基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于OpenPose的摔倒行为检测技术研究

针对摔倒检测难、检测精度低、误检率高等问题提出了一种基于骨骼姿态关键点和卷积神经网络的摔倒检测算法.该算法通过OpenPose对连续n帧中的运动目标进行关键点检测,以VGG预训练网络作为骨架,对运动目标进行姿态特征提取,并将所提取的姿态特征以支持向量机的方法进行分类实验,有效区分坐、躺、蹲等与摔倒相似的行为.测试所使用的数据集包括一系列自建摔倒视频并结合包括走、蹲、躺、坐、跳等五种非摔倒行为.检测结果的灵敏度为96.52％,特异性为96.37％,相比同类检测算法有较大提升.     

基于图的语义网络构造算法研究

在自然语言处理的基础上,将中医领域本体与图的基本性质相结合,提出了构造中医诊疗知识语义网络算法。给出了图的基本性质、语义网络的图定义,并为知识的网络表示建立了相应的数据结构。将算法用于中医领域语义网络和语义场构建。试验结果表明,该算法具有较好的实用性。提出的基于图的语义网络构造算法,对于文本挖掘、知识获取技术研究有重要意义,也是中医专家知识获取的有效方法。     

粗糙集理论及其在图像处理中的应用*

首先描述了粗糙集理论的基本概念,包括粗糙集知识表示方法和粗糙集约简理论;叙述了粗糙集理论及其与其他非线性理论相结合在图像处理中的应用情况;最后指出了粗糙集理论应用于图像处理的基本思路,并指出将粗糙集理论与其他非线性理论相结合应用于图像处理,将会产生更加有效的结果.     

基于时间序列模式表示的异常检测算法*

提出了一种基于时间序列的模式表示提取时间序列异常值的异常检测算法(PREOV).时间序列的模式表示本身就具有压缩数据、保持时间序列基本形态的功能,并且具有一定的除噪能力.在时间序列模式表示的基础上提取异常值,可以大大提高算法的效率和准确性,达到事半功倍的效果.在本算法中,还使用了一定的剪枝策略,使得算法的时间复杂度进一步降低.该算法计算简单、实现方便、无须训练,可以支持时间序列的动态增长.     

基于稀疏表示的遥感图像超分辨率重建

根据稀疏定理,首先对遥感图像数据进行训练,得到高分辨率图像块字典与低分辨率图像块字典,然后利用低分辨率图像块字典求出稀疏表示系数,最后根据稀疏表示系数得到超分辨率重建图像.结果可以看出,经过改进后,重建图像的客观评价指标更优.     

基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.     

基于卷积神经网络的苹果分级算法研究∗

针对传统水果分级方式容易损伤水果表面且分级准确率低的问题,以苹果分级为例,提出了一种基于卷积神经网络的苹果分级算法,并分析比较多种卷积神经网络模型,分别用各网络模型训练一个卷积神经网络并对同一测试集图像样本进行分级试验,其中DFNet模型在苹果的一级果、二级果和三级果的分级上,表现出了97％ 左右的分级准确率,达到了良好的分级效果.     

机床故障诊断系统知识表示的研究

针对所研究的机床故障诊断专家系统，以故障树分析法为基础，采用面向对象的事件知识表示方法。并以面向对象编程技术给出了知识表示的示例。分析了这种知识表示方法的特点。实践证明，这种知识表示方法在故障诊断专家系统中是确实有效的，而且这种表示方法融合了多种传统知识表示方法的长处，是一种值得研究与应用的方法。