基于混合结构卷积神经网络的目标快速检测算法

为提高基于卷积神经网络(CNN)目标检测算法的检测速度,提出一种基于混合结构CNN的目标快速检测算法。采用基于CNN的Faster R-CNN目标检测框架,对其CNN进行优化。基于多层感知器结构,提出CR-mlpconv卷积层结构。在网络浅层采用C. Re LU策略,同时结合CR-mlpconv层结构和C. Re LU策略,合理设计层参数,构成卷积神经网络。将该卷积神经网络融合到Faster R-CNN检测框架中,实现目标快速检测。实验结果表明,在检测精度的适当影响范围内,该算法能够减少网络模型参数并降低网络模型的内存消耗,提高网络的实时性。

基于行为主体检测的视频行为快速检测

现有视频行为检测方法在生成候选区域时采用滑窗操作,处理长视频速度较慢。针对该问题,通过对静态行为主体进行定位,提出一种快速检测方法。将长视频分割为若干个视频单元,在每个单元的第1帧中运用Fast R-CNN算法进行行为主体检测,对检测到行为主体的单元划定时间区域生成行为发生候选区域,以减少行为检测网络的输入数据。在此基础上,采用3D卷积神经网络判别候选区域类别,对行为类区域进行边界回归,得到准确的行为时间轴定位。实验结果表明,该方法检测速度较TURN方法提升2倍以上,其mAP指标只降低0.7%。