基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于改进YOLOv5s的车辆检测研究

【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题,基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络,以达到模型剪枝的目的,改进后的网络模型复杂度有所降低,从而解决了网络模型较大的问题。同时,可引入挤压—激励注意力机制来提取更重要的特征信息,达到提高检测精度的目的。本研究所用到的数据集均为汽车图像,车辆检测数据集共有12 786张图片,将该数据集按照8∶1∶1的比例进行划分。其中,训练集为10 228张,测试集和验证集均为1 279张,采用对比试验法进行研究。【结果】试验结果表明,与原有的YOLOv5s相比,改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%,查准率和召回率分别提升1.9%和3.2%,模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度,提高了检测精度,并节约成本。     

基于加性指标的网络断层扫描的研究

为了提高网络拓扑推断的准确率,在加性指标的网络断层扫描基础上,改进了原有推断二叉树的邻接算法,同时有进一步改进后可以推断一般树的拓扑结构.通过端到端的方法进行测量,运用加性指标进行求得终端节点的距离,最后将计算得到的距离作为改进算法的输入,推断出网络拓扑结构.并充分进行仿真实验证明算法的正确性以及比现有算法推断的网络拓扑准确率有所提高.     

基于多输出网络的无参考平面图像质量评价研究

从深度学习方向对无参考图像质量评价进行了研究,提出了一种基于多输出网络的无参考平面图像质量评价算法.该方法考虑了深度卷积神经网络在提取特征时,每一层提取的特征表示不同的抽象视觉特征,浅层网络提取纹理、区域等细节特征,深层网络提取轮廓、形状和边缘等结构特征.设计了三个输出的网络结构,该网络将浅层和深层特征分别回归到主观质...     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况，并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题，采用生成式对抗网络模型对原始数据进行数据增强，解决了个别样本标签少导致分类模型出现过拟合的现象；针对3D-CNN网络提取特征不全面的问题，所设计高效的3D-CNN网络模型，在网络中加入纹理信息增强模型，使网络能更好地提取图像的空谱特征。实验表明，算法在小样本数据情况下比原始网络分类精度更高，能自适应提取高光谱图像的空谱联合特征。     

一种基于四叉树划分的改进ORB算法

原ORB （oriented FAST and rotated BRIEF）算法提取的图像特征点经常出现“扎堆重叠”现象，其分布较为密集且缺乏尺度不变性，因而容易造成图像特征点误匹配的问题。为了解决该问题，提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔，然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征（features fromaccelerated segment test，FAST）算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后，根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值，提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点，并使用改良后的二元鲁棒独立基本特征（binary robust independent elementary features，BRIEF）算法计算得出特征点的描述符，最后进行特征点匹配。实验结果表明，本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升，冗余重叠的特征点数量减少，且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。     

改进Faster R-CNN算法及其在车辆检测中的应用

为了更准确地得到符合车辆形态学特征的初始候选框,提出一种基于改进的Faster R-CNN模型的车辆检测算法.首先提取目标框的人工标注坐标值,得到标注框的宽度和高度,然后利用K-means算法对所有框的宽高值进行聚类,得出聚类中心点坐标值后,重新设置RPN的锚盒尺寸及比例,对Faster R-CNN算法的3种尺寸和3种比例加以改进.最后选择轿车、SUV、客车和货车4种车型车辆数据,对改进前后的Faster R-CNN模型进行训练,比较改进前后的模型在车辆检测及车型识别任务中的表现.实验结果表明,使用改进的Faster R-CNN模型达到86.54%的检测准确率,较原始模型提高3.12%.并且该模型有效解决了漏检和误检问题,在恶劣天气和复杂背景下均表现出较高的鲁棒性.     

