基于子空间多尺度特征融合的试卷语义分割

分离印刷体和手写体区域是实现试卷语义分割的关键步骤,为了提升试卷语义分割的效果,提出一种基于MaskRCNN网络的注意力改进算法。该算法将子空间多尺度特征融合(Subspace Multiscale Feature Fusion,SMFF)模块嵌入MaskRCNN网络的特征金字塔结构中,SMFF模块基于子空间计算注意力特征,减少特征图中的空间和通道冗余;通过多尺度特征融合,有效提取不同大小文本区域的特征并增强特征间的关联性。实验结果表明,在试卷图像数据集的目标检测和语义分割任务上,基于SMFF模块的MaskRCNN网络模型比MaskRCNN原网络模型的平均准确率分别提高了15.8%和10.2%,比基于常用注意力模块的MaskRCNN网络也有较大的性能提升。

基于条件轻量级神经网络的视频入侵检测算法

机场安防场景需要快速准确地对入侵目标进行检测及报警,现有的算法计算量大,无法满足实时处理需求。针对该问题,结合传统高斯混合模型的前景提取算法与轻量级神经网络,设计基于条件计算的轻量级入侵检测算法。在前景提取阶段使用基于信息熵的自适应学习因子更新算法动态更新高斯混合模型的学习因子,减小高斯混合模型面对镜头突入时造成模型失效的概率。目标检测阶段以ResNeXt作为主干网络,将小型ResNet作为策略网络,使混合感受野的深度可分离卷积作为残差块,设计基于条件计算的轻量级神经网络,降低网络推理时的计算量。实验结果表明,该算法在监控视频数据集和OTB100数据集上的误检率分别4.4%、9.2%,漏检率分别为2.3%、9.8%,与Faster-YOLO等传统目标检测算法相比,该算法在保证检测精度的情况下使检测速度平均提高了2.6倍。