基于改进Faster RCNN的微操作空间目标检测算法

将Faster RCNN引入微操作系统的目标检测之中。针对微操作空间下待检测目标存在尺度变化和在显微镜放大倍数较小时,待检测目标尺度过小、特征不明显的问题,提出了一种基于改进Faster RCNN的微操作空间目标检测算法。使用在图像分类任务中性能优越的深度残差网络提取图像的特征。引入递归特征金字塔网络,对特征进行融合。改进区域建议网络的采样策略,对损失函数进行优化。实验结果表明:这种改进的Faster RCNN算法能有效解决由于目标尺度变化和目标尺度过小带来的问题。相比通用的目标检测算法,该算法的准确度更高,速度更快,具有实际应用价值。

应用卷积神经网络与RPN的交通标志识别

在智能交通系统中要求交通标志识别具有良好的鲁棒性、实时性,并且实际交通环境中可能因路标模糊、光照强弱、尺度大小、复杂背景等因素的问题,导致交通标志识别准确率很低。针对上述问题,提出了利用深度学习方法设计卷积神经网络,并通过卷积和池采样的多层处理,结合目标检测方法中的RPN网络结构,以提取图像的候选区域,从而对候选区域进行特征提取,最后利用全连接网络实现对特征图进行回归处理,获取检测目标的位置及识别。实验结果表明,该方法能有效地提高检测精度和计算效率,降低错误率,对于光照、旋转等不良因素下交通标志检测具有较好的稳定性和准确性,有效地提高了交通标志识别效率,具有良好的泛化能力和适应性,且满足一定的实时性的要求。

融合LoG特征的凸焊螺母检测算法

针对目前汽车曲面零部件的紧固连接中常用的凸焊工艺中出现凸焊螺母的漏焊、错焊,以及主要依赖人工目测的低效检测方法等问题,提出了一种基于Faster-RCNN的凸焊螺母检测算法。以Faster-RCNN作为基础模型,针对模型在不同角度下螺母特征各异且难以提取的问题,提出提取LoG特征和原图像自适应融合的方法,以增强模型对螺母特征的提取能力;引入特征金字塔(feature pyramid network,FPN)解决小目标难以被精确检测的问题;为了提升网络在复杂背景中的检测鲁棒性,在FPN中嵌入坐标注意力机制来提升网络对重点目标的关注;设计损失函数,提升训练效果,增强回归框中心点的回归精确度。实验结果表明,所提算法相比原算法,在IoU=0.75时凸焊螺母的检测精确率上升了8.65个百分点,达到90.11%,召回率上升了5.87个百分点,达到79.23%,相比原算法具有明显改善。

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster regionbased convolutional neural network(RCNN)框架的算法进行调参与优化.主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络(RPN)部分增加2个面积尺度,检测部分使用感兴趣区域(ROI)Align结构,减少特征图映射和均分过程中的误差.实验结果表明:使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.

基于改进RPN深度网络的端到端的监控场景行人检测研究

监控场景下的行人检测相比其他场景,具有人流量大,遮挡程度高的特点。针对该场景,本文提出基于RPN深度网络的端到端检测方案。一方面改进了RPN深度网络,结合自行设计的深度卷积网络,获得了针对行人检测的深度网络。另一方面通过引入头肩模型进一步提高了针对该场景行人检测的检测性能,同时提升了检测实时性,最终实现了端到端检测。实验表明,本文方法有效提升了监控场景行人检测的检测性能和实时性,降低了检测漏检率。

一种用于单目标跟踪的锚框掩码孪生RPN模型

针对孪生区域候选网络(RPN)易受干扰且目标丢失后无法跟踪的问题,引入锚框掩码网络机制,设计一种新型孪生RPN模型。设置多尺度模板图片,并将其与目标图片进行卷积操作,实现全图检测以避免目标丢失。通过对前三帧图片的IOU热度图进行学习,预测连续帧目标锚框掩码,简化计算并排除其他目标干扰。在VOT2016和OTB100数据集中的实验结果显示,该模型对VOT2016数据集检测帧率达到24.6 frame/s,预期平均覆盖率为0.344 5,对OTB100数据集的检测准确率和成功率分别为0.862和0.642。基于摄像头采集数据的目标丢失及干扰测试表明,该模型具有良好的抗干扰性与实时性。