基于注意力机制与YOLOv5s的轻量化农作物害虫检测方法

为解决在自然环境中人工检测害虫精度低、速度慢的问题,提出了一种基于注意力机制与YOLOv5s的轻量化目标检测算法．首先,使用Ghost卷积替换YOLOv5s中的普通卷积,得到轻量化的主干特征提取网络．其次,在YOLOv5s中加入加权双向特征融合机制,从而实现高效的双向交叉连接和多尺度特征融合．最后,在主干网络中加入坐标注意力机制,从而增强网络模型对位置信息的关注．与原YOLOv5s算法相比,新算法在IP102农作物害虫检测数据集上的平均精度均值提升了2.1%,模型参数量和计算量分别减少了44.6%和44.3%,检测速度为64.8FPs．实验结果表明,基于注意力机制与YOLOv5s的轻量化目标检测算法不仅提升了农作物害虫检测精度,而且显著降低了模型参数量和计算量,能够满足农作物害虫检测的应用需求．     

基于级联残差对抗生成网络的超分辨重建

图像超分辨率技术在遥感领域的应用越来越多,卷积神经网络(Convolutional neural network, CNN)在图像超分辨率任务方面取得了比传统方法更显著的改进。为了解决超分辨重建算法重建图像细节不清晰的问题,对基于对抗生成网络的超分辨重建算法进行了研究,以恢复接近人眼感知质量的超分辨重建图像。对抗生成网络分为生成器子模块和判别器子模块,生成器模块提取的低频图像特征在进入残差块前进行分组卷积,达到了降低参数量的目的。每3个残差块构成一个级联块,级联块通过级联的方式聚合不同级联块之间图像的特征,以实现信息流传递到更加深层的网络中,经过上采样完成生成器中的图像重建过程。判别器网络用于判别是否为生成器重建图像和真实的高分辨率图像,在真实高分辨率图像的判别过程中提高模型能力。同时,研究了加入感知损失对超分辨重建图像的影响,使重建图片纹理细节更加丰富。实验结果表明,重建图像的峰值信噪比较原来算法提高了0.48 dB,结构相似度提高了0.023,该模型在主观视觉评价和客观量化评估上有所提升。     

改进信息离散性度量方法的蛋白质二级结构预测

采用一种信息离散性度量方法对CB396数据集中的蛋白质数据进行二级结构预测,预测准确率达到72.1%.为了提高预测准确率,将FDOD算法结合PSI-BLAST进行多重序列比对,使预测准确率提高到75.6%,证明了该方法的有效性.在此基础上,利用20种疏水标度改进FDOD方法,以减小计算量.最后,结合长程作用,对预测准确性的影响因素进行了讨论.     

视频镜头分割与关键帧提取算法研究

为了解决关键帧提取算法性能因特征选取单一而受视频类型多样性限制等问题,提出了一种基于多特征的关键帧提取方法 .该方法在检测到的每个镜头内,采用颜色特征、小波统计特征和SIFT局部特征计算视频帧间综合相似度矩阵.然后采用一个改进的谱聚类算法将镜头帧分组,每一组的中心帧被选择作为关键帧,其中关键帧的数目通过计算聚类不稳定性的极小值进行估计.通过实验利用F1分数、保真度和镜头重构度等评估标准验证了该方法的有效性.     

深度学习空域隐写分析的预处理层

在一种具有预处理层的卷积神经网络模型基础上,对其高通滤波器预处理层进行改进,采用一组导数滤波器以获得线性及非线性残差图像,并对残差图像进行量化和截断操作,从而更加有效地提取图像特征.实验结果表明,与已有方法相比,尽管所提的3种方法对各空域隐写算法及各嵌入率下的性能表现并不一致,但这些方法均能显著提升隐写分析检测率.对于检测嵌入率为0.4 bpp的S-UNIWARD隐写算法,检测正确率提高了6%.     

