基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域的核心任务之一。随着深度学习的迅猛发展,基于深度学习的目标检测技术已经成为该领域的主流算法,被广泛应用于人脸检测、车辆检测、行人检测以及无人驾驶等领域。本文系统总结了当前基于深度学习的目标检测算法的研究进展,对各算法的优、缺点及其在VOC2007和COCO数据集上的检测结果进行了全面分析,并对基于深度学习的目标检测算法的未来发展进行了展望。     

基于深度学习的高分遥感影像典型地物检测方法应用实践

传统的基于高分辨率遥感影像的典型地物检测方法难以兼顾检测精度、处理速度和自动化程度,而深度学习方法在图像处理领域中的应用为解决上述问题提供了可能.选用RSOD-Dataset数据集,基于TensorFlow深度学习框架,采用Faster R-CNN、YOLOv3和SSD三种经典深度学习目标检测算法,对高分辨率遥感影像数...     

无人机输电线路智能巡检技术综述

随着无人机在电力巡检领域的推广应用,输电线路巡检工作模式发生巨大转变,海量巡检数据需要后期人工处理,巡检工作高度依赖专业人员,对巡检工作智能化有着迫切需求.针对这一问题,本研究介绍电力巡检无人机应用现状,概述电力无人机巡检工作模式及特点,分析无人机智能巡检技术需求;在此基础上重点综述巡检数据智能处理、无人机自主导航和无人机续航三个关键技术问题,探讨其可能的解决方案,并对其未来发展进行展望,希望能为相关研究提供一些有益参考.     

一种电力线路巡检飞行机器人智能寻迹方案

针对大面积电力线路网络化检测的需求,结合电力线路巡检飞行机器人的特点,提出基于目标规划的电力线路巡检飞行机器人的智能寻迹方案.在智能寻迹方案的设计中,提出了包括故障率、关键度、气象因素的筛选准则,并利用对这些准则的综合评估进行电力线路的筛选;对于巡检序列的规划问题,利用反复最邻近法进行求解以确定最佳的巡检次序;对电力线...     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

基于深度学习的土木工程计算机视觉健康监测

土木工程领域的健康监测对保证工程长期、稳定服务有着重要的意义。相较于传统的监测方法,基于深度学习的计算机视觉技术具有高效、准确等优势。对基于深度学习的计算机视觉技术在土木工程全生命周期健康监测领域中的应用进行系统综述。首先,借助文献可视化软件对该领域文献进行科学计量分析;其次,简要阐述了计算机视觉技术的发展历程,总结了在构建深度学习数据集过程中数据获取、数据处理和数据标注三个重要环节的方法与内容;最后,重点回顾了在施工现场安全管理、在役结构局部损伤检测和结构灾后整体损伤评估等应用场景中基于深度学习的计算机视觉技术的发展历程与工程实际应用价值,并展望了可拓展的应用方向。     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

基于深度学习的场景文字检测研究进展

在大数据驱动应用的背景下,随着计算机硬件性能的提高,基于深度学习的目标检测和图像分割算法冲破了传统算法的瓶颈,成为当前计算机视觉领域的主流算法.而场景文字检测任务受到目标检测和图像分割算法发展的影响,近年来也有了极大的突破.这篇综述的目的主要有3个方面:介绍近5年场景文字检测工作进展;比较分析先进算法的优点及不足;总结该领域相关的基准数据集和评价方法.     

基于深度学习的水下生物目标检测方法综述

水下生物目标识别对水产养殖、濒危生物保护、生态环境监测具有重要意义。综合分析了当前各种深度学习方法在水下生物目标检测中的应用情况。首先介绍了常用的水下生物目标检测数据集；然后，按照两阶段和单阶段对当前常用目标检测方法进行分类、分析和总结，详细阐述了各类检测方法的实际应用状况，并重点对上述各类检测方法优化策略的优势与不足进行了分析和总结；最后，对基于深度学习的水下生物目标检测提出今后的研究重点，为该领域的研究人员提供了资料性的参考依据。     

基于Faster R-CNN的多尺度高压塔鸟巢检测

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55%.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5%和15.2%,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.     

基于轻量级深度卷积神经网络的绝缘子检测

在无人机巡检图像中,检测出绝缘子是实现输电线路状态分析的关键.本研究采用轻量级卷积神经网络代替传统的人工特征提取器,获取输入图像的深层特征;利用深度学习目标检测网络对所提取特征进行处理和训练学习,实现多尺度、多种类的绝缘子目标检测.实验结果表明:该方法可以准确快速地识别出以山林背景为主的瓷质和复合两类绝缘子,其检测精度...     

