可分离卷积代替标准卷积,减少模型参数量和运算量。融入改进的convolutional block attention module(CBAM),进一步提升网络检测性能,改进的CBAM采用自适应的一维卷积代替通道注意力模块中的全连接层,采用具有膨胀卷积的残差结构扩大空间注意力模块中的感受野。最后,在RPC商品数据集上进行了网络训练和实验测试,其参数量为11.25 MB,检测时间为14.4 ms,每秒传输帧数达到69.2,平均检测精度为95.43%。实验结果表明,改进后的E-YOLOv4-Lite模型具有精度高、实时性好和轻量化的优点,能够更好地满足仓储环境中的货物检测需求。     

一种基于高效残差分解网络的车道线检测方法

为提升自动驾驶系统车道线检测的速度,提出了一种利用卷积神经网络进行特征提取,结合分类网络实现多车道线虚实线分类的方法。使用高效残差分解网络(efficient residual factorized ConvNet,ERFNet) 对图像进行卷积操作和下采样,采用无瓶颈一维卷积残差结构,利用纵、横两个方向一维卷积穿插提升非线性函数的泛化性能,依据可变填充比获得多尺度上下文信息完成图像特征提取。基于反卷积与上采样结果进行特征解码,恢复原图像尺度并输出分割后的图像。相较于传统语义分割算法,本方法可减少大量特征参数,增强模型的学习能力,在提升检测速度的同时保证检测精度。在直行、转弯、上坡、下坡,道路颠簸,光照不均匀等工况下的仿真测试实验表明,本文方法检测精度可达到95.14%,检测速度较主流算法有较好提升。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

基于编码-解码网络的车道线检测算法

为解决在车道线磨损、被遮挡以及光照变化等复杂场景中车道线检测精度较低的问题，提出了一种基于编码-解码网络的车道线检测算法。首先，对Resnet18网络进行改进和优化，组成编码网络；然后，结合ASPP模块和金字塔注意力机制组成解码网络，对图像进行像素级的语义分割，识别并区分车道线；最后基于自适应拟合算法拟合车道线。在Tusimple公开数据集上进行训练和测试，结果表明，该算法的准确率、检测速率、误检率和漏检率分别为：96.45%、35帧/秒、2.59%、1.41%,在复杂场景下的检测精度较高，鲁棒性较强。     

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YOLOX目标检测模型轻量级裁剪

卫星对目标的实时检测广泛应用于民用与军用领域,但星载平台的处理内存与计算能力普遍有限,对检测算法的要求更高,传统的目标检测算法难以满足需求。基于此,借鉴MobileNet v3网络模型的可分离卷积思想、逆残差结构思想、通道注意力机制轻量化裁剪YOLOX网络模型,同时基于可分离卷积结构裁剪优化模型的特征金字塔模块,降低模型参数量,提出一种嵌入式平台实时处理的目标检测算法。与原YOLOX相比,实验结果表明,在保证识别精度99.12%的前提下网络模型的参数量减少了20倍左右,改进后的轻量级网络模型在嵌入式平台上检测速度可达30帧/s,平均检测精度为92.54%,为实现嵌入式平台实时目标识别提供了理论支撑。     

融合多尺度信息和跨维特征引导的轻量行人检测

针对复杂道路场景下行人检测精度与速度难以提升的问题,提出一种融合多尺度信息和跨维特征引导的轻量级行人检测算法。首先以高性能检测器YOLOX为基础框架,构建多尺度轻量卷积并嵌入主干网络中,以获取多尺度特征信息。然后设计了一种端到端的轻量特征引导注意力模块,采用跨维通道加权的方式将空间信息与通道信息融合,引导模型关注行人的可视区域。最后为减少模型在轻量化过程中特征信息的损失,使用增大感受野的深度可分离卷积构建特征融合网络。实验结果表明,相比于其他主流检测算法,所提算法在KITTI数据集上达到了71.03%的检测精度和80 FPS的检测速度,在背景复杂、密集遮挡、尺度不一等场景中都具有较好的鲁棒性和实时性。     

基于深度学习的车道线激光精准检测方法研究

车道线检测是智能辅助驾驶的核心问题，研究基于深度学习的车道线激光精准检测方法，提高车道线检测精度。将激光雷达安装在待检车辆上，用来扫描物体返回脉冲，通过激光雷达的回波脉冲宽度提取车道线与路面区分度的特征，结合深度学习方法，构建新型多尺度全卷积神经网络的车道线检测模型，融合特征图对车道线分割，实现车道线精准检测。实验结果表明，在多场景条件下，本方法的漏检率、误检率均低于传统方法，平均检测合格率96%,交互比也远远高于传统方法，平均耗时低至51 ms,且变化态势平稳，说明本方法在不同场景中车道线图像分割处理效果较好，车道线的检测效率较高，车道线检测的精度较高。     

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法

针对交通场景语义分割算法中存在的易融入周围背景的纤细条状目标分割不连续、模型参数量大等问题,提出一种融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法。首先,基于深度卷积构建多尺度条形特征提取模块,在不同尺度下增强对纤细条状目标特征的表示能力。其次,在浅层网络中利用卷积归纳偏置特性设计空间细节辅助模块,以弥补深层空间细节信息的丢失来优化目标边缘分割。最后,提出基于Transformer-CNN框架的非对称编解码网络,编码器结合Transformer与CNN减少细节信息丢失并降低模型参数量;而解码器采用轻量级的多级特征融合设计来进一步建模全局上下文。所提算法在Cityscapes和Cam Vid交通场景公开数据集上分别取得的平均交并比为78.63%和81.06%,能够在交通场景语义分割中实现分割精度和模型大小之间的权衡,具备良好的应用前景。     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。