基于EfficientNet的实时目标检测模型

在智能驾驶领域中,通常要求模型兼顾精度和推演速率。然而由于硬件条件的限制,目前大量的目标检测模型尚不能满足该要求。因此,基于单阶段目标检测算法提出一种准确率与推演速率相对平衡的实时目标检测模型。该模型使用EfficientNet-B1作为主干网络,SPP与改进后的PANet作为脖颈网络,CIoU损失函数与YOLO损失函数的组合作为模型训练时的损失函数。为了在不引入额外计算量的同时进一步提升模型的精度,在模型训练时引入多种模型训练技巧。实验结果证明,在BDD100K与PASCAL VOC数据集上,该模型相比YOLOv4模型有着更低的计算量和更好的检测精度,且实验中所使用的训练技巧均为模型带来了一定的精度提升,证明了该模型及训练技巧的有效性。

大城市高架路实测数据分析与交通流模型研究

对上海市中心延安高架路一个路段交通流进行长时间录像拍摄,提取到"车速-车头间距"有效数据26000余对.应用该批实测数据,对多种常见交通流速密关系模型进行比较研究后发现,一维管流模型在我国高速道路交通流参数计算中具有优势.提出采用变参数一维管流模型刻画交通流非线性特征的基本方法.

基于知识蒸馏与EssNet的田间农作物病害识别

农作物病害的快捷精准识别对我国粮食安全与农业发展提质增效具有重要意义。针对现有病害识别模型参数量大、泛化能力弱、不适用于田间实际场景且不易搭载至移动端等问题,本文提出了EssNet农作物病害识别网络,该网络以ShuffleNetV2_0.5为基础网络,引入高效通道注意力(ECA)机制与SiLU激活函数进行结构改进,同时结合知识蒸馏技术使用EfficientNetB0网络对EssNet进行学习指导,最后使用余弦退火衰减策略对学习率进行动态调整使网络表现达到最优。结果表明,本文提出的EssNet农作物病害识别网络对复杂环境下2种作物(玉米、苹果)的11种病害在测试集上的准确率达到95.21%,比基础网络提高2.11个百分点,参数量为0.35 M,权重文件为1.49 MB。该网络的整体性能优于其他现有模型,为建立田间轻量级农作物病害识别方法提供了参考。

基于轻量级MIE_Net的田间农作物病害识别

为实现农作物病害的快速精准识别,降低病害对农业安全生产的影响,本研究针对现有病害识别模型参数量大、鲁棒性低、泛化性弱等问题提出了轻量级MIE_Net农作物病害识别网络。该网络以MobileNetV2为基础网络结构,首先使用多尺度特征提取模块替换原网络的初始卷积层,提高网络对不同面积病斑的特征提取能力,增加网络中的特征复杂度;其次在主模块中添加ECA注意力机制,提高网络对叶片病害区域的关注程度,降低复杂背景对小病斑特征提取过程的影响;最后使用Swish激活函数增加网络的表达能力,使网络性能达到最优。结果表明,多尺度特征提取模块提高了模型对不同病斑大小的识别准确率,ECA注意力模块提高了网络对小病斑的识别准确率,最终网络模型对复杂环境中2种作物11种病害类别的最低识别精确率达到91.2%,总体病害识别准确率达到95.79%,比原网络提高1.84百分点,参数量为2.24 M,权重文件大小为8.78 MB。MIE_Net网络在保证模型轻量化的同时提高了模型的准确性、泛化性以及鲁棒性,整体性能优于其他现有网络模型,为以后的轻量级作物病害识别方法提供了参考。

基于改进YOLOv5的新疆棉花幼苗与杂草识别方法研究

目标检测同农业发展相连结是农业生产走向智慧化的必由之路。研究把深度学习技术应用于杂草检测,提出改进YOLOv5的棉田杂草检测模型。首先,将YOLOv5主干网络中的卷积模块替换为Ghost卷积,实现模型轻量化;其次,使用对所有IoU loss增加α幂的α-IoU loss替换YOLOv5默认的CIoU loss,以提高模型前期收敛速度;然后,加入加权双向特征金字塔(BiFPN)。改进的模型可实现参数量降低56.8%、浮点运算次数降低65.8%的情况下mAP仅降低1.61%,可满足实际应用和移动端部署的要求。最后,使用解耦头(Decouple Head)替换默认YOLO Head,比官方YOLOv5的mAP提高1.76%,证明解耦头可以提高模型精度。

