一种基于深度学习的夜间车流量检测方法

当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS（非极大值抑制）算法进行修改,从而可以更好地筛选重叠目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。     

基于深度学习的监控视频车辆实时监测

针对传统车辆检测算法不能自适应地完成复杂道路场景变化下提取车辆特征的问题,结合焦点损失、K-means聚类与mobilenet网络,提出改进的RFB-VGG16与RFB-MobileNet模型进行车辆检测。从开源数据集UA-DETRAC的24个视频中每隔一定帧数抽取8 209张已标注的图片构成数据集,在相同的超参数与训练策略下,改进后RFB-VGG16网络的AP值比原模型提高了3.2%。基于mobilenet网络重新设计RFB骨架网络,使RFB-MobileNet模型在牺牲一定性能的情况下,具有更快的检测速度,能较好地满足监控视频对车辆检测实时性的要求。     

基于关键点的目标检测算法研究进展

随着深度学习技术的兴起,目标检测算法正在经历着变革式的发展。作为深度学习目标检测研究领域中最新的一个研究方向,基于关键点的目标检测算法正在得到越来越多的关注,已成为目标检测的一个重要研究方向。本文在对基于深度学习的目标检测技术进行简要回顾的基础上,着重分析了基于关键点的目标检测方法所涉及的核心技术,并从所采用的骨干网络、特征点、COCO数据库中的检测表现等几个角度对相关方法进行汇总,论述了各类方法的检测性能。最后通过对各类方法进行对比总结出当前关键点目标检测方法存在的问题,并对未来的研究方向进行了展望。     

基于Android智能手机的前方车辆检测系统

开发基于Android智能手机的前方车辆检测系统。通过手机摄像头获取道路图像数据,利用JNI技术调用Android本地方法对图像数据进行处理并返回检测结果。为解决Android平台计算能力低、现有目标检测算法耗时久的问题,设计了一种车辆区域定位方法。首先利用车辆固有纹理特征对检测区域进行筛选,进一步利用聚类算法定位每一个车辆可能存在的区域。最后利用SVM分类器和HOG特征精确定位车辆外部轮廓,并剔除上一步中可能出现的错误聚类,最终实现手机平台上的前车实时检测。     

一种视频防抖的车辆检测算法

为解决由于道路颠簸、车辆自身抖动导致视频帧图像模糊而影响车辆检测效果的问题,采用基于特征匹配的光流法结合SURF特征点提取算法对车载视频进行防抖预处理,再将增稳后的视频序列传入训练好的YOLOv4框架进行车辆检测.在KITTI数据集上对该算法进行验证,最终识别准确率达96.5％.通过对比防抖前后测试结果发现,建立的防抖...     

基于深度学习的视频目标检测算法的实现

由于光照变化、物体遮挡和复杂背景条件等众多因素的影响,目标检测一直是机器视觉领域最具有挑战性的问题。首先对视频目标检测算法中的孪生网络系列算法进行分析比较;然后将孪生网络与深度学习相结合,提出并构建全新的孪生网络跟踪器;最后将视频输入到设计好的孪生网络跟踪器中,通过网络对每一帧图像中物体的类别与位置进行准确地实时框选标注。分别将该算法和当前广泛应用的YOLOv3算法在OTB数据集上进行验证测试。测试数据表明:该算法的视频目标检测成功率和准确率均优于YOLOv3算法。     

基于GAN的异常检测研究综述

深度学习中生成式对抗网络（GAN）具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像．针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题．     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。     

基于机器学习算法的图像虚拟重建研究

基于深度学习的图像重建方法，通过数据驱动的方式，可以从图像中学习其三维空间的语义特征，从中恢复出模型的三维形状.探究了3类基于深度学习的图像虚拟重建算法，并在公开数据集上对相应的重建方法进行了性能比较，发现生成模型比非生成模型更有利于重建.其中，基于生成对抗网络的融合重建算法表现最优.此外，还对多视图输入的数量以及重建模型的表示对重建结果的影响进行了分析.实验结果表明，视图越多，且重建模型为网格表示时，重建结果越好.     

