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.     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。     

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。     

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。     

基于深度学习的网络入侵检测研究综述

互联网的不断发展与广泛使用给网络用户带来了极大的方便,但同时也使得网络安全形势变得越来越严峻.传统的基于签名的入侵检测方法难以应对日益增多的加密攻击检测和零日攻击检测问题.在过去的几年里,人们对基于深度学习的入侵检测技术给予了极大的关注.文章通过广泛的文献调查,介绍了利用深度学习技术进行网络异常检测的最新工作:①总结了网络入侵检测常用的输入特征和相关预处理操作;②概括了几种常见的深度学习模型及其特点,并结合输入特征讨论了各个模型的选择方法;③总结了深度学习方法能够解决的几种常见的入侵检测问题;④讨论了利用深度学习进行入侵检测时仍然存在的若干挑战与问题.     

基于深度学习的蜜柚果树航拍图像检测

精细化、智慧化是果园管理的必然发展趋势,其中果树位置信息是果园管理的重要数据。为了快速获取井冈蜜柚果树的位置,利用无人机航拍获取蜜柚果园的正射影像,提出了一种用于检测蜜柚果树目标的SSD改进算法。该算法将原SSD算法的主干网络VGG替换为VoVNet,提高了特征提取能力。对样本数据进行了裁剪处理,有效提高了算法检测小目标的能力。实验结果表明,蜜柚果树目标的平均检测精度达到92.6%。     

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...     

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CAD模型虚拟仿真数据的深度学习目标检测

有效的深度学习网络在训练过程中所需数据规模大,而数据的采集与标注极为耗时耗力,限制了深度学习在工业上的应用范围.针对该问题,基于工业生产中常用的CAD模型,结合实际的工业应用背景,设计了一套参数化生成虚拟仿真工件图像数据集的方法,避免工业现场繁琐的平台搭建与数据采集过程.同时,提出一种基于YOLOv3的改进深度学习网络...     

基于深度学习的低成本堆叠物料定位系统

针对堆叠物料无序分拣中传统定位方法硬件成本高、检测精度低等问题,设计了一种基于深度学习的堆叠物料定位系统.以单目光学相机采集得到的图像作为输入数据,利用单阶段检测算法得到候选目标,采用卷积神经网络进行目标筛选,最后对筛选后的目标感兴趣区域图像进行特征点回归,得到目标的类别、坐标和角度.堆叠物料定位系统由于无需昂贵的深度相机,且算法的鲁棒性较高,降低了硬件成本,提高了检测精度.在真实场景的测试结果显示,新系统的定位误差降低到了0.3 cm以内.     

基于深度学习的多模态气管插管智能目标检测

针对困难气道气管插管过程中内窥镜图像视角较小、目标尺度变化大、相互遮挡等问题,融合内窥镜图像和CO₂浓度信息,提出基于深度学习的多模态气管插管智能目标检测算法。首先,对传统的YOLOv3网络进行改进,利用不同扩张率的空洞卷积构建并行多分支空洞卷积模块,并对输出特征进行上采样和张量拼接;其次,根据多路CO₂浓度差异,利用矢量化定位算法定位目标中心位置,校正YOLOv3得到的边界框的中心坐标,提升小目标检测的精度,辅助气道位置的定位;最后,基于该算法,研发了新型多模态气管插管辅助装置初代样机,并在模拟气道中进行实验,验证其可行性。在模拟气道中,该新型辅助装置的操作时间中位数为15.5 s,操作成功率可达97.3%。研究结果表明,基于深度学习的多模态气管插管智能目标检测算法能够有效地辅助气管插管操作。     

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%。     

基于深度学习的人体行为识别检测综述

人体行为识别检测是计算机视觉领域的研究热点,主要包括行为识别和行为检测两大部分.目前,对行为识别检测的综述主要聚焦在行为识别领域,对行为检测的关注度偏低.针对这一现状,聚焦行为识别和行为检测两个方面,分别综述了行为识别以及行为检测的各种方法,介绍了常用的数据集.首先从网络结构的角度重点论述了基于深度学习的行为识别方法;而后将行为检测划分为时序行为检测和时空行为检测,总结行为检测的各种算法;最后对各种算法的特点进行了总结分析,探索行为识别与行为检测的区别与联系,对当前研究面临的问题以及下一步的工作进行了总结和展望.     

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。     

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。     

士兵目标的少样本深度学习检测方法

针对敌士兵数据集样本较少的问题,提出一种基于YOLOv3的少样本深度学习目标检测方法.利用数据增广提高少样本目标检测模型的鲁棒性,改进网络结构将浅层网络特征图跨层连接至深层网络,采用k-means聚类获取适合士兵目标特性的锚点框,利用预训练提高模型训练收敛速度.实验结果表明,本文方法对少样本敌士兵目标检测成功率mAP达到85.6%、检测精度IOU达到82.18%,且对小型和遮挡目标检测效果较好;部署在NVIDIA TITAN V GPU计算机和NVIDIA Xavier嵌入式计算平台上的检测速度分别达到54.6和26.8 fps,实时性好.      

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。     

基于深度增强学习的网络数据包分类算法研究

提出一种深度增强学习方法来解决网络数据包分类问题。本方法DeepCut使用简洁的表示形式来编码状态和动作空间,并有效地探索候选决策树以针对全局目标进行优化。DeepCut能构建针对特定规则集和性能优化目标的决策树。实验结果表明,与现有的方法相比,DeepCut能有效地减少数据包的分类时间,同时减少了算法运行的内存占用。