基于VDRCNN的电力巡检图像超分辨率重建算法

针对无人机巡检图像模糊、分辨率低等问题,利用深度残差卷积神经网络(VDRCNN:Very Deep Residual Convolutional Neural Network)理论,提出了一种无人机巡检图像的超分辨率重构方法。该算法模型由超分辨率加深网络(VDSR:Very Deep Network for Super-Resolution)和残差结构组成,同时结合批量组归一化和Adam优化器以获得更好的重建效果。在此基础上,构建电力部件检测数据集,通过恰当设置网络参数,实现针对模糊电力部件图像的高分辨率重构。实验结果表明,基于VDRCNN的超分辨率方法重建出的图像纹理更丰富、视觉效果更逼真,在峰值信噪比和结构相似度上分别有2.95 dB和3.79%的提升,明显优于传统检测方法。所提出的基于VDRCNN的电力巡检图像超分辨率重构方法对解决电力巡检实际问题具有一定的应用价值。     

深度视觉目标跟踪进展综述

视频目标跟踪是计算机视觉领域的一个重要研究课题.近年来,随着深度学习在视觉目标跟踪领域获得了巨大的成功,一系列优秀的深度跟踪算法涌现出来.本文回顾了近年来深度目标跟踪领域的进展.首先,我们详细讨论了近十年来跟踪领域数据集的发展趋势,这些数据集不仅全面地评估了算法性能同时为模型训练提供了极大的便利.其次,我们分类讨论了几大类经典的深度学习跟踪框架,包括深度相关滤波器跟踪、分类式网络跟踪、双路网络跟踪、基于梯度的深度跟踪算法以及基于Transformer的跟踪算法.最后,我们对全文内容进行总结,并指出未来的发展趋势.     

深度学习在目标检测的研究综述

现如今计算机视觉领域的研究热点之一是目标检测,其根本是对图像中指定目标的识别。而深度学习是目前发展快速,应用广泛的一种技术,其具备的学习能力可以在目标检测中对目标进行图像识别、特征提取以及分类识别等操作。通过介绍深度学习的研究进展、分析了各种网络模型的特点。最后总结了深度学习在目标检测领域的应用发展,结合当前问题和挑战,分析了以后的研究发展。     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

POWERLINE-ALS:一种用于输电线路场景深度学习语义分割的机载LiDAR点云数据集

为实现基于深度学习的输电线路点云精确语义分割,必须建立能够准确反映目标类别特征的点云数据集。但现有数据集无法满足输电线路场景点云语义分割的需要。因此,基于机载LiDAR获取的某地区500 kV超高压输电线路巡检点云数据构建了一套深度学习数据集——POWERLINE-ALS。该数据集包含地线、导线、杆塔、植被、建筑、低矮电力线等6个类别,输电线路长21 km。同时,利用PointNet++、PointCNN、KPConv、SPG、RandLA-Net等5种常用深度学习模型对数据集进行了训练和测试。模型实验结果表明,POWERLINE-ALS能够在目前主流的深度学习模型上应用,具有普适性,其最高测试精度和平均交并比分别达95.31%和82.25%,可以满足实际点云数据语义分割工作的精度要求。     

基于深度学习的智能合约漏洞检测方法综述

智能合约是区块链三大特点之一,也是区块链具有应用价值和灵活性的领域.本质上,智能合约是一段用特定脚本语言实现的代码,不可避免地存在安全漏洞风险.如何及时准确地检查出各种智能合约的漏洞,就成为区块链安全研究的重点和热点.为了检测智能合约漏洞,研究者提出了各种分析方法,包括符号执行、形式化验证和模糊测试等.随着人工智能技术的快速发展,越来越多基于深度学习的方法被提出,并且在多个研究领域取得了很好的效果.目前,针对基于深度学习的智能合约漏洞检测方法并没有被详细地调查和分析.本文首先简要介绍了智能合约的概念以及智能合约漏洞相关的安全事件;然后对基于深度学习的方法中常用的智能合约特征进行分析;同时对智能合约漏洞检测中常用的深度学习模型进行描述.此外,为了进一步推动基于深度学习的智能合约漏洞检测方法的研究,本文将近年来基于深度学习的智能合约漏洞检测方法根据其特征提取形式进行了总结分类,从文本处理、静态分析和图像处理3个角度进行了分析介绍;最后,总结了该领域面临的挑战和未来的研究方向.     

双重对抗无监督域自适应绝缘子检测算法

绝缘子检测在输电线路智能巡检中具有重要的应用价值.基于深度学习的绝缘子检测是一类常用的方法.然而,在某些情况下仅能获取某一类型绝缘子数据,用其训练得到的模型直接应用到跨域绝缘子检测,性能会急剧下降.为此,提出一种双重对抗的无监督域自适应绝缘子检测算法.具体地,为缓解绝缘子图像背景复杂对检测性能带来的影响,设计了一种混淆判别机制.在该机制中,输入两种不同类型的绝缘子图像到两个不同的判别器中进行分类,再通过对抗训练将两种绝缘子进行交叉分类以学习到域不变特征.此外,通过最大最小化目标域的两个分类结果分别优化判别器和特征提取器,减轻不同类型绝缘子外观差异较大的问题.大量的实验证明了提出方法的有效性.     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一,已广泛应用于民用的各个方面,如人脸识别、行人重识别、车牌识别、车辆识别等;而在军事应用领域,由于军事目标数据集较少,但识别要求精度高实时性强,所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状;然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用;最后对主流方法进行总结,并探讨了未来的发展趋势。     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.