基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分.交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题.文章使用结合Darknet53的YOLOv3网络,增加对于小...     

基于深度学习的运动车辆与静止车辆识别

本文提出了一种基于YOLOv3算法的运动车辆与静止车辆的识别方法.其利用卷积神经网络提取运动车辆与静止车辆的特征,对网络的输出层Softmax进行修改,并通过大量实验优化权重模型参数;利用AICITY CHALLENGE数据集制作训练和检测数据库.测试结果表明,改进后的YOLOv3算法能更好地识别多种现实生活场景中的运动车辆与静止车辆,取得了95.55％的mAP与34.7 frame/s的检测速度,具有很好的检测性能与实时性;检测精度达到了98％,足够满足实用需求.     

基于深度学习的消防器材自动识别研究

在智慧消防城市救援平台项目中,定位建筑内消防器材位置的前提是准确识别建筑图纸上消防器材图标,只有精准地识别建筑图纸上的消防器材,救援平台才能为消防救援行动提供有效支撑.针对手动录入建筑楼层消防信息效率低下的问题,文中提出了一种在darknet框架下利用YOLOv3算法来实现的基于深度学习的消防器材自动识别方案.通过收集...     

基于深度学习的电厂消防器材移动检测研究

消防安全是当今社会安全稳步发展的重要保障,利用器材移动检测技术对消防器材是否移动进行智能检测为水电厂消防安全体系提供了有效支撑。提出了一种利用改进的深度学习目标检测YOLOv5算法进行消防器材移动检测的方案,同时收集数据标定数据集Fire Equipment,实现六种不同消防器材的准确自动检测识别,并通过逻辑后处理对是否移动进行检测,具有很高的实用性。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于深度学习的移动端交通标志识别研究与实现

针对目前在传统交通标志识别的检测方法中,检测结果易受环境影响,检测效果不佳.不同的场景需要设计不同的特征,随着数据量的增大,特征设计变得日益困难,且识别终端不易携带等问题.提出一种端到端基于YOLOv4的移动端道路交通标志检测系统.使用TT100K交通标志公开数据集训练YOLOv4网络,将最终训练好的权重网络移植到便携...     

基于深度学习的癌细胞检测系统

针对目前人工智能技术的理论研究日渐成熟,随着人工智能技术应用于生活、学习、工作等方面的普及,利用人工智能技术应用于医疗诊断与医疗服务是未来医疗技术发展的必然趋势,提出一种基于深度学习的癌细胞目标检测系统,实现人工智能+医疗应用于癌症诊断的核心环节。癌细胞目标检测的任务是检测出细胞图像里面细胞的类别并对其进行定位,YOLOv5是基于深度学习的端到端实时目标检测方法,首先利用基于PyTorch的YOLOv5模型轻量而性能高、更加灵活和便利等优点,然后提出一种基于特征金字塔和YOLOv5相结合的改进的YOLOv5模型,最后实现癌细胞图像目标检测。实验结果表明,该系统检测效果误差小,速度快,鲁棒性高。     

基于深度学习的光学遥感图像目标检测综述

目标检测是光学遥感图像解译的核心环节,广泛应用于情报侦察、土地利用、城市规划等领域。近年来,深度学习的发展成熟使光学遥感目标检测的精确度和效率得到大幅提升。本文首先综述了基于深度学习的通用目标检测算法;然后介绍了当前常用的光学遥感图像目标检测数据集并依据数据特点分析了数据集的发展趋势;接着根据遥感图像检测难点,从任意方向、多尺度、小目标、密集分布、复杂背景5个方面详细梳理了算法的优化方案;最后展望了光学遥感图像目标检测研究的发展方向。     

基于深度学习的水下图像目标检测综述

水下图像目标检测是水下智能化探测的核心技术之一,广泛应用于工业及军事领域。深度学习相关技术的突破为水下图像目标检测的发展带来了新的机遇,但是目前该领域的综述较为陈旧,并且缺乏一定的系统性和全面性。该文对基于深度学习的水下可见光图像和声呐图像目标检测研究工作进行了详细总结与分析。首先,对基于深度学习的通用目标检测算法框架进行了梳理,包含骨干网络、颈部模块、检测头部、训练算法、推理策略、数据集6项要素,并系统性地总结了每个要素存在的问题及最新研究工作;然后,调研了水下可见光图像目标检测最新进展,分别从数据集发展、模型设计、训练算法进行总结;同时,归纳并分析了水下声呐图像目标检测相关工作,包含前视、侧扫、合成孔径3种声呐。最后,结合深度学习最新研究探讨了该领域的研究趋势。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于深度学习和数据融合的机车辅助安全驾驶系统

随着信息技术的快速发展,传统冶金和矿山企业正大力推动产业的智能化转型。为提高机车行驶时的安全性、增强辅助驾驶员对机车状态的把握和提高企业运输经济效益,开发出一种性能优良、反应信息全面并且反馈速度快的机车安全辅助驾驶系统。该系统以STM32F103ZET6为核心处理器,通过串口与语音报警、全球导航卫星系统（global navigation satellite system,GNSS）定位装置灵活结合,利用串口屏设置系统页面,全面反映行驶中的信息。将RailSem19数据集划分为训练集和测试集,进行图片标注,在基于Tensorflow框架的YOLOv3模型下进行迁移学习,并部署到边缘计算芯片K210上,对轨道附近的行人和障碍物进行识别。     

基于深度学习的松材线虫病检测方法

松材线虫病的检测是我国林业有害生物防治工作的重点,利用深度学习方法进行松材线虫病检测是目前最为高效和精确的一种病树检测方法.文章提出了一种基于目标检测算法的的病树检测方法,通过k-means算法聚类分析数据集,生成更为合适的anchor,并加入自适应阈值调整机制进一步提高识别精度.实验证明了提出的方法是可行、有效的.     

基于深度学习的雷达交通目标检测研究

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5-KFCS模型。首先提出基于K-means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题。实验结果表明,改进后的YOLOv5-KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法。     

基于深度学习的场景文字检测综述

近年来,基于深度学习的场景文字检测技术取得重要进展.本文综述了该技术在2014~2018年间的最新工作,将其分为传统区域建议方法、文字建议网络方法、基于分割的方法以及文字建议网络与分割的混合方法,并对各类方法的优劣进行分析.本文还展望了未来发展趋势,指出未来研究热点.     

基于点云深度学习的3D目标检测

针对目前利用点云进行3D目标检测的研究较少和检测精度不高的问题,利用Frustum-Pointnets模型实现基于点云的3D目标检测,并在该模型的基础上进行改进,选用不同的激活函数和参数初始化方法进行组合对比,进一步提高模型的精度。实验表明:在选用Swish激活函数和He参数初始化方法时汽车平均检测精度提高了0.31 %,行人平均检测精度提高了0.41 %,骑车人平均检测精度提高了5.5 %。因此改进后的模型能有效提高检测的精度,使得模型能够应用在复杂的场景中。     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。