一种双LSTM结构的图像多标签分类方法

基于深度学习的图像多标签分类方法主要采用CNN-RNN方法进行按顺序标签预测。但是由于图像的多个标签没有特定的顺序,CNN-RNN方法难以确立有效的标签序列顺序,使得预测的精度不足。基于CNN-RNN方法构建了一种双LSTM结构,利用CNN从所给图像中提取出特征,构建两个LSTM同时解析图像特征,并采用不同的序列顺序进行预测,融合两个预测序列得到最终的预测标签。实验结果表明,文中提出的算法能够有效降低由单一的标签顺序带来的分类效果不足的影响,提高多标签分类的精度。

基于卷积神经网络的目标检测算法综述

针对基于卷积神经网络的目标检测算法的国内外发展现状进行综述。首先,回顾了传统目标检测算法的发展历程和算法尚存的问题。然后,简要阐述了基于卷积神经网络(CNN)的目标检测算法原理和优势,并根据算法处理目标分类和边框回归使用的解决思路不同,分别介绍了基于候选区域的多阶段目标检测算法和基于回归思想的一阶段检测算法;依据算法发展演变过程,对每个类别中若干经典算法的产生背景、解决问题和设计思路进行了描述。最后,在公开的MS COCO与Pascal VOC数据集上对算法检测效果进行对比分析,并对未来发展趋势进行展望。

基于YOLO算法的鱼群探测监控系统

针对水下鱼群实时检测与管理,基于YOLO的鱼群检测算法以及WCF技术构建了鱼群探测系统。系统分数据采集与控制、深度学习图像处理单元以及软件系统三个模块。首先,系统利用双目高清摄像头采集水下实时视频并进行视频传输;然后,利用YOLO算法对输入的视频图像进行鱼群检测;最后,利用Html与WCF技术对视频检测的结果进行展示与存储。在昆山市淀山湖水下环境中进行鱼群检测,可以实时检测鱼群数量并上传鱼群的截图,然后根据历史数据实现数据可视化显示,为研究该水域鱼群分布以及活动规律提供参考依据。

基于改进SSD算法的双目鱼群图像检测

针对水下鱼群图像对比度低、鱼群尺寸不一致以及双目图像拼接出现的伪影问题,通过改进SSD(single shot MultiBox detector)算法提高图像拼接精度,实现不同尺寸鱼群快速准确检测。借助卷积层重叠相加法融合多个卷积特征,增强各个特征层的特征强度;构建特征金字塔模型,实现低卷积层的高分辨率特征与高卷积层的语义特征的融合,提高水下低对比度图像中小目标鱼群的检测精度;利用两个相同的卷积模型进行特征匹配,依据反向传播机制将第六层匹配特征逐级映射到第四层,提高特征匹配精度。在Labeled fish in the wild数据集上对本文算法进行验证,对小目标鱼群的检测精度在90%以上。

一种基于YOLO算法的鱼群检测方法

鱼群图像和视频的自动检测,在科学养殖与监管、海洋渔业监测等领域有广泛应用。为了有效提高鱼群检测的精确度,一些学者已经提出了基于深度学习的方法,但是实时高效的检测出鱼群的位置还未得到较好的解决。本文利用计算机视觉与深度学习方法相结合,提出了一种基于YOLO算法的端到端鱼群检测方法,通过提取整张图像的特征,利用卷积运算与非极大值抑制处理后直接估计出该图像内各目标位置信息,处理速度大幅度提升。同时,针对光线较暗的水下场景,算法依然能够实现场景中鱼群的检测定位。在Labeled Fishes in the Wild图像数据集上验证了本算法,可以达到30帧/秒的处理速度,对实时视频中鱼群的检测精度能够达到90%以上。

一种基于特征融合SSD的鱼群检测方法

由于部分鱼群目标尺寸过小、水下光照不足等原因,这导致漏检问题很难得到有效地解决。在现有基于深度卷积神经网络的目标检测算法(Single Shot MultiBox Detector,SSD)基础上,提出了一种基于特征金字塔的SSD网络模型(FP-SSD)。利用SSD网络对输入的图像进行特征提取和目标分类;同时利用特征金字塔算法提取各个卷积层产生的特征信息,将低卷积层的高分辨率特征与高卷积层的语义特征进行融合,提升各个卷积层语义特征表达能力,增强低对比度目标特征信息。在标准数据集Labeled Fishes in the Wild上验证了所提算法。上述方法可以达到22FPS的处理速度,并取得93%的检测精度,对包含大量小目标鱼群的查全率超过72%。

指上乐趣多

我们中队趣事多，容我慢慢道一二。自从网上流行“抖音”以来，我们就痴迷上了它。黄诗媛尤为突出，她会一种抖音上的奇妙“舞蹈”——手指舞。何为手指舞？顾名思义，就是用手指来舞蹈。台上三分钟，台下十年功。黄诗媛的手灵巧极了，表演时旋转、跳跃，指不停歇，灵动飘逸。同学们看后都啧啧赞叹!