一种茶叶病害的深度学习检测算法

提出了一种改进的基于深度学习的茶叶病害目标检测算法。该方法在网络模型中添加坐标注意力机制,使模型细化特征,更加关注茶叶病害信息,从而抑制树枝、杂草等一些背景因素的干扰;选用CIoU作为模型的损失函数以提高定位能力;同时,通过聚类的方法对数据集中的目标边框进行重新优化,以获得更精准的先验框;并建立包含6种病害的茶叶病害数据集,解决了病害图像数据匮乏的问题。与其他算法对比实验结果表明,所提出的算法在多个指标上均有较好的表现,可为茶叶病害智能化诊断提供高效的解决方案。     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

一种基于深度学习的商标检测方法

网购时代,五花八门的产品品牌让消费者选择困难,同时也滋生了大量线上商标侵权行为。为此,提出一种基于深度学习的商标检测方法。方法以YOLOv7-tiny网络模型为基础,首先,为提升多尺度检测能力,Neck部分的PAnet模块改为简化的自适应学习权重、多尺度特征融合网络SimBiFPN;接着,为关注关键语义信息,引入注意力机制,将Neck与Head间的卷积层Conv改为全维度动态卷积ODConv;最后,为了使算法具有像素级建模能力,将激活函数改为FRelu。选择天池平台数据集经Mosaic和Mixup数据增强后完成模型的训练与验证。结果表明:改进模型的mAP达到85.84%,较原始模型提升了近2个百分点,优于其他YOLO(you only look once)模型,且模型的参数量下降41%。所提方法有助于提高用户的在线购物效率,同时可加强商标侵权的打击力度。     

基于注意力机制的水下目标检测算法

针对传统水下目标检测算法识别精度低的问题,提出一种基于注意力机制的水下目标检测算法(feature refinement and attention mechanism network,FRANet).该算法采用特征融合模块和特征增强模块相结合的方式,使用卷积神经网络提取目标的多尺度特征.同时引入一种由锚框精化模块、空...     

基于深度学习的多模态行人检测算法

针对全天候工作的多模态行人检测算法体积大、运算量高、效率不足的问题,提出一种基于深度学习MBNet算法搭建的轻量级多模态行人检测算法(G-MBNet)。采用ResNet18算法并结合跨阶段链接的思想搭建CSP-ResNet18轻量级特征提取网络,以保证检测算法精度;引入轻量级高效通道注意力(ECA)模块来提升特征提取网络对重要特征的关注能力,在引入极少参数的情况下提升算法的检测精度;通过引入轻量级Ghost卷积模块来重构MBNet算法的特征提取网络,在保证特征提取性能的情况下进一步降低算法的参数与体积,提升算法的检测速度。采用所提的G-MBNet算法在KAIST行人数据集进行测试,实验结果表明：G-MBNet算法大小是原始算法的32.33%,参数量是原始算法的37.81%,检测速度是原始算法的1.53倍;G-MBNet算法可在保证行人识别精度的情况下有效提升检测速度。     

基于深度学习的目标检测算法综述

目标识别和定位是计算机视觉领域研究的主要问题,图像分割、目标跟踪、目标行为分析等都是以图像中的目标检测为基础的.随着深度学习技术的发展,目标检测算法取得了巨大突破.在广泛调研相关文献的基础上,对目标检测算法进行分析和对比,分别研究基于区域提取的两阶段目标检测架构和直接位置回归的一阶段目标检测架构的本质特点和发展过程,并提出未来的发展方向.     

基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体）,确定它们的位置和类别。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,使目标检测成为计算机视觉领域中最具有挑战性的问题之一。该文综述了深度学习在目标检测方面有代表性算法的进展与展望。针对基于候选窗口（Region Proposal）的Two-Stage检测框架和基于回归的One-Stage检测框架,分别对有代表性的检测算法进行重点介绍,做出对比与总结;最后讨论目标检测领域存在的困难与挑战,并对未来目标检测方向的发展趋势进行展望。     

基于深度学习算法的OFDM信号检测

为了提高正交频分复用(OFDM)无线通信系统的信号检测能力,提出了一种基于深度学习(DL)算法的信号检测框架来代替系统信号检测模块.首先利用迫零(ZF)均衡器重构深度神经网络(DNN)的输入;然后在离线训练中增加预训练阶段,以导频符号和数据符号作为训练数据,为训练阶段提供良好的初始参数;最后在线信号检测通过加载离线训练获得的最优参数进行信号检测.实验结果表明:当信噪比(SNR)为25 dB时,无预训练阶段和无ZF均衡器的框架性能相对于完整的DL信号检测框架性能分别损失了2和4 dB;在导频符号数目减少和无循环前缀(CP)的情况下,DL框架的误码率相比传统方法均明显下降;在不同信道参数下,DL框架的性能损失比传统方法更小.ZF均衡器和预训练阶段均可提高DL框架性能,DL框架能更好地检测信号并具有较强的鲁棒性.     

