结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

一种高效的特征选择机制应用于入侵检测

基于数据集的wrapper型特征选择方法,通过去除原特征集中的冗余特征,不仅降低了对计算资源的耗用,而且在保持检测精度的前提下,提升了检测速度,有效改善了检测性能.在特征选择具体过程中,采用全局和局部搜索性能好的遗传算法和禁忌搜索混合搜索策略,针对网络数据的异构性,采用改进了的基于核函数的SVM作为评价特征子集分类性能...     

应用掩码区域卷积神经网络的文本检测模型

要：提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发，针对残差神经网络中的瓶颈结构进行优化，构建基于结构优化的残差神经网络（residual network based on structural optimization, ResNetSO）；然后去除冗余特征以提高融合后特征质量，并将空间注意力机制应用于特征金字塔网络，构建了基于下层特征指导的特征金字塔网络（feature pyramid network based on lower feature guidance,FPNetLFG）。在两个公开数据集上的实验结果表明：包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中，分别可以带来0.8%和0.3%左右的F1值提升，从而说明了该方法的有效性和普遍适用性。     

基于Attention机制的卷积神经网络文本分类模型

文本分类是自然语言处理的重要内容,而有效提取文本全局语义是成功完成分类任务的关键.为了体现卷积神经网络提取特征的非局部重要性,在模型中引入Attention机制并建立了包含4个Attention CNN层的A-CNN文本分类模型.其中,Attention CNN层中普通卷积层用于提取局部特征,Attention机制用于生成非局部相关度特征.最后,使用A-CNN模型分别在情感分析、问题分类、问题答案选择等数据集上进行了实验和对比分析.结果表明:相比于其他对比模型,A-CNN模型完成上述3个文本分类任务时的最高精度分别提高了1.9%、4.3%、0.6%,可见A-CNN模型在文本分类任务中具有较高的精度和较强的通用性.     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.     

基于Mask-YOLO的复杂场景口罩佩戴检测

针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法.首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over...     

基于知识蒸馏的轻量型浮游植物检测网络

当前基于卷积神经网络的目标检测框架已成为主流，使用深层的特征提取网络可以达到很好的目标检测效果，但带来的大量的参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中.为此，该文提出将知识蒸馏方法用于目标检测网络的特征提取网络，以提升浅层特征提取网络的性能，在降低模型的计算量和规模的同时尽可能地保证模型的性能.实验结果表明，经过蒸馏的浅层网络作为特征提取网络的检测精度比没有经过教师指导的网络精度提高了11.7%.与此同时，该文构建的浮游植物目标检测数据集不仅可以评估一些最先进的目标检测算法的性能，也有利于未来浮游植物显微视觉技术的发展.     

基于MFANet和上下文特征融合的遥感影像目标检测

针对遥感影像背景复杂、目标尺度变化较大、类间相似性较高等特点而导致目标检测效果欠佳的问题,提出一种基于Faster R-CNN的有效且鲁棒的遥感影像目标检测方法.首先,引入可变形卷积、调制机制和空洞卷积,构造调制的特征自适应网络,提取更准确、更完整的目标信息.其次,构造上下文特征金字塔网络,提取更丰富且更具判别性的特征...     

基于深度学习的下井人员安全状态快速检测算法研究

在矿井生产中,作业环境复杂,安全生产风险较大,而传统的人工安全状态检测存在效率较低、漏检率较高等问题。因此,本文提出了基于卷积神经网络的下井人员安全状态快速检测方法。其间使用YOLOv3网络进行安全帽、工作服、工作鞋的多类别目标识别。试验表明,相比于传统人工检测方法,此算法具备更高的检测效率。在试验中,平均精度均值(mAP)达到了90.05%的高准确率,而且检测帧率达到28帧/s,具备了实时检测的能力。     

运用C4.5算法优化入侵检测系统的研究

研究了以决策树结构取代原有入侵检测系统采用的链表结构,在于改进入侵规则的存储和模式匹配,提高检测速度.用C4.5算法为决策树每个规则集节点动态选择最显著的特征,进行并行测试,实现性能优化.为了减少冗余比较和无效匹配,运用了一种基于C4.5决策树裁剪算法,以规则信息量作为判断标准.研究结果表明,此方法可以提高最终模型的预测精度,并能克服噪音数据,有效地提高了模式匹配速度和规则的访问速度.     

