计及排斥力损失的密集堆垛钢管识别方法

针对待检测的密集堆垛的钢管数量大、背景杂乱、拍摄角度和光照条件不一致、钢管截面形状和堆垛不整齐等复杂场景,在研究分析传统图像识别方法和现有基于卷积神经网络的目标检测方法的不足的基础上,提出了利用变分自编码器模型实现目标物体的半自动标注,然后提出了计及排斥力损失的目标检测优化算法对密集堆垛图像中的钢管截面进行精确识别。现场图像进行识别实验的结果证明,对于复杂场景下的钢管识别,此算法具有很高的精度和鲁棒性。相对于现有的方法,本算法具有更好的识别效果和工程实用性,具有很高推广意义。

基于YOLO和排斥力损失函数的行人检测方法

针对行人检测受人体姿态复杂、光照变化、遮挡严重等影响,导致检测效率和精度不高的问题,提出一种基于YOLO和排斥力损失函数的行人检测方法.首先,对YOLO模型进行改进,主要是设置合适的预选框以及采用较大尺度的特征图进行特征提取,从而提高其对小物体的检测性能;然后,对排斥力损失函数进行改进,使其符合行人检测的应用场景,为接下来的融合检测提供新的损失函数;最后,将改进的YOLO和排斥力损失函数结合起来,利用YOLO模型速度快的特点提高运行速度,并利用排斥力损失函解决行人遮挡问题.在多个行人检测数据集上的实验结果表明:与其他算法相比,能够更加快速准确地实现行人检测.

基于Faster R-CNN的高速公路拥堵场景车辆目标检测研究

为解决通用目标检测算法对于密集车辆检测的误检和漏检等问题,本文提出了一种基于Faster R-CNN的高速公路拥堵场景车辆目标检测方法。实验提出多变化处理模块和排斥力损失,在补充数据多样性的同时提高模型的泛化能力,并针对密集场景车辆遮挡等情况,提高密集车辆的检测精度。实验结果表明,该网络模型相比现有检测方法达到了更好的检测效果。