基于深度学习的政务表格单元格结构检测

当前政务领域中涵盖大量复杂异构表格,其结构检测困难,识别准确率较低并且单元格边缘拟合效果较差.针对该问题,在掩膜区域卷积神经网络（Mask R-CNN）的基础上,以政务表格单元格结构为对象,提出一种改进的政务表格单元格结构检测方法 .首先,在Mask R-CNN算法的主干网络及特征金字塔中加入通道注意力机制,增强有效特征通道权重;然后,对分割产生的掩膜结果使用基于规则和形态学方法进行优化以提升单元格分割边缘拟合度.实验结果表明：改进后的表格单元格结构检测模型在此数据集G-Tab及公开表格数据集ICDAR2013上的精确率和召回率都有明显提升,能够验证改进模型的有效性.     

基于深度置信网络的假手指静脉图像检测算法

针对伪造的手指静脉图像能够成功攻击手指静脉识别系统,从而使得其识别系统安全性能大大降低的问题,提出了一种基于深度置信网络的手指静脉防伪检测的方法;通过逐层无监督的学习方法预训练深度网络的权值参数,以及有监督的BP神经网络微调深度网络的权值参数,从而提取到手指静脉图像的特征,用于静脉图像的检测;实验结果证明所提出的手指静脉防伪检测方法能够有效地识别出假手指静脉图像;通过对比性实验研究,发现此方法提高了手指静脉识别系统的安全性能。     

基于策略记忆的深度强化学习序列推荐算法研究

推荐系统旨在从用户-项目的交互中进行建模,为用户推荐感兴趣的内容,从而提高用户体验.然而大多数用户-项目的序列并不总是顺序相关的,而是有更灵活的顺序甚至存在噪声.为解决这一问题,提出一种基于策略记忆的深度强化学习序列推荐算法,该算法将用户的历史交互存入记忆网络,使用一个策略网络将用户当前的行为模式更细致地划分为短期偏好...     

基于改进YOLOv5的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题，本文提出了一种基于YOLOv5s（You Only Look Once）的轻量化无人机检测算法TDRD-YOLO（Tiny Drone Real-time Detection-YOLO）.该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络，引入MobileNetv3轻量化网络对原骨干网络进行重构，并将骨干网络后的通道在原YOLOv5s的基础上进行压缩，减小网络模型大小；其次，将骨干网络中Bneck模块的注意力机制由SE修改为（Convolutional Block Attention Module，CBAM）并在颈部网络引入CBAM，使网络模型更加关注目标特征；最后修改颈部网络的激活函数为h-swish，进一步提高模型精度.实验结果表明：本文提出的TDRD-YOLO算法平均检测精度达到96.8%，与 YOLOv5s相比，参数量减小到原来的1/11，检测速度提升1.5倍，模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.     

基于改进的CNN-LSTM的DGA域名检测算法

近年来,网络安全问题层出不穷,其中僵尸网络是造成网络瘫痪的重要原因之一。僵 尸网络利用域名生成算法（DGA）生成大量恶意域名进行网络攻击,对网络安全造成威胁。现有的 DGA域名主要分为字典型和字符型,传统的深度学习方法无法同时检测出两种类型的DGA域名, 尤其是无法检测出基于字典的DGA域名。针对这个问题,本文提出了改进的CNN-LSTM的DGA 域名检测算法,该算法融合了卷积神经网络（CNN）、注意力机制和双向长短时记忆网络（BiLSTM）, 可以同时检测出两种类型的DGA域名。最后进行了不同算法的对比实验,实验结果表明,与其他 深度学习模型相比,该算法提高了DGA域名的二分类和多分类的准确率和F1值。在多分类实验 中,通过改进损失函数,提高了小样本数据的域名检测率。     

基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过RoI池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。     

基于深度学习的吸烟检测研究

为配合公共场所禁烟,针对监控视频进行吸烟行为检测,提出了利用深度学习方案.烟支检测属于小目标检测任务,在图像中占比例小、特征少,检测困难.本文结合残差、CSP、深度可分离卷积、注意力机制、批归一化、特征金字塔等思想并进行改进,构建小目标检测模型用于吸烟检测.实验结果表明,本文方法很好地兼顾了检测精度和检测速度,拥有很好的泛化能力和鲁棒性.     

基于深度学习的交通拥堵检测

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。     

基于深度学习的网页篡改远程检测研究

为了更为精确和全面地对网页篡改攻击进行远程检测,基于语料库建设和深度学习方法改进了检测过程。大规模获取了可能被篡改攻击的网页,并基于语料库建设方法,人工建立了网页篡改数据库。基于深度神经网络,提出了融合文本特征、结构特征和网络特征的自动检测算法。该文提出的方法可以判断网页是否被篡改和被篡改的类型。经过实验,该文提出的方法在测试数据集上的精确率、召回率和F值分别为为95.6%、96.7%和96.1%,显著超过基准方法。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于深度学习的虚假域名检测

为了检测恶意程序中的虚假域名,便于识别僵尸网络和恶意程序,提出一种基于深度学习的虚假域名检测模型;该模型以域名字符串的字符序列为输入,利用一维卷积神经网络和自注意力机制,分别挖掘字符序列中各字符之间的局部依赖信息和全局依赖信息,将两者拼接在一起得到组合特征向量;借助多层感知机,得到待检测域名属于不同域名类别的概率.仿真...