基于深度学习的无人机目标识别算法研究

目前无人机已经广泛应用于各行各业,但传统无人机识别方法存在成本高、识别率低、适应性差等问题导致无人机进入禁飞区域的事件时有发生,严重影响我国空域安全。针对无人机识别过程中存在的不足,提出基于深度学习的无人机识别算法,通过对LeNet-5模型进行改进,以无人机图像样本集作为网络模型训练和测试对象,构建无人机特征识别模型。模拟实验中,当网络模型学习率为0.1时,在经过150次迭代后,深度学习模型目标识别率为96.95%,经典LeNet-5模型识别率为91.18%。实验结果表明,基于深度学习的识别算法能够有效提高对无人机的目标识别率。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于深度学习的电子病历实体标准化

电子病历中同一医疗概念的提及形式具有多样性,阻碍了医疗数据的分析和利用,研究电子病历实体标准化具有现实意义。设计并实现了基于深度学习的电子病历实体标准化算法,使用Siamese网络架构和LSTM网络搭建模型,采用Pairwise方法训练模型,在测试集上与传统基于编辑距离的方法进行比较。对手术实体标准化的实验结果显示,深度学习算法正确率达到79.71%,比传统方法提高了17.4个百分点,表明深度学习算法在电子病历实体标准化方面具有有效性。     

基于贝叶斯与生成式对抗网络的手写字文本识别算法

为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。     

基于沙漏注意力高分辨率网络的人体姿态评估实验

基于人体关键点检测的方法需要融合由高分辨率到低分辨率子网络生成的表示,以提高关键点检测的准确性。设计了一种基于沙漏注意力高分辨率网络的人体姿态评估方法实验,在深度高分辨率表示学习的基础上构建沙漏注意力特征模块,并设计特征回传模块和多阶段监督算法,用融合中继监督和自蒸馏的方式实现高分辨率网络的监督训练。与经典方法在标准数据集上完成人体姿态评估实验对比,并在硬件设备上进行了真实场景实验,实现了行人姿态评估和危险行为报警。     

基于骨骼特征点的跌倒检测方法

针对现有跌倒检测方法中利用时空图卷积网络(ST-GCN)进行行为检测的准确率有待提高、时间信息利用不够充分等问题,提出了一种基于轻量级YOLO v3人体目标检测模型结合人体骨骼特征点的跌倒检测方法.本方法利用AlphaPose算法实时得到人体的骨骼特征点信息,在此基础上结合改进的ST-GCN模型提取了强化后的行为时空信息,从而对跌倒进行更加准确的检测.在通用数据集及自建数据集上的测试结果表明,该方法在跌倒检测中具有良好的效果.     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。     

基于改进的DCA算法入侵检测方法的研究

树突状细胞算法DCA（Dendritic Cell Algorithm）是人工免疫学理论中危险理论的最新研究成果,本文提出在危险模式入侵检测系统中使用利用改进的DCA算法对实时异常数据进行的检测,使用KDDCUP99常用的网络入侵检测数据对模型和其他入侵检测算法进行了测试,结果表明基于改进的DCA算法的检测模型降低了误报率,提高了系统的效率与性能。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

改进 SSD 的交通标志目标检测算法

以 Faster R-CNN 为代表的 two-stage 目标检测算法检测速度慢,而 one-stage 目标检测算法中的 SSD算法虽然检测速度快,但对交通标志类小目标的检测效果不佳。因此在 SSD 算法 VGG16 骨干网络上引入感受野块（RFB）结构,既提升检测速度又可在小目标检测上达到良好的检测精度。与此同时,为提高网络分类精度,在损失函数中加入中心损失。将 SSD 算法与改进的 SSD 算法在 VOC 数据集上进行训练,对比其性能可知,改进后算法 mPA 值达到 80.7%,相比 SSD300（VGG16）算法提高了 3.5%。该算法在 LISA traffic sign 数据集上训练,在迁移学习的基础上得到的 mPA 值为 78.4%,检测单张图像平均耗时为 20.5ms,可满足实时性要求。     

基于人体骨架和深度学习的教师体态语言智能测评

深度学习技术与教师教育融合创新，可赋能教师教学体态语言行为精准测评。针对教师体态语言人工视频分析技术滞后问题，本研究采用人物目标检测、目标追踪和体态骨架图生成三种方法，创建真实教学情境下基于人体骨架图的专家型教师标准体态语言数据集，使用金字塔卷积模块优化ResNet50残差网络，构建金字塔残差神经网络模型，并基于数据集开展识别模型的训练、验证和测试实验。结果显示，体态语言识别模型的准确率、精确率和召回率均达到95%以上，识别准确率由高到低依次为工具性体态语言、巡视性体态语言、指示性体态语言、常规性体态语言、描述性体态语言。本研究基于上述训练良好的模型，开发教师体态语言智能感知测评系统，提出教师体态语言特征的人体骨架表征方法、教师体态语言数据集创建方法及智能识别神经网络模型构建方法，构建了大数据驱动的教师课堂体态语言智能测评方法体系。