基于行列解耦采样的轻量车道线检测模型

随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用.这些模型虽然有较高的精度,但通常计算量大且运行速度慢.为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型.首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化.其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模块的计算量.此外,还设计了一种金字塔空洞卷积模块来增加模型的感受野.在CULane数据集上的实验的结果表明,文中提出的轻量车道线检测模型与之前最好的SCNN模型相比,浮点计算量降低了95.2％,F1分数提高了1.0％,在保持较高精度的前提下显著降低了车道线检测模型的计算量.     

全监督学习的图像语义分割方法研究进展

近年来,随着深度学习进入计算机视觉领域,各种深度学习图像语义分割方法相继出现,其中全监督学习方法的分割效果显著超过弱监督学习方法。将全监督学习的图像语义分割方法分为五类,并对各类中最具有代表性的方法进行详细分析,重点阐述各种方法核心部分的实现过程。对语义分割领域中的主流数据集进行归纳总结,介绍了性能算法指标,并在主流数据集上对各种代表性方法的效果进行对比,最后对语义分割的未来进行展望。     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪（Detection-Based-Tracking,DBT）、联合检测跟踪（Joint-Detection-Tracking,JDT）两大类及六个子类,研究不同类别算法的优缺点。分析表明,DBT类算法结构简单,但算法各子环节的关联度不高,JDT类算法融合多模块联合学习,在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键,但损失了算法速度,JDT类算法对检测模块更为依赖。目前,多目标跟踪跟踪总体是从DBT类算法向JDT发展,分阶段实现算法准确度与速度的均衡;提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

基于均衡接近度灰关联的Slope One算法

作为一种基于项目的协同过滤推荐算法,Slope One算法易于实现且高效。但由于Slope One算法未考虑用户相似性,导致其在处理涉及用户关系的个性化推荐任务时性能不高。针对以上问题,提出了改进的Slope One算法。提出一种均衡接近度灰关联分析方法计算用户之间的均衡接近度,利用均衡接近度度量用户间的相似程度,然后将均衡接近度值融入到Slope One算法中进行评分预测,在MovieLens和Epinions数据集下的对比实验表明,该算法具有更低的平均绝对误差（MAE）和均方根误差（RMSE）,提高了预测的准确度和推荐质量。     

协同视觉显著性检测方法研究进展综述

协同视觉显著性检测是基于人类视觉注意力机制,旨在捕获一组相关图像中的公共显著目标,在协同分割和目标检测等领域广泛应用。对现有的协同显著性检测方法进行归纳总结和实验评估。根据特征形式的差异将所有方法分为两大类：一类是采用浅层特征的传统方法,另一类是采用深层特征的基于深度学习方法。根据获取组间显著性和模型构建策略的不同,对这两大类方法进行相关介绍和理论分析。将流行方法在领域内两个公开数据集进行了主观和定量的实验评估。对现有方法进行定性总结,并分析了现阶段研究中存在的问题,同时对未来工作进行展望。     

犹豫模糊语言后悔理论和ELECTRE决策方法及应用

针对决策信息为犹豫模糊语言元素形式、属性权重完全未知的多属性决策问题,提出了一种基于后悔理论和ELECTRE III的多属性决策方法。利用灰色关联分析和极大熵原理确定属性权重。确定犹豫模糊语言信息的后悔-欣喜函数,凭借该函数确定方案对的后悔-欣喜和谐指数与不和谐指数,进而确定方案对的可信度指数。通过方案对的可信度指数确定各方案的净可信度,依此对方案进行排序。通过算例说明了所提方法的可行性和有效性。由于该方法同时考虑了决策者的心理行为和属性间的部分可补偿性,因此决策结果更加贴近现实且更为合理。对后悔规避系数[μ]的灵敏度分析表明了所提方法的稳定性,与其他两种方法的对比分析展示了所提方法的优势。     

基于ERP信号的目标检测研究综述

目标检测技术应用广泛,现有的基于计算机视觉的目标检测方法由于目标遮挡、光照强弱等因素难以适应复杂场景的需求。而人脑的高级认知能力和快速感知能力在处理复杂情况时具有一定的优势。基于事件相关电位（Event-Related Potentials,ERP）的脑机接口（Brain Computer Interface,BCI）系统与特定事件相关,可检测独立于自发脑电的高级认知活动,是当前人工智能领域的研究热点之一。针对基于ERP信号的目标检测各个环节进行了研究现状的全面归纳,梳理了以快速串行视觉呈现（Rapid Serial Visual Presentation task,RSVP）为主的实验范式,包括呈现模式、目标视场角、目标复杂度等设计因素。总结了脑电信号分析中的预处理方法、特征提取和特征分类算法,介绍了其在人脸识别、军事作战、医学分析等领域中的初步应用。探讨了目前研究中存在的问题和挑战并展望未来的研究方向与应用前景。     

基于机器视觉的多孔材料缺陷检测

针对多孔材料在生产工艺中易出现阻塞和缺角等缺陷,本文设计了一种基于机器视觉的多孔材料表面缺陷检测方法,通过对目标区域的有效分割、模糊度检测、形态学处理和分析等技术手段,实现了该类材料的表面缺陷的快速定位和特征分析.经实验检测,本文算法的准确性和检测效率可以满足工业生产实时检测需求.     

基于深度学习的围栏跨越行为检测方法

在作业现场的安全管理中,对于非施工人员围栏跨越的监管一直是必不可少的.但目前施工场地普遍存在作业面广、施工人员管理困难等问题,导致人工监察的方式效率低下.而基于视频的人体行为检测技术作为计算机视觉领域重要的研究热点,在公共安全监控方面有着广泛应用.因此针对传统人工监察的不足,结合当前计算机视觉技术,提出一种智能化的围栏跨越违规检测与识别方法.该方法通过监控不断获取视频帧,以视频帧组成的剪辑作为输入,使用三维卷积和二维卷积分别提取时序和空间特征,将两部分特征融合后进行分类和边界框回归.最后通过设置对比试验以验证此方法效果,实验结果表明,该方法具有一定的泛化性.