基于Faster-RCNN改进的目标检测算法

以Faster-RCNN目标检测算法为基础,用(1×3+3×1+3×3)非对称卷积块替代Faster-RCNN网络模型的3×3卷积核,提出一种基于Faster-RCNN的改进目标检测算法。首先,将残差网络ResNet作为算法骨干,用于提取图像的特征图(Feature map),将Feature map先通过(1×3+3×1+3×3)的卷积核块之后经过两个1×1的卷积核。其次,利用区域建议网络(Regional proposal network,RPN)获得共享特征层的建议框,把建议框映射到卷积的最后一层Feature map上,通过感兴趣区域池化层(Region of interest,RoI)将不同尺寸的锚框进行归一化。最后,利用探测分类概率(Softmax loss)和探测边框回归(Smooth L1 loss)进行训练。本文使用的是PASCAL_VOC数据集,平均查确率(Mean average precision,mAP)结果表明,相比于原始Faster-RCNN算法,mAP值提高了0.38%,相比于RetinaNet算法,mAP值提高了2.68%,相比于YOLOv4算法,mAP值提高了3.41%。

视频异常检测技术研究进展

视频异常检测是指对偏离正常行为事件的检测识别,在监控视频中有着广泛的应用。对基于深度学习的视频异常检测算法进行了深入的调查研究和全面的梳理与总结。首先,对视频异常检测相关内容以及异常检测面临的挑战进行了分析;然后,从有监督、半监督和无监督三方面对视频异常检测的相关算法进行了介绍和分析。对三种不同场景下的算法进一步细化分类,将监督场景下的算法划分为二分类和多分类两种方式,将半监督场景下的算法划分为计算异常得分和聚类判别两种方式,将无监督场景下的算法划分为重构判别和预测判别两种方式,并且分析了不同技术的特点和优缺点。介绍了目前在视频异常检测领域常用的数据集,以及检测性能的评估标准,对目前主流的视频异常检测算法性能进行了对比分析。最后,对视频异常检测算法的未来研究方向进行了讨论和展望。

基于改进型时间分段网络的视频异常检测

视频异常检测是计算机视觉领域的一个重要研究课题,广泛应用于道路监控、异常事件监测等方面。考虑到异常行为的外观、运动特征与正常行为存在明显差异,提出一种改进型时间分段网络,利用该网络学习视频中的外观和运动信息,从而对视频异常行为进行预测。为了提取更多的视频信息,将RGB图和RGB帧差图相融合作为输入,以提取RGB图中的外观信息并通过RGB帧差图获得更有效的运动特征。将卷积注意力机制模块加入到时间分段网络模型中,从空间和通道2个不同的维度学习注意力图,利用学习到的注意力权重区分异常和正常的视频片段,同时运用焦点损失函数降低大量简单负样本在训练过程中所占的权重,使得模型更专注于难分类的样本,从而解决视频异常检测中正负样本比例不平衡的问题。实验结果表明,改进型时间分段网络在UCF-Crime和CUHK Avenue数据集上的AUC值分别达到77.6%和83.3%,检测性能优于基准方法 TSN(RGB流)以及ISTL、3D-ConvAE等方法。

基于深度学习的视频目标检测综述

视频目标检测是为了解决每一个视频帧中出现的目标如何进行定位和识别的问题。相比于图像目标检测,视频具有高冗余度的特性,其中包含了大量的时空局部信息。随着深度卷积神经网络在静态图像目标检测领域的迅速普及,在性能上相较于传统方法显示出了非常大的优越性,并逐步在基于视频的目标检测任务上也发挥了应有的作用。但现有的视频目标检测算法仍然面临改进与优化主流目标检测算法的性能、保持视频序列的时空一致性、检测模型轻量化等关键技术的挑战。针对上述问题和挑战,在调研大量文献的基础上系统地对基于深度学习的视频目标检测算法进行了总结。从基于光流、检测等基础方法对这些算法进行了分类,从骨干网络、算法结构、数据集等角度细致探究了这些方法。结合在ImageNet VID等数据集上的实验结果,分析了该领域具有代表性算法的性能优势和劣势,以及算法之间存在的联系。对视频目标检测中待解决的问题与未来研究方向进行了阐述和展望。视频目标检测已成为众多的计算机视觉领域学者追逐的热点,将来会有更加高效、精度更高的算法被相继提出,其发展方向也会越来越好。

基于MSR Retinex参数融合的真彩色图像增强

针对小波变换的单尺度(SSR)Retinex的真彩色图像增强算法的不足,文章提出了一种基于非抽样小波变换的多尺度(MSR)Retinex参数融合的真彩色图像增强算法,该算法在HSV空间下将亮度分量V按3个不同参数进行Retinex变换,对得到的不同参数再进行基于非下采样小波变换的融合,进而得到融合后的V分量,最后,将处理后的高低频系数进行反变换得到增强后结果图像。

基于稀疏表示的遥感图像融合

提出了一种基于稀疏表示的遥感图像融合方法,该方法首先将多光谱图像进行PCA变换,对变换后的第一主分量和全色图像进行分块稀疏表示;其次,将稀疏系数通过绝对值取大法进行融合;最后,将融合系数进行重构,得到融合后的遥感图像。为了验证该方法的有效性,实验过程使用了地球眼卫星数据和快鸟卫星数据,实验结果表明,该方法的实验结果无论从视觉效果还是客观评价指标上均优于对比方法得到的结果。

基于GA优化PCNN模型参数的彩色图像增强

为了改善由于光照不均对彩色图像的影响,根据人类对颜色的感知特性,提出了一种基于GA优化PCNN模型参数的图像增强方法。首先,将彩色图像在HSI空间的I分量进行NSCT分解;其次,利用GA优化PCNN模型的参数,用优化后的PCNN模型增强低频子带系数,对高频子带系数采用幂函数进行增强;最后,使用NSCT逆变换重构图像的亮度分量,进而得到增强后的彩色图像。实验结果表明,该算法增强效果明显优于空域PCNN的增强算法和NSCT域无优化的PCNN增强算法,不仅增加了彩色图像的明亮度,而且图像保真性好,纹理更清晰。

独立成分分析的多光谱图像融合算法

为解决图像空间信息的问题,文章提出了一种独立成分分析的多光谱图像融合算法,将多光谱图像的RGB 3个波段和近红外图像共4个波段进行独立成分分析变化,并对其做加权平均得到主图像信息,将主图像信息与全色图像加权求平均得到一副新的图像,然后将这幅图像还原到4个波段得到融合后的结果图像。