基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法

针对传统Faster-RCNN方法中候选区域生成网络(RPN)模块在进行目标检测时对目标特征提取不够充分的问题,提出一种基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法.首先基于VGG-16网络提取出图片的多层特征,然后利用卷积核对最深的3个特征层作进一步的特征提取和正则化处理,最后对处理后的3个特征层进行信息融合.利用MSTAR数据集中车辆目标SAR图像和自然背景SAR图像,通过图像分割和贴图的方式制作了SAR场景数据集,对所改进网络进行训练和测试.实验结果表明,在SAR图像车辆目标检测中,与传统RPN相比,改进RPN收敛速度更快,不仅将检测结果的查准率从97.7%提高到了99.7%,虚警率明显降低,而且泛化性能更强,针对训练范围以外的目标,能将查准率由98.0%提高到99.0%.

基于RPN网络和改进LBP特征的充电口检测算法

随着电动汽车在全球范围内的大规模推广,电动汽车自动化充电问题越来越受到人们的关注。自动化充电过程中最关键的步骤就是检测和识别充电插口,并完成充电插口与充电枪的对接和插拔。本文提出一种基于Faster-RCNN的充电插口检测识别算法。结合显著化图像对其中的RPN网络部分进行改进,将图像中的充电口区域显著化,用处理后的特征图像作为RPN网络的输入;设计一种多尺度MB-LBP特征与神经网络联合进行候选区域分类。基于Pytorch框架在自建的数据集上进行训练和测试,实验结果表明,本文所提出的算法能够满足工作场景需求,并且能够较好地应对光照条件变化以及尺度变化。

基于RPN-BN的平台-隔水管系统遇内波风险分析

为保障内孤立波作用下的深水半潜式钻井平台-隔水管系统的安全,同时解决海洋平台系统设备失效数据的缺失问题,提出1种风险优先系数(RPN)与贝叶斯(BN)结合的定量风险分析方法。首先,基于故障树和安全屏障方法,建立平台-隔水管系统Bow-tie模型和贝叶斯风险演化模型;其次,根据贝叶斯推断和风险优先系数中的事故发生频度估计,得到平台-隔水管系统失效事故的发生概率;最后,通过贝叶斯网络的逆向推理能力辨识内孤立波作用下引起平台-隔水管系统失效的主要风险节点,实现对平台-隔水管系统失效事故的定量风险分析。结果表明:RPN-BN法可应用于平台-隔水管系统遇内波的定量风险分析;加强对平台漂移量的控制,提高动力定位系统控制设备的可靠性可有效抵御内波对系统造成的影响。

基于增强RPN的孪生网络目标跟踪算法

目前孪生网络跟踪器已经具有比较良好的表现,但是对于卷积神经网络所提取的特征仍没有较好地利用其特点,同时孪生网络通过相似性学习进行跟踪的特性使跟踪器的准确性和鲁棒性存在不足。提出了一种金字塔式特征融合的方法,根据骨干网络特征提取层不同深度具有不同侧重的特点提高网络对目标的表征能力,然后使用注意力机制对区域推荐网络(Region Proposal Network,RPN)进行增强,最终实现更精准更鲁棒的跟踪。在OTB100数据集的实验中,新提出的SiamERPN(Siamese Enhanced RPN)算法分别得到了0.668的成功率和0.876的精度,测试结果好于基线算法和其他对比算法。

融合注意力机制的输电部件及缺陷检测模型

针对输电线路的多目标识别和缺陷检测中的错检和漏检等问题,提出SE-Faster RCNN模型。在Faster RCNN模型的基础上,将SENet模块嵌入到ResNet模型中,提取关键特征;优化候选框的生成方案;提出基于面积的非极大值抑制算法。通过微调U-Net模型的数据增广方法,构建样本量为23327的数据集,达到91.37%的检测mAP。实验结果表明,提出模型满足输电线路多目标识别和故障检测的鲁棒性和准确性要求。

