基于卷积神经网络的人脸目标跟踪及表情检测

随着计算机技术和人工智能技术及其相关学科的迅猛发展,整个社会的自动化程度不断提高,人们对类似于人和人交流方式的人机交互的需求日益强烈。表情识别是情感理解的基础,是计算机理解人们情感的前提,也是人们探索和理解智能的有效途径。本文在深度学习的背景下,提出一种基于VGG-16网络基础上的迁移学习方法,以VGG-16网络作为基础网络,通过展平层将输入特征压平为一维,最后利用两层全连接层加上Softmax经典分类算法进行分类。然后在CK+数据集上进行实验。经实验,微调的VGG-16网络在CK+数据集上训练后,得到97.97%的验证精度。实验结果证明了提出方法具有更好的检测性能。     

基于SSD的道路车辆目标检测

针对道路交通场景下的3类目标(小车,公交车,卡车),本文先创建特定场景下的目标数据集,并对其中的数据标注规则,标注方法以及标注手段进行实验。采用SSD目标检测算法,训练得到特定场景下的目标检测模型,并融合数据增广等方式对数据集优化。通过实验分析,本文的训练模型检测准确度高,并且模型的鲁棒性好。     

U-Net的桥梁裂缝智能检测方法改进研究

针对桥梁裂缝检测准确率与精度有待提高的问题，提出了基于图像分割技术的U-Net网络进行桥梁裂缝检测。采用西安市的桥梁裂缝数据集，通过人工标定完成了对数据集的标注，用于进行监督学习。针对这一数据集采用了数据增强、空洞卷积、批次归一化等方法提高识别精度，减少过拟合现象；将交叉熵损失与Dice损失相结合，提高了模型训练的速度以及识别精度。与广泛应用的图像分割方法进行比较，实验结果表明该模型在桥梁裂缝数据集上的分割表现结果具有优越性。     

基于SSD的行人检测方法

院大多数行人检测方法都是基于人工设计的特征,在复杂场景下检测精度不高。随着深度学习方法的发展,行人检测取得了很大的成功。本文提出了一种基于SSD的行人检测方法。为提高对小对象的检测精度,引入了一种多层特征融合方法,向SSD中加入上下文信息,实验表明,该方法在KITTI数据集上取得了令人满意的检测性能。     

一种抽取多数类边界样本的入侵检测算法

针对传统网络入侵检测方法在实时性响应和入侵行为识别率上存在的不足,本文提出了一种抽取多数类边界样本的入侵检测算法。该算法首先根据中心距离确定网络链接行为中多数类样本的边界样本,然后将多数类样本的边界样本与少数类样本合并构成新的训练集合,最后进行分类学习。该算法有效地降低了类别之间的不平衡度和减少了训练样本数目,具有更好的入侵检测性能。在KDD CUP 99数据集上的仿真实验,充分验证了该算法的有效性。     

C2D-CNN模型下的人脸识别方法研究

为解决人脸识别工作中测试数据与训练数据的差异带来的精度损失问题,提出一种C2D-CNN模型下的人脸识别方法。该模型将彩色2DPCA算法提取的原始图像像素特征与CNN(Convolutional Neural Network)学习的图像表示相融合,能显著提高人脸识别性能。进一步的,提出一种新的CNN模型,在CNN中引入归一化层,以加速网络收敛,此外还加入了分层激活函数,使得激活函数对归一化后的数据有自适应性。选取复杂环境下的FRGC人脸库以及自采集人脸库进行实验。实验结果表明,对于FRGC人脸库,相比Alex Net网络,本算法的预训练时间缩短了69. 4%,识别率提高了9. 72%～22. 99%,相比微调后的AlexNet网络,识别率提高了6. 07%～15. 28%,解决了测试集与训练集之间的差异带来的识别率低的问题。     

基于改进Faster R-CNN的绝缘子检测方法研究

近年来,我国的电力系统发展迅速,其稳定运行至关重要~([1])。因此对于输电系统中绝缘子的检测方法成为电力相关人员乃至社会各界的研究热点。本文结合现有检测方法的不足提出一种基于Faster R-CNN(Faster Region-based Convolution Neural Networks)改进算法~([2])。通过改进特征提取网络框架和多尺度特征融合,最终使用800张绝缘子图片进行数据扩充至8000张再训练目标检测网络模型,在绝缘子测试集上均值平均精度mAP(Mean Average Precision)达到98.5%左右,满足准确性的要求。     

k-means算法在网络入侵检测中的应用研究

介绍了网络入侵检测技术,阐述了k-means算法及其思想,并把k-means算法用于网络入侵检测中。实验中采用KDD Cup 1999数据集进行实例验证,结果表明该算法是可行的。     

