基于注意力机制和跨尺度特征融合的摩托车头盔检测算法

在道路交通摩托车事故中，未佩戴头盔是导致骑乘人员受到致命伤害的主要原因。针对目前头盔检测中由于黑色头发、帽子和头盔的颜色和形状相似存在误检和漏检问题，提出了一种具有三重注意力机制和双向跨尺度特征融合的摩托车头盔检测算法。首先，在YOLOV5s的主干网络中引入三重注意力机制，提取了不同维度之间的语义依赖，消除了通道和权重的间接对应关系，通过关注相似样本的差异从而提升检测精度。其次，采用EIOU边框损失函数优化对遮挡和重叠目标的检测效果。最后，在特征金字塔中采用加权双向特征金字塔网络结构，实现高效的双向跨尺度连接和加权特征融合，增强了网络特征提取能力。实验结果表明，改进算法实现了98.7%的mAP@0.5、94.0%的mAP@0.5：0.95，与原算法相比，改进算法的mAP@0.5提升了3.9%以及mAP@0.5：0.95提升了7.6%，具有更高的精度和更强的泛化能力。     

结合多注意力机制和中间帧序列的微表情识别

微表情是一种反映人真实情感的自发性面部变化。由于微表情变化微弱且持续时间短暂,传统的神经网络难以提取到类间差异极小的微表情特征。针对上述问题,提出了一种改进的ECANet34-DA网络,在残差网络的主干部分加入DA模块和不降维局部跨通道交互策略的高效通道注意力(Efficient Channel Attention, ECA),能够关注到更细微的表情变化。使用峰值帧附近序列组成中间帧序列作为输入图像,有效解决数据量有限问题。将宏表情数据集Fer2013的先验知识通过迁移学习应用到微表情识别。将ECANet34-DA网络模型在主流数据集CASME II,SMIC和SAMM上进行实验,使用留一人交叉验证方法表明此方法有效提高了识别精度,在CASME II数据集5类微表情识别中取得了85.44%的准确率和81.96%的未加权F1指数(UF1)。     

基于深度学习的单阶段目标检测算法综述

目标检测技术是计算机视觉技术的一个热点研究方向，该技术广泛应用于车辆导航、航空及其他重要领域，发展前景广阔。将深度学习应用到图像目标检测中能够学习到图像的高级特征，弥补传统算法的不足。首先，重点介绍了基于深度学习的单阶段目标检测算法；分析了多种算法的结构和优缺点，然后对各算法做了归纳总结；最后，结合目标检测算法提出未来发展的方向与趋势。