基于深度学习的非均质土壤条件下探地雷达反演方法

传统的地震或雷达勘探技术可以提供地下结构的一些信息。探地雷达反演方案旨在解决地球物理勘探中的地下目标检测和成像问题。本文介绍了一种基于深度学习的新型探地雷达图像反演网络,称为多特征提取网络块编码器—解码器(Encoder-Decoder with Multiple Feature Extraction Blocks,EDMFEBs)。该网络对接收到的电磁波反射信号进行分析而推断出地下结构和目标的性质、位置和几何形状。在本研究中,通过一种名为贪婪通道—空间注意力(Greedy Channel-Spatial attention,GCS attention)的新方法以提高EDMFEBs网络模型的准确性。EDMFEBs反演结果的结构相似性指数(Structural Similarity Index Measure,SSIM)达到了99.21%,平均相对误差(Mean Relative Error,MRE)降低为10.48%,均方误差(Mean Square Error,MSE)降为0.000336,平均绝对值损失(Mean Average Error,MAE)降为0.00105,相比于最新的一种基于多感受野双U形卷积神经网络(Double U-shape Convolutional Neural Networks with Multiple Receptive Fields,DMRF-UNet),SSIM和MRE分别提高了1.7%和9.27%,MSE和MAE分别下降了0.00014和0.00092。实验表明,该方法提升了反演速度,提高了反演能力,简化了模型参数,提高数据处理效率,节省时间和人力资源。

基于改进权重衰减的EfficientNet食用菌图像识别

目的:解决食用菌种类识别传统方法靠人眼判断的不足,降低同一科属性状相似的识别出错率。方法:提出一种基于卷积神经网络的EfficientNet食用菌图像分类模型,利用不同设备和拍摄环境采集食用菌图像并建立数据集,通过模型训练技巧和网络技巧对模型性能进行提升,提出一种YWeight权重衰减方法来控制有效学习率,通过控制cross-boundary来影响模型的泛化性能。结果:该方法在自建数据集YMushroom上使EfficientNet-B0获得79.82%(+0.85%)top-1精度,默认训练过程仅获得78.97%。在公开数据集Fungus上使EfficientNet-B0达到87.62%(+0.78%)准确率,原始训练准确率为86.84%。结论:通过调整超参数使模型可接近最优解,通过权重衰减提升了食用菌图像分类模型的性能。

融合内容与协同过滤的混合推荐算法应用研究

随着大数据时代的到来,海量数据出现在人们眼前。从冗杂的信息中快速获取满足人们个性化需求的数据成为了一个棘手的问题,推荐算法是解决此类问题的有力工具。针对移动电商平台中信息量较大,人们难以快速获得所需信息的问题,提出了一种融合内容与协同过滤的混合推荐算法。该算法先利用基于LFM的协同过滤算法产生推荐结果;当面临向新用户或新物品进行推荐时,再利用基于内容的推荐算法产生推荐结果。采用级联的方式将两种推荐算法进行混合,在一定程度上缓解了用户冷启动问题、物品冷启动问题及数据稀疏问题,克服了单一算法的局限性。实验证明,相较于传统的基于用户和基于物品的推荐算法,该算法能够有效提高推荐结果的准确率、召回率及覆盖率,从而提升推荐质量。

基于卷积神经网络的多模型交通场景识别研究

利用人工智能中的视觉分析技术,实现对高分辨率交通视频中出现的各个目标类别进行实时目标检测、语义分割和目标追踪。数据集结合BDD100K和Mapillary Vistas。训练中不仅对模型中的参数进行调整,还对多个模型进行改进与创新。目标检测模型使用EfficientNet-B1作为主干网络,使用ASPP与改进后的FPN作为脖颈网络,通过引入多种模型训练技巧,对模型进行优化,最终结果减少约2.3倍的参数量,在不同数据集上的准确率都有所提升。目标追踪使用DeepSort追踪算法对多个目标类别进行追踪计数。语义分割使用Encoder-Decoder结构,使用EfficientNet-B4作为主干网络,参照U-Net++网络使用卷积层作为特征提取模块,反卷积层作为上采样模块,通过联结不同大小的特征图,得到最终输出结果。将改进语义分割模型与MobileNetV2和DeeplabV3网络结合的模型进行对比,减少约1.35倍的参数量。实验证明,通过深度学习算法提取鲁棒性特征能够为自动驾驶和辅助驾驶场景中的检测识别提供便利。

基于多模型联合的身份证人脸验证应用研究

随着互联网技术的发展与普及,各应用软件以“井喷”之势进入人们的生活,而网络实名认证制度伴随着电子商务的发展也出现在大众视野中,在传统实名认证模块中,由于用户上传证件照片不完整、模糊和类别错误等问题,导致人脸验证准确率下降。该文通过对公民身份证的特点进行分析,基于Mask R-CNN算法对身份证及其关键信息进行像素级别的目标检测,对用户上传的证件进行质量判别,并根据判别结果联合MTCNN模型与FaceNet模型完成人脸的验证。最终在自建测试数据集上进行对比实验。实验结果表明,相比于原系统,使用多模型联合的身份证人脸验证方法,在不影响人脸识别精度的前提下,保证了上传证件的有效性和安全性,其中证件的查全率达到了99.24%,整个系统的准确率为95.20%。