无人驾驶危险交通场景中小目标检测算法研究

无人驾驶车辆对目标检测算法的实时性和检测精度要求很高,尤其是危险交通场景中的小目标检测尚存在完善.针对这个问题,选用YOLOv4作为基础网络,基于组合剪枝策略对YOLOv4进行修剪.为了在剪枝的过程中不降低检测精度,实验通过大尺度训练与网络添加空间金字塔池化来增强深层特征的提取.剪枝策略通过向信道比例因子添加L1正则化来加强信道级的稀疏性促进结构化的剪枝.然后在通道剪枝的基础上融合层剪枝,把比例因子的最小值对应的层裁剪掉,即YOLOv4-Pocket算法.其平均精度(mAP)提高了 6.05％,模型空间缩小了 99.15％,每帧图像的推理时间缩短了 82.45％.实验结果表明,YOLOv4-Pocket模型更适合于无人驾驶汽车的应用场景.     

无人驾驶危险交通场景中小目标检测算法研究

无人驾驶车辆对目标检测算法的实时性和检测精度要求很高,尤其是危险交通场景中的小目标检测尚存在完善.针对这个问题,选用YOLOv4作为基础网络,基于组合剪枝策略对YOLOv4进行修剪.为了在剪枝的过程中不降低检测精度,实验通过大尺度训练与网络添加空间金字塔池化来增强深层特征的提取.剪枝策略通过向信道比例因子添加L1正则化来加强信道级的稀疏性促进结构化的剪枝.然后在通道剪枝的基础上融合层剪枝,把比例因子的最小值对应的层裁剪掉,即YOLOv4-Pocket算法.其平均精度(mAP)提高了 6.05％,模型空间缩小了 99.15％,每帧图像的推理时间缩短了 82.45％.实验结果表明,YOLOv4-Pocket模型更适合于无人驾驶汽车的应用场景.     

基于深度学习的风机叶片裂纹检测算法

风电机组叶片裂纹问题对机组正常安全运行会产生严重影响。为对风电机组叶片损裂状态进行有效检测,基于风场大数据,提出了一种基于深度学习区域卷积神经网络(Cascade R-CNN)的风机叶片裂纹检测方法。并通过对数据集进行图像增强、选取ResNeXt-101作为特征提取网络、在特征提取部分加入特征金字塔网络(Feature Pyramid Networks,FPN)等改进方式进行优化。实验结果表明,所提方法都能有效的提高风机叶片裂纹检测的准确率,精度共提升了10%,本文还与目前主流的目标检测算法如Faster-RCNN等进行对比,实验结果表明,本方法识别精度更高,检测速度与其他方法基本持平。     

基于IPV6的网络安全入侵检测技术研究

主要研究了一种基于IPV6入侵检测技术。首先介绍了传统IPV6网络的几种网络协议,然后提出了一种采用BP神经网络技术的IPV6网络入侵检测算法。与传统网络入侵检测系统模型的对比,得到的实验数据突出了本文提出的改进型算法,有较高的优势,不管在时间上,还是在识别率上都得到了较好地提高,误检率低。     

核K均值聚类改进神经网络垃圾标签检测模型

为了提高垃圾标签检测精度,提出一种核K均值聚类和改进神经网络相融合的垃圾标签检测模型。首先核K均值聚类算法提抽取垃圾标签的特征向量,然后将特征向量集输入到BP神经网络进行训练,并采用混沌粒子群算法对BP神经网络的参数进行优化,最后建立垃圾标签检测模型,并通过仿真实验对模型性能测试。结果表明,该垃圾标签检测算法模型不仅提高了垃圾标签识别率,训练时间大幅度减少,垃圾标签检测效率得到提高,可以较好满足垃圾标签实时、在线检测要求。     

融合PCA和PSO-SVM方法在工控入侵检测中的应用

有效防御病毒对工控系统的入侵是目前工控安全研究的难点问题。为了提高工控系统入侵检测的准确率,本文设计提出了一种主成分分析(PCA)与PSO-SVM相结合的工控入侵检测方法。针对工业控制系统网络数据高维的特性,该方法利用PCA对采集的网络入侵数据进行数据降维与特征提取,支持向量机(SVM)入侵检测的性能主要取决于核函数参数取值的优劣,采用粒子群算法(PSO)对支持向量机参数进行优化,以获得最优的SVM工业控制系统入侵检测模型。采用密西西比州立大学关键基础设施保护中心最新提出的工控标准数据集进行仿真实验,结果表明该算法在攻击检测与攻击类型识别方面均有较高的查准率,提高了工业控制系统的安全性能。     

