基于回归与深度强化学习的目标检测算法

基于强化学习的目标检测算法在检测过程中通常采用预定义搜索行为,其产生的候选区域形状和尺寸变化单一,导致目标检测精确度较低。为此,在基于深度强化学习的视觉目标检测算法基础上,提出联合回归与深度强化学习的目标检测算法。首先,深度强化学习agent根据初始候选区域所提取的信息决定相应搜索行动,根据行动选择下一个逼近真实目标的候选区域;然后,重复上述过程,直至agent能确定当前区域为目标区域时终止搜索过程;最后,由回归网络对当前区域坐标进行回归,达到精确定位目的。实验结果显示,在单类别目标检测中,与原算法相比其精度提高了5.4%,表明通过引入回归有效提高了目标检测精确度。     

基于深度学习的疟疾检测

针对疟疾检测方法中的模型存在训练时间过长,权重参数冗余等问题,用疟疾数据集从头开始训练,更改输入图像的大小,直接对ResNet-50网络的深度和宽度进行缩减,研究采用深度学习技术快速、准确地检测疟疾。该方法缩短了模型训练时间,提高了疟疾分类精确度,缩小了模型权重参数大小。     

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。     

基于深度学习的小目标检测算法综述

由于小目标分辨率低、携带的信息少,现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题,以基于深度学习的目标检测为切入点,系统总结了基于深度学习的目标检测代表算法,并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总,介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题,对未来目标检测领域发展趋势进行了预测与展望。     

基于深度学习的行人检测技术研究

行人检测一直是视频分析领域的研究热点和难点,在无人驾驶、道路监控、智慧城市等方面具有广泛应用.介绍基于深度学习的行人检测技术,全面分析目标检测技术发展现状,研究行人检测关键技术及其处理流程,并基于YOLO v3进行了软件系统实现与验证.实验结果表明,深度学习技术能够在准确度和实时性方面满足行人检测要求.最后,探讨了行人...     

深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

基于深度学习的荔枝虫害识别方法

提出一种基于多特征融合的荔枝虫害识别方法,目的是利用计算机视觉技术对荔枝的田间害虫进行全天候、实时的监测.采用基于OpenCV的中值滤波法对害虫的颜色、纹理和轮廓进行特征提取,并根据皮尔逊相关系数剔除冗余特征,从而建立了害虫特征库.根据特征库中的大量样本,采用BP神经网络算法经多次迭代训练了害虫识别模型,通过对模型进行...     

基于深度学习的异常事件检测研究综述

基于视频的异常事件自动检测技术一直是学术界和企业界研究的热点,在人群监控、交通管理、老人儿童和特殊病人的护理等方面发挥了重要的作用。文章首先介绍传统的异常检测方法,然后从评价指标、基本网络模型、检测框架、基准数据集等方面详细介绍了深度学习在异常检测中的研究进展,最后对未来的研究方向进行了展望。     

融合深度学习的无人驾驶多目标检测算法

目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。     

基于视觉注意机制深度强化学习的行人检测方法

结合视觉注意机制,并用深度强化学习训练视点选择模型,模拟人类视觉搜索局部关键部位,提出了新的行人检测方法,通过视点选择模型生成聚焦图像,不断地叠加搜索关键区域,由检测网络对关键区域进行行人判别,并通过信息熵度量检测结果的可信度,作为奖赏通过深度强化学习优化视点选择模型。视点选择模型和检测网络协同迭代训练,使该方法具有很强的局部关键区域选择和判别能力,减少了形变和遮挡的影响。与经典的基于部位的行人检测方法在公开的行人检测数据集进行对比实验,结果表明,所提出的行人检测方法可以有效地提高行人检测精度。     

