YOLO-K模型多目标检测算法研究

针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法。首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层上增加输出层,得到改进的YOLO-K模型,并通过数据集进行测试验证。实验结果表明,YOLO-K模型在检测有遮挡、多目标、光线较暗图像的目标时,相较于YOLO v3算法,检测精度有明显的提高。     

基于FCM聚类和卷积神经网络的跌倒识别算法

为了提高传统跌倒检测系统的识别准确度和运算速度,减小误报率和漏报率,本文提出了一种基于模糊C均值（Fuzzy C-means, FCM）聚类算法和卷积神经网络算法的实时跌倒检测算法。该算法以深度视觉传感器为数据获取源,提取聚类中心点速度、高度、加速度以及夹角为跌倒识别特征向量,采用阈值分析和机器算法相结合的方式实现人体跌倒识别。实验表明,该算法的识别精度达到99%,运算速度为0.178 s,相对于传统算法具有更高的识别精度和运算速度。     

一种面向跨项目软件缺陷预测的特征过滤与实例迁移框架

在跨项目软件缺陷预测中,源项目与目标项目的特征关联度与实例分布差异性是影响预测模型性能的主要因素。本文从特征过滤与实例迁移2个角度出发,提出一种跨项目软件缺陷预测框架KCF-KMM(K-medoids Cluster Filtering- Kernel Mean Matching)。在特征过滤阶段,该方法基于K-medoids聚类算法来筛选特征子集,过滤与目标项目关联度低的特征。在实例迁移阶段,通过KMM算法计算源项目与目标项目实例间的分布差异度,以此分配每个训练实例的影响权重。最后,结合目标项目中少量有标注数据建立混合缺陷预测模型。为了验证KCF-KMM的有效性,本文从准确率和F1值的角度出发,分别与经典的跨项目软件缺陷预测方法TCA+、TNB和NNFilter相比,KCF-KMM的预测性能在Apache数据集上可以分别提升34.1%、0.8%、21.1%和14.4%、3.7%、10.6%。     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

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,使得模型更关注通道和空间的重要特征信息。最后,将候选目标框进行非极大抑制筛选得到检测结果。通过将改进的方法与Faster RCNN、SSD等方法在VOC2007数据集上测试结果进行比较,该方法降低了小目标的误检率,提升了整体目标的精度,所提模型mAP达到了78.94%,比SSD网络提高了3.13%。     

基于改进YOLOv3的车辆尾灯检测方法

在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题。Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强。因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数。针对K-means聚类算法存在k值难以确定以及对初始聚类中心敏感的问题,本文使用K-means+〖KG-*3〗+聚类算法获取anchor值,同时结合IOU距离度量指标。实验结果表明,改进后的YOLOv3网络上尾灯检测的准确率和检测速度都要高于改进前的,mAP由79.63%提高到89.32%,单张图片检测时间由0.014 s缩短到0.01 s。对比其他主流目标检测框架,本文改进的YOLOv3模型具有优越的检测性能。     

DF-SSD:一种基于反卷积和特征融合的单阶段小目标检测算法

针对经典的单阶段多目标检测算法SSD对小目标物检测效果差的问题,提出DF-SSD算法,其核心技术贡献包括基于反卷积与特征融合的方法和改进后的先验框尺寸计算算法。反卷积与特征融合能够增加浅层特征层的语义信息。改进后的先验框尺寸计算引入了数据集的特点,能有效利用每一个先验框进行训练和预测。改进后的方法DF-SSD与基于SSD改进的R-SSD和RSSD模型相比,具有较高的检测准确率。同时,DF-SSD的检测时间仅是R-SSD的1/2,是DSSD的1/5。改进后的方法在VOC2007和DIOR这2个数据集上的MAP比SSD分别提升了1.4和3.6个百分点。其中ship、vehicle、windmill、cat这4类小目标的MAP分别提升了23.2、12.6、8和4.8个百分点。结果表明：DF-SSD方法有效提高了小目标物的检测正确率,并且具有较快的检测速度。     

融合注意力机制的无锚点森林火灾检测算法

森林火灾、野火是一个重大的自然灾害问题,每年全球各地植被都会受到严重的破坏。为了提高森林火灾的防控精度,针对传统方法具有火灾背景复杂、准确率低、效率低等问题,本文提出一种基于CenterNet的森林火灾检测算法。CenterNet作为一种无锚的方法,将目标定义为一个点,通过关键点估计定位目标的中心点,可以有效避免小目标的漏检。同时基于高效深层特征提取网络ResNet50,融合ECA模块以抑制无用信息,增加模型的特征提取能力。在公开森林火灾数据集上进行实验表明,与其他算法相比,本文提出的森林火灾检测算法误检率低,识别精度达到92.39%,F1值为0.86,Recall值为79.75%,FPS为43.31。本文提出的方法检测精度高,可满足实时检测森林火灾和实施精准施救的要求。     

面向协作式自动泊车的场端单目视觉测距系统

在协作式自动泊车的实现过程中,较为关键的一点是停车场全局范围内相关车辆的识别与定位,因此本文提出一种应用于场端基于单目视觉的车辆识别与定位方法。首先,考虑基础设施停车场的特点,设计灵活性更好的以分布式架构为核心的感知系统架构,改进SSD网络以使检测模型更适于在边缘处理设备中部署运行;之后分析并构建用于场端的单目视觉测距数学模型;最终综合利用目标检测与视觉测距算法,完成目标车辆的识别与定位。为验证单目视觉测距算法在场端中应用的有效性,在真实的停车场环境中设计模拟实验,进行相应的测试,实验结果表明,视觉测距精度满足系统要求。     

主动迁移学习的海上任意方向船只目标检测

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求。因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能输出旋转边界框,以用于海上船只目标的检测。同时针对海上船只遥感数据集仅有水平边界框标注,无法直接适用于旋转框目标检测,且人工手动标注旋转框标签成本较高的问题,提出一种主动迁移学习的旋转框标签生成方法。首先,提出一种水平框-旋转框约束筛选算法,通过水平真值边界框来对旋转预测框进行监督约束,筛选出检测精度较高的图像加入训练集,然后通过迭代这一过程筛选出更多的图像,最后通过标签类别匹配,完成对数据集的旋转框自动化标注工作。本文最终对海上船只遥感图像数据集BDCI中约65.59%的图片进行旋转框标注,并手动标注部分未标注的图片作为测试集,将本文方法标注的图片作为训练集进行验证,评估指标AP50达到90.41%,高于其他旋转框检测器,从而表明本文方法的有效性。