排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
为了及早地发现监控区域的SF6毒气泄漏的问题,提出了基于ROI块累计思想的区域检测算法.针对SF6面临成像微弱,难以检测的特点,先对采集到红外视频图像序列进行运动帧间差提取ROI块,然后对本底图像做自适应算子去噪处理,提取背景,最后在一定的时间窗内,对提取的运动区域做块运动累计,增强目标区域位置.试验结果表明,该算法可以很好地检测出SF6气体泄露区域和位置. 相似文献
2.
头部姿态估计是人类行为和注意力的关键,受到光照、噪声、身份、遮挡等许多因素的影响。为了提高非约束环境下的估计准确率和鲁棒性,该论文提出了树结构分层随机森林在非约束环境下的多类头部姿态估计。首先,为了消除不同环境的噪声影响,提取人脸区域的组合纹理特征,对人脸区域进行积极人脸子区域的分类,分类结果作为树结构分层随机森林的先验知识输入;其次,提出了一种树结构分层随机森林算法,分层估计多自由度下的头部姿态;再次,为了增强算法的分类能力,使用自适应高斯混合模型作为多层次子森林叶子节点的投票模型。在多个公共数据集上的多种非约束实验环境下进行头部姿态估计,最终实验结果表明所提算法在不同质量的图像上都有很好的估计准确率和鲁棒性。 相似文献
3.
现有的基于深度学习的目标检测模型中,由于复杂天气使得现有方法的精度大幅降低.因此为了有效地消除不同天气场景带来的域差异问题,提出一种多域动态平均教师模型.首先引入多域平均教师模块,为多个不同天气场景下目标域数据生成伪标签;然后引入基于学生网络的风格迁移模块,解决多域任务中学生网络对不同目标域泛化能力差的问题,可有效地减小源域与不同目标域之间的差异,提升学生网络对不同目标域的泛化能力;最后提出基于教师网络的动态过滤伪标签模块,根据教师网络对不同目标域的学习效果动态地调整过滤伪标签的阈值,提升每个目标域伪标签质量.在FoggyCityscapes&RainCityscapes和Dusk-rain&Night-rain数据集上的实验结果表明,所提模型分别获得了40.3%和31.4%的精度,在雨天、雾天和夜晚等多种复杂天气场景下都优于对比方法. 相似文献
4.
5.
实时精准的交通标志检测是实现自动驾驶和智能交通的重要技术之一.针对真实智能驾驶场景中背景复杂且交通标志尺度较小,现有的检测方法容易出现错检和漏检等问题,提出一种尺度感知的双向特征金字塔网络,实现复杂交通场景中实时、精准的交通标志检测.首先,为解决微小标志在传统金字塔网络中尺度丢失的问题,通过构建自底向上和自顶向下的双向金字塔网络,循环地学习尺度感知的融合特征;然后引入前景注意力模块和尺度感知损失函数,学习和优化不同尺度下的前景显著特征和关联,实现多尺度前景目标分离;最后,引入轻量级和非轻量级主干卷积网络,可以同时提高模型效率和精度.在真实复杂场景的交通标志数据集TT100K和STSD中的实验结果表明,该方法的检测精度达到了66.7%和60.9%,同时实时检测速率达到了30帧/s. 相似文献
1