基于深度学习的交通标志检测系统仿真

交通标志是规范驾驶员驾驶的重要指标信息,如何检测交通标志是无人驾驶和辅助驾驶中的关键一环。利用 PYQT 开发一套基于深度学习的交通标志检测系统,系统包括 4 个主要模块：用户信息模块、摄像头采集模块、检测模块和保存结果模块。对比目前主流的深度学习目标检测算法 YOLOv3 和 Faster-RCNN 在交通标志上的检测效果,并采用 YOLOv3 作为系统仿真算法,仿真结果表明,YOLOv3 兼顾了实时检测和检测精度要求,对无人驾驶和辅助驾驶研究具有一定应用价值。     

基于深度学习改进的机器人轨迹规划算法

在公路环境巡逻机器人轨迹规划问题中,实时准确的交通流量预测对机器人轨迹规划尤为重要。然而由于车流量的随机非线性,使得机器人轨迹规划任务仍然充满挑战。提出一种深度神经网络与轨迹规划算法相结合的融合算法。通过深度学习预测短期交通流量,优化交通网络图并运用轨迹规划算法完成路径规划。实验表明,改进的机器人能够更快、更安全地完成道路巡逻任务。     

善用智慧教室,转变学习方式

在智慧教室环境下,学生可以拥有丰富的学习资源,形成形象、直观、友好的学习界面,创造良好的学习环境。基于此,教师既要优化学生学习内容,又要思考信息技术表现形式,从学生年龄特征、语文学习规律、学习内容特点出发,做到适切、适时、适宜、适量,对学生学习方式真正起到颠覆、翻转的作用。     

基于深度学习的高分辨率星载遥感影像目标检测综述

高分辨率星载遥感成像是对地观测的重要手段,按照成像原理,高分辨率星载遥感大致包括可见光遥感、热红外遥感、SAR遥感等。随着人工智能技术的发展,卷积神经网络、生成式对抗网络等深度学习算法被广泛应用于遥感影像分析。对遥感影像分析而言,主要任务之一是目标检测。目前,FasterRCNN、SSD、RetinaNet等计算机视觉领域的深度学习目标检测算法已经广泛应用于遥感目标检测领域,并大幅提高了检测准确率。与传统目标检测算法相比,基于深度学习的目标检测算法有着检测准确率高的优势,同时有着检测速度慢、可解释性差的劣势。由于基于深度学习的目标检测算法在检测准确度上的优势,其在遥感影像解译领域有着广阔的应用前景。     

基于SPOC的深度学习教学模式的探究

深度学习是当前教育技术领域的重要研究课题之一,它强调较高认知目标层次和高阶思维能力的培养。为了实现学习者的深度学习,引入SPOC的教学模式,分析了其优势和特点,并阐述了该教学模式对深度学习的动机、深度学习的投入、深度学习的策略、深度学习的结果四个因素的推动作用。基于SPOC教学模式的探索可以实现信息技术与教育的深度融合,促进学习者的深度学习,提升学习效果,对加快教育信息化建设具有一定的参考价值和指导意义。     

新型深度学习算法研究概述

作为一个具有巨大应用前景研究方向,深度学习无论是在算法研究,还是在实际应用(如语音识别,自然语言处理、计算机视觉)中都表现出其强大的潜力和功能.本文主要介绍这种深度学习算法,并介绍其在金融领域的领用.     

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。     

基于多层深度特征融合的中低分辨率车型识别研究

传统的车型识别需要消耗大量的人力资源和时间成本,无法及时有效地对复杂背景下中低分辨率车型进行精确识别.随着硬件设备的提升和新型分类理论的出现,针对这一情况提出了一种基于改进卷积神经网络的多层深度特征融合算法,利用卷积神经网络的特征学习,首先对低层特征进行学习,其次通过卷积运算将低层车型特征卷积到一定维度,最后利用特征融合策略对多个特征进行融合,提升车型识别的有效性.同时为了避免参数过多、模型复杂度上升出现过拟合现象,使用稀疏原理对模型进行优化分类.通过实验仿真,验证本文算法可以对中低分辨率车型进行精确识别,且对复杂背景及快速移动具有一定的抗干扰性.