一种面向数据核特征的复杂网络异常检测算法

针对传统异常检测算法存在复杂小样本情况下训练精度高,预测精度低的过拟合缺陷,出现误报和漏报现象,提出一种面向数据核特征的复杂网络异常检测算法。网络异常数据核特征判别技术是一种针对复杂小样本异常特征的线性判别的非线性扩展。算法根据最大化网络复杂异常类间离散度和最小化类内离散度的准则,寻找原始向量的最优投影方向,使各异常数据类之间最大程度地分离,从而达到正确的检测。仿真实验结果表明,本文的方法相对于传统的支持向量机法和高斯混合模型方法,具有较高的识别率和较快的训练速度。     

基于改进FCOS的目标检测轻量化方法研究

随着边缘AI的快速发展，在终端使用轻量级目标检测技术成为研究热点。因此，对FCOS全卷积单阶段目标检测算法进行改进，提出轻量级的LIm-FCOS网络用于终端检测具有意义。首先提取特征骨干网络使用ShuffleNetV2，颈部结构引入改进的BiFPN代替FPN，并采用深度可分离卷积替代普通卷积从而减少计算量。检测头部分改为单独检测，分类分支去掉Center-ness，使用Quality Focal Loss预测分类和边框质量进一步消除训练和预测时置信度的差异，回归分支采用Distribution Focal Loss来改善边框位置的分布，为提高坐标回归准确度加入GIoU Loss辅助收敛。经过COCO2017数据集测试，得到LIm-FCOS的mAP为27.5%，与YOLOX-Nano相比，多了1.5 M参数量、0.43GFLOPs计算量，精度提升了2.2%，同时经过PC端模型推理可视化结果说明网络轻量化方法有效。     

一种大储量罐车紧急切断阀失灵检测方法研究

为了提高大储量液化石油气罐车紧急切断阀失灵检测的精度和效率,提出了基于增强模糊支持向量机的罐车紧急切断阀失灵检测方法。首先通过对大储量液化石油气罐车紧急切断阀的常见失灵类型进行分析,将其样本数据进行训练集和测试集的训练。其次利用模糊支持向量机算法进行罐车紧急切断阀失灵检测模型建立。然后利用粒子群进化算法进行该模型的最优参数、惩罚系数和隶属度的确定,最后利用优化的参数进行支持向量机的分类。通过训练集和测试集对该模型进行仿真实验,仿真实验结果表明,该方法的失灵检测准确率均在95%以上,具有较高的鲁棒性和可靠性。     

基于特征模型融合的实时车道线检测研究

针对无人驾驶领域的车道线检测鲁棒性差的问题,提出一种基于特征模型融合的实时车道线检测算法。在图像预处理阶段引入白平衡、灰度化操作及形态学处理,将RGB颜色空间转换成HSL颜色空间,接着采用梯度阈值检测出黄色和白色车道线进行线性融合以增强车道线特征信息。在模型拟合阶段,采用Canny边缘检测算法和改进的Hough变换提取出边缘特征,最后采用最小二乘法拟合车道线双曲线模型。本文在Python实验环境下对随机选取的不同复杂路况下的视频流序列进行算法验证。实验结果表明该算法平均正确率为96%以上,平均未检测率和平均误检测率分别为1%和3%。实验说明本文算法具有良好的准确性和鲁棒性。在无人驾驶领域具有一定的应用价值。     

基于多类型分类器装袋技术的数据分类模型研究

【目的/意义】数据分类是数据挖掘研究的重要内容之一。数据分类时,由于单一分类算法分类性能的差异 性,使其不能很好地解决大部分的分类问题,探讨一种基于多类型分类器装袋技术的数据分类方法具有重要理论 意义和应用价值。【方法/过程】基于分类性能评价的准确率,使用五种不同类型的分类算法作为分类器,随机抽取 训练集后分别训练得到若干个弱分类器,然后采用自动优化加权方式,组合构建一个强的分类器。通过实验对五 种分类算法和装袋算法的分类准确率均值和标准差分别进行对比,得出各分类算法在四种数据集上分类性能的优 劣和稳定性。【结果/结论】在四个UCI数据集上的实验结果表明,与五种不同类型的分类算法相比,装袋算法不仅 在大部分数据集上都表现出很好的稳定性,而且具有更好的泛化能力。     

基于标称变量向量化处理的网络入侵检测算法

网络链接记录存在大量的标称属性,传统的入侵检测方法直接将这些标称属性做离散化处理,破坏了标称属性的无序性,使得检测效果不够理想。为此提出了一种基于标称变量向量化的网络入侵检测算法。该算法首先对网络链接记录中的标称属性进行特殊的向量化处理,然后在处理后的数据集上进行入侵检测。通过对标称属性做向量化处理既对标称属性实现了数值化,同时又保持了标称属性的无序性。在KDD CUP 99数据集上的仿真实验表明本文所提算法具有较高的检测率和较低的误警率。