融合深度学习的无人机巡检绝缘子自爆检测研究

绝缘子自爆检测是无人机电力输电线路巡检的一项重要内容，准确、快速、自动寻找绝缘子自爆区域，能大量节省无人机巡检图像数据处理工作量，提高巡检的精度和效率。本文针对目前绝缘子自爆区域检测存在样本少、目标小且精度不高的问题，提出了一种融合深度学习的无人机巡检绝缘子自爆区域检测方法。该方法用大量绝缘子样本训练深度学习目标识别模型，在识别出绝缘子区域内利用计算机视觉方法对自爆区域进行检测。本文方法综合了深度学习检测复杂目标，以及计算机视觉无需大量样本且能够检测小目标的优点。实验表明：本文算法对缺陷的检测精度能够达到84.8%，对于绝缘子自爆检测具有积极的意义和应用价值。     

卫星视频处理与应用进展

视频卫星通过一定时间范围内对目标的连续成像,实现对热点区域和目标的动态实时监测,近年来已成为遥感卫星发展的一大热点.从视频卫星数据应用的角度出发,叙述视频卫星发展现状,分析卫星视频数据应用面临的主要挑战和成因.重点介绍卫星视频数据的几何辐射定标、视频稳像、超分辨率重建、运动目标检测与跟踪、三维重建等关键技术的现状和发展趋势.在此基础上总结卫星视频的主要应用领域,并对卫星视频数据处理与应用进行了展望.     

面向地面运动目标检测的SAR图像分辨率选取

在合成孔径雷达地面运动目标检测技术中,SAR图像分辨率的选取直接影响运动目标的检测性能. 为此,该文提出一种适合于运动目标检测的SAR图像分辨率选取方案. 结合感兴趣的目标大小从运动目标检测概率的角度出发,对不同SAR图像分辨率情况下运动目标的检测性能进行分析,以一种具有典型反射截面积的运动目标为例,给出不同目标尺寸条件下的最佳SAR图像分辨率. 该方案可广泛应用于工程实践.     

近景摄影测量中标记点的自动检测

近景摄影测量中,可以在待测物体表面分布一些易于识别的标记点,以提高特征识别的准确性和精度,保证多幅图象间特征点对应匹配的可靠性。文中采用圆形目标及编码元素作为标记点,并提出一种标记点自动检测算法。该算法首先根据标记点的尺寸、形状、灰度变化及位置分布等特征提取目标;然后利用非编码元与编码元的不同形状与灰度特征,提出一种改进的编码元自动身份识别方法,同时实现非编码元与编码元的分类;最后采用质心法进行标记点的精确定位,达到亚象素精度。实验结果表明,该方法受投影角度、噪声等因素影响小,具有很强的鲁棒性,可以实现标记点的准确识别和精确定位,实用性好。     

注意力引导的三维卷积网络用于遥感场景变化检测

场景级变化检测策略可以容忍高分遥感影像的大量噪声，进而从语义层级更准确地描述遥感图像在前后时相的变化，为高分辨率影像变化检测提供了可能。本文提出了一种注意力引导的三维卷积神经网络用于高分遥感影像场景变化检测的方法。首先构建一个在AlexNet基础上进行简化的三维卷积网络，然后加入一个语义注意力模块来进一步提取地表覆盖变化显著的候选判别区域；最后输入分类层得到分类结果，整个框架以端对端、可训练的方式进行组织，直接由双时相场景切片通过卷积网络得到变化检测结果。为评估场景级变化检测方法性能，本文制作了一个语义级高分遥感影像场景变化检测数据集，在该数据集上的实验结果显示本文方法变化检测的准确率高于相关方法，验证了方法的有效性，初步展示了基于深度学习的场景级遥感变化检测的发展前景。     

非均匀环境下雷达动目标检测的空时自适应处理

研究一种非均匀环境下地面动目标检测的STAP算法. 该算法将直接数据域内基于正弦曲线幅相估计的检测算法从空域维扩展到空时二维,提高目标回波幅度的估计精度,改善输出信杂噪比,有效地克服了原算法对弱目标检测性能差和虚警率高等缺陷. 仿真结果验证了这种方法的有效性.     

基于证据框架的模糊超球面支持向量机超参数优化

模糊超球面支持向量机(FHS-SVM)在处理一类分类问题时比超平面支持向量机泛化能力更强,特别是在雷达目标检测中得到了成功应用.FHS-SVM训练时需要预设一些超参数,不同的超参数得到的FHS-SVM性能差异很大.文中首先证明了FHS-SVM训练过程与证据框架第一层贝叶斯推理的等价性,然后在证据框架下提出了FHS-SVM超参数优化迭代方法.基于超宽带合成孔径雷达探雷数据,通过与穷举方法结果的对比检验了迭代优化方法的有效性.