一种基于LSKNet的绝缘子缺陷检测方法研究

目前,电力网络缺陷检测主要通过无人机航拍完成。对当前公开的数据集进行筛选,发现绝缘子的标注误差较大且正负样本失衡;同时,巡检图像中存在许多小尺度和细长类型的目标,使用现有的算法很难达到高精度的检测效果。针对上述问题,通过雾化算法构建一个新的数据集,采用大型选择核网络(LSKNet),引入暗通道先验算法,提出针对电力网络缺陷的LSK绝缘子图像去雾算法。实验结果表明,在SFID-PRO数据集上的mAP达到85.90%,其中缺陷绝缘子的召回率达到了99.6%,能够对细长物体和小尺寸物体进行精准的检测。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

基于随机映射的特征压缩在快速目标检测中的应用

目标检测通常利用复杂的、高维度的特征来提高其检测精度,而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维,但在其求解过程中会涉及到大量的矩阵分解运算,从而降低了算法的实时性。针对此问题,提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器,实验结果表明,该分类器在保证检测精度的前提下,提高了目标检测的实时性。     

基于类概率的加权投票模型用于预测论文评审结果

学术论文的评审工作大多采用同行评审的方法完成,但庞大的稿件数量给人工评审带来了过重的负担,审稿人的主观偏好对结果的影响也不容忽视.基于此,提出一种基于类概率的多分类器加权投票模型来预测论文评审结果,协助人工评审.该模型采用基于集成学习的投票法,根据文本的词汇特征和评审准则的统计特征对样本进行分类.并充分考虑各分类器的性能差异,通过融合类概率进一步调整和优化权重系数,从而使投票模型的性能得到提升.实验证明,论文所提出的方法有效地提高了模型的性能,预测结果的准确率更高.     

一种基于LBP和GLCM融合的气象雷达地物杂波识别新算法

为了识别多普勒雷达气象回波图中的地物杂波,论文提出了一种基于局部二进制模(Local Binary Patterns,LBP)与灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)融合的新算法.其中使用LBP判断图像是否包含块状杂波,使用GLCM特征值识别地域零散的地物杂波.实验表明,该算法对气象雷达回波图中地物杂波具有较良好的识别效果.     

基于局部二值模式的改进时空上下文跟踪算法

基于时空上下文(Spatial-Temporal Context,STC)的跟踪算法与大部分传统算法相比,在实时性方面具有明显的优势.通过实验发现,STC算法存在由变形和遮挡引起的跟踪精度下降问题.针对该问题,提出了一种改进方法,该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern,LBP)和遮挡检测机制,利用LBP特征来代替灰度特征,当跟踪器检测出目标发生遮挡时,停止分类器参数的更新.对于满足线性运动的目标,利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题.实验证明,所提出的改进算法能有效提升目标跟踪精度,针对遮挡情况下的目标也展现出较高的鲁棒性.