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%。     

改进的Apriori算法的入侵检测系统研究

综述了数据挖掘技术在网络入侵检测中的应用,阐述了关联规则分析在网络入侵检测中的应用原理和最新的研究与改进,并指出了目前存在的问题和未来研究的方向。改进由k阶频繁项集生成k＋1阶候选频繁项集时的连接和剪枝策略;改进对事务的处理方式,当所有联接完成时只扫描一遍Lk-1,减少Apriori算法中的模式匹配所需的时间开销。实验表明,该算法应用于此系统来提取用户行为特征和入侵模式特征,提高了整个系统的性能。     

基于感知器的图卷积推荐系统

互联网信息陡增，导致信息过载，为客户更加精准地推荐商品变得越来越困难．与传统推荐算法相比，基于图神经网络的推荐算法可以更好地提取客户与商品之间的关联关系．但是，在此类算法中潜在特征的乘法内积的简单线性组合无法准确捕获客户交互数据的复杂结构．针对这类问题，提出了基于感知器的图卷积推荐算法，即在利用图神经网络提取关联关系时，使用感知器分别对客户和商品的特征进行提取．使用召回率和归一化折损累计增益作为评价指标，在3组公共数据集中进行了对比实验．实验结果表明，该方法比已有相关算法的效果有所提升.     

基于交互信息的混合特征选择算法

针对传统的特征选择算法只专注于特征间的相关性和冗余性而没有考虑特征之间交互作用的问题,提出一种基于交互信息的混合特征选择（hybrid feature selection based onmutual information,MIHFS）算法,该算法以K-最近邻算法的分类准确率作为衡量所选特征分类性能的评价指标,有效地去除了冗余和不相关的特征,保留了具有交互作用的特征。为了评估该算法的性能,从分类准确率、所选特征数量以及算法稳定性三方面,与最大相关最小冗余、联合互信息等7种特征选择算法在8个数据集上进行了实验比较和分析。实验结果表明：MIHFS算法具有较强的稳定性,不仅有效降低了特征空间的维数,而且在所选特征的分类性能方面明显优于其他特征选择算法。最后将MIHFS算法与灰色关联分析法-逼近理想解的排序技术法相结合并应用到高邮凹陷永安地区戴一段地质评价中,其评价结果准确率为80%,与实际钻探结果基本吻合,具有较高的可靠性,能够有效指导油气地质评价。     

基于YOLOv5s改进的口罩佩戴检测算法

由于新型冠状病毒肺炎的爆发，口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩，提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not, CA-A)提升网络的特征提取能力，解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数，作为回归损失函数，提升了边界框的定位精确度。实验表明，与原始模型算法相比，所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度，可以满足目标检测应用需求。     

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...     

基于语义分割的遥感影像建筑变化检测

遥感影像变化检测是利用多时相影像确定一定时间内地物或现象的变化，提供地物空间变化的定性与定量信息。传统遥感影像变化检测方法主要基于地面纹理及空间特征的方法，存在着难以精确识别遥感影像中新增建筑物的问题，为此该文提出了一种基于UNet网络的遥感影像建筑物变化检测方法。首先，将轻量级高效通道注意力机制网络（efficient channel attention network, ECANet），注入到原UNet网络模型，调整并优化网络结构，提升影像分割的准确度。然后改进SENet网络参数，提高遥感影像中的建筑物变化检测的精度。该文在高分辨率数据集LIVER-CD上进行实验，结果表明，所提方法的语义分割准确度达到99.03%，建筑变化检测准确率达到98.62%。相比于其他方法，该方法增强了影像的有效特征，提升了遥感影像中地面建筑物的检测精度。     

基于嵌入式GPU的车流量检测系统

交通拥堵是当今世界交通领域面临的主要问题之一,如何通过现有的交通设备获取更加精准的交通信息是亟待解决的问题。图像识别技术在智能交通系统中有着广泛的应用,基于深度学习的车流量检测技术是智能交通的重要组成部分。本项目设计了一个基于嵌入式GPU的智能车流量检测系统,该系统架设在NVIDIA JetsonTX2平台上,采用基于深度学习YOLO v3的车辆检测模型,检测道路上的车辆目标,设置兴趣区域,对检测到的目标进行识别计数,实现对交通视频的实时车流量检测。试验验证分析表明,该系统具有较高的检测精度。