一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster region-based convolutional neural network （RCNN）框架的算法进行调参与优化. 主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络（RPN）部分增加2个面积尺度,检测部分使用感兴趣区域（ROI）Align结构,减少特征图映射和均分过程中的误差. 实验结果表明：使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.     

基于系统因素分析法和优劣解距离法的全寿命周期故障排序

根据数控机床的故障数据特征,从全寿命周期角度,提出了一种基于系统因素分析法和优劣解距离法(DEMATEL权重-TOPSIS法)的评价方法。该方法是将设计故障模式、影响度及危害性分析(FMECA)的风险优先数法(RPN)计算值与过程FMECA的RPN计算值的关系值作为系统因素分析法(DEMATEL)的输入数据得到优劣解距离法(TOPSIS)所需的权重值,再应用改进的TOPSIS距离公式对故障模式进行排序。利用这种方法对伺服驱动系统故障进行分析,并与传统的RPN法相比,克服了传统RPN的数学缺陷,确定了伺服驱动系统的薄弱部件。通过计算分析表明,该方法的评价结果符合伺服驱动系统的实际情况,具有一定的实用性和可行性。     

基于孪生神经网络的目标跟踪算法进展研究

目标跟踪作为计算机视觉领域的关键课题, 广泛应用在智能视频监控等领域。随着深度学习的迅速发展, 基于孪生神经网络的跟踪算法(简称为孪生跟踪算法)因其速度和精度的平衡优势成为了主流算法。尽管已有大量研究, 但仍缺乏从跟踪框架层面对孪生跟踪算法进行系统分析。为了梳理目前孪生跟踪算法的研究进展, 首先介绍了孪生跟踪算法的常见挑战、主要组成、跟踪流程、常用数据集和评价指标; 其次按照对跟踪框架的改进方向分为改进特征提取的算法、优化相似度计算的算法和优化跟踪结果的算法, 并分别详细介绍; 然后对20个主流跟踪算法进行测试与分析; 最后总结目前孪生跟踪算法存在的问题以及对未来的研究方向。