面向轻量化网络的火焰快速识别

为解决火焰图像识别在边缘设备,移动端设备环境下模型体积大,准确率低,实时性能差的问题.首先选取ShuffleNetV2作为轻量化主干神经网络,保证模型的实时性;其次,设计了一种新的注意力模块SCDAM(space and channel dual attention module)去同时考虑通道和空间的关联性,针对不同特征的重要程度去赋予不同权重并有效提高模型精度;然后,设计了一种多尺度特征融合模块,使提取到的特征在空间尺度上更加丰富,加强网络对不同尺度的适应性;最后将SCDAM模块以及多尺度模块引入到ShuffleNetV2中并利用迁移学习方式优化模型参数,进一步提高模型精度.在参数量和计算量仅有微量增加的情况下,本算法的精度比ShuffleNetV2提升了3.2%,且单次推理速度仅耗时8.7 ms.实验证明,该算法更加适合应用在计算资源有限情况下,如火药火焰的识别与监控.

集成多特征信息的街景图像变化检测方法

图像变化检测是区分同一场景不同时间所获取图像的变化区域与未变化区域的重要方法。然而现有的基于深度学习的方法往往需要大量的数据样本进行训练和调参,使得模型的训练过程非常耗时且对内存的要求很高。另一方面,现有的大多数变化检测模型中,输入层的图像必须归一化到同样的大小,但是调整图像尺寸又会造成图像小目标信息缺失等问题,导致检测结果的精确度降低。针对上述问题,提出了一种集成多特征信息的街景图像变化检测方法。首先,将参考图像和检测图像分块,提取图像块的颜色特征、纹理特征和形状特征;然后,计算对应图像块之间上述三种特征的欧氏距离,同时计算图像块之间的感知哈希序列和灰度方差;最后,使用集成模型将几种分类器组合为变化检测的分类模型,将上述几种特征作为模型的输入特征,得到图像的变化检测结果。该方法对图像的输入尺寸没有固定的要求,并且有效降低了模型的复杂性。在CDnet2014数据集上的实验结果表明,只需要少量的训练样本,就可以得到较为鲁棒的变化检测结果。