基于层级特征与相似性估计的跟踪器

针对多目标跟踪中存在的小目标易漏检和遮挡问题造成的身份切换等问题,沿用经典的基于检测跟踪(tracking-by-detection)框架,提出了一种基于深度学习的数据关联方法。利用深度学习特征提取的能力,在基于行人检测基础上设计了层级特征提取相似性估计的多目标跟踪器。通过端到端的方式提取跟踪物体的层级特征,并计算不同帧物体间特征的相似性,得到相似性矩阵。再利用匈牙利算法根据相似性矩阵完成最优指派问题,实现数据关联部分。实验结果表明,所设计跟踪器缓解了目标跟踪过程中由于遮挡问题带来的跟踪物体身份切换问题,并且在MOT16数据集上取得了较好的效果。     

湿喷混凝土喷射打击力分布测试试验研究

针对喷射混凝土打击力测试试验条件受限、喷嘴内混凝土与空气混合均匀度测定困难等问题,研发了喷射混凝土打击力的分布测试系统,借助LabVIEW软件对不同风压条件下的数据进行采集和存储。对传感器的输出特性进行曲线拟合,在此基础上,分析混凝土在喷嘴中混合的均匀度。研究结果表明:在现有的施工条件下,该喷射混凝土打击力分布测试系统能较为精准的测得现场试验数据。     

目标跟踪中基于深度可分离卷积的剪枝方法

为了减少跟踪网络中存在的参数量和计算量大的问题,提出了基于深度可分离卷积的剪枝方法。深度可分离卷积将跟踪网络中的传统卷积层分解为逐点卷积和逐层卷积两部分。在逐点卷积中,通过逐点卷积层中权重的大小来评估输入特征图通道在线性组合中的重要程度,将较小的权重及其关联的特征通道裁减掉。在逐层卷积中,通过K-L散度来衡量逐层卷积中滤波器的相似性,将相似的滤波器裁剪掉,减少冗余。通过上述方法进行多轮迭代剪枝,从而减少跟踪网络的参数量和计算量。在VOT数据集上的实验结果表明,在精度没有下降的前提下,剪枝后网络的参数量下降了22.54%,计算量下降了17.8%。在NVIDIA TX2设备上的实验结果表明,剪枝后网络的跟踪速度在CPU上提升了14.95%,在GPU上提升了13.07%。     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

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。