面向行车视频目标实时检测的轻量级SSD网络

车辆和行人检测是高级辅助驾驶(ADAS)中最基本也是研究最广泛的内容,而深度学习算法是当前性能最好的目标检测算法。然而,深度学习算法的计算量非常大,通常需要高性能的GPU显卡才能快速运行。在实际使用中,目标检测算法一般要求集成到车辆硬件系统中,因此算法对硬件资源的要求不能太高。基于SSD网络,提出一种轻量级的SSD网络,用于实时目标检测。通过减小输入图像的大小以及全连接层节点数量,减少网络复杂度,提升目标实时检测速度。计算量减少将导致检测车辆和行人的准确率下降,因此提出多级损失函数监督训练方法,来解决输入图像缩小而引发的图像损失及在反向传播过程中不能有效更新VGG中浅层卷积层参数等问题。此外,提出一种基于多尺度图像分块的训练数据集扩充方法,以解决图像缩放产生的形变及图像缩小后目标可能消失的问题。实验结果表明,采用所提出的轻量级SSD网络,不但实现了笔记本电脑上的车辆和行人检测的实时性,也保持了检测准确率。对比其他目标检测算法,优化后的网络对行车视频中车辆和行人的检测速度优于其他算法,且在获得相同准确率的同时消耗的电量更少。

基于图像处理的望诊面色自动识别研究

目的结合图像处理与中医理论实现面色自动识别。方法根据中医望诊面色相关理论,采用基于YCbCr颜色空间的椭圆肤色模型和主动外观模型算法对面部皮肤进行感兴趣区域分割,采用RGB空间、HSV空间、Lab空间中的颜色直方图、颜色空间的统计特征以及局部二值模式(LBP)特征对各区域进行颜色与纹理特征提取,使用支持向量机、极限学习机、BP神经网络对提取到的面色特征进行识别比较。结果将面色识别区域分成8块。结合颜色特征、纹理特征和LBP特征时,面色识别率达89.08%。青、赤、黄、白、黑5种面色中,白色采用BP神经网络的分类准确率最高,达89.5%。结论本研究结合肤色检测、图像处理与中医望诊理论,可实现面部肤色自动识别。

基于轻量级网络的人脸检测及嵌入式实现

尽管基于卷积神经网络(CNN)的人脸检测器在精度上已经有了很大提升,但所需的计算量和模型复杂度越来越高,如何在计算能力有限的嵌入式设备上应用人脸检测模型是一个很大的挑战。针对320×240分辨率输入图像的人脸检测在嵌入式系统上的应用问题,提出了一种基于轻量级网络的低分辨率人脸检测算法。该算法使用注意力机制、结合了Distance-IoU (DIoU)与非极大值抑制(NMS)、使用Mish激活函数,同时针对人脸特征比例设置合适的先验框,实现了精度和速度的平衡,并部署到嵌入式平台中。具体地,用深度可分离卷积替代普通卷积,并在卷积块后加入注意力模块(CBAM),使网络更关注待识别的目标物体;代替ReLU激活函数,采用了Mish激活函数来提高模型推理速度;通过结合DIoU与NMS,提高模型对小人脸的检测能力。实验在WIDERFACE数据集的结果证明,该方法不仅能实时高精度地进行人脸检测,而且在小分辨率输入上,精度高于传统算法。扩充数据集之后,模型在复杂光照下的泛化性得到提高。

The Conditions of Equivalence of a Class Germs of C~∞ Functions on Banach Spaces

在这份报纸，我们证明宝石的 converse 是正确的等价物也是真的在[1 ] 并且[2 ] ，获得一个班的等价的必要、足够的条件在 Banach 空格的 Cfunction 的宝石。