基于改进Mask R-CNN的牛脸目标检测算法

针对牛脸检测时,存在的检测精度不高、牛脸较小被漏检或误检等问题,提出一种改进的Mask R-CNN+MResNet模型。首先,在ResNet101网络的基础上提出一种MResNet网络,通过对ResNet101网络的改进,提高了模型检测精度。其次,对模型的RPN网络的锚框尺寸进行调整,提高了模型对较小目标的牛脸检测能力。实验结果表明,MResNet网络对牛脸检测精度相比较原始的网络模型,提高了12.6%;改进后的模型对于小目标检测能力平均精度较原始模型提高了2.4%。说明该模型能有效的实现小目标牛脸的检测,具有实际应用价值。

深度学习的多尺度多人目标检测方法研究

深度学习具有自主学习目标特征、识别率高、鲁棒性强等优点,当前基于深度学习的人体目标检测方法不能有效地适应目标的尺度变化。针对上述问题,提出多尺度多人的目标检测方法,将FPN特征金字塔分别与Faster R-CNN网络的两个阶段结合,同时,平衡RPN阶段产生的正负锚点的数量比例,并采用了更适合的锚点纵横比,对原始网络进行了一系列的优化。在标准数据集PETS 2009、Caltech和INRIA上的实验结果表明,提出的检测方法性能优于主流深度学习目标检测算法。

基于深度学习利用特征图加权融合的目标检测方法

为了提高目标检测的准确性,提出了一种基于深度学习利用特征图加权融合实现目标检测的方法。首先,提出将卷积神经网络中的浅层特征图采样后与最深层特征图进行加权融合的思想;其次,根据所提的特征图加权融合思想以及卷积神经网络的具体结构,制定相应的特征图加权融合方案,并由该方案得到新特征图;然后,提出改进的RPN网络,并将新特征图输入到改进的RPN网络得到区域建议;最后,将新特征图和区域建议输入到后续网络层完成目标检测。实验结果表明所提方法取得了更高的目标检测精度以及更好的目标检测效果。

基于改进Faster R-CNN的小尺度行人检测

为提高小尺度行人检测的准确性,提出一种基于改进Faster R-CNN的目标检测方法。通过引入基于双线性插值的对齐池化层,避免感兴趣区域池化过程中两次量化操作导致的位置偏差,同时设计基于级联的多层特征融合策略,将具有丰富细节信息的浅层特征图和具有抽象语义信息的深层特征图进行通道叠加,从而解决小尺度行人在深层特征图中特征信息缺乏的问题。在INRIA和PASCAL VOC2012数据集上的实验结果表明,在小尺度行人检测效率相同的情况下,该方法相比基于Faster R-CNN的检测方法平均精确率均值分别提高了17.58%和23.78%。

基于多层上下文卷积神经网络的目标检测算法

目标检测提取的特征信息不足,导致识别小目标或被遮挡目标时精确度不高.因此,文中提出多层上下文卷积网络(MLC-CNN),通过提取多层上下文信息特征并结合物体特征进行目标检测.MLC-CNN由区域生成网络(RPN)和多层上下文信息(MLC)两个子网络组成,RPN获取固定长度的特征向量作为目标特征,MLC获取不同层特征图上对应的上下文信息特征,最后融合两部分特征.此外,为了解决数据不均衡问题,融入难负样本训练.在PASCAL VOC2007和PASCAL VOC2012数据集上的实验表明,MLC-CNN的均值平均精度(mAP)具有明显提高.

一种实用的互联网络RP_n(k)及其路由算法

基于环的简单扩展性和Petersen图的短直径,提出了一类新型互联网络RPn(k),研究了该互联网络的性质,它不但具有正则性和良好的可扩展性,还具有比RP(k)互联网络更短的网络直径、更好的可分组性以及更小的网络构造开销。讨论了RPn(k)网络的路由问题,给出了点点路由算法,其通信效率为[k/2]+2n个时间步。在节点个数相同时,RPn(k)比RP(k)网络上的路由算法的通信效率有明显提高。

贸易一体化与东亚区域经济合作

欧洲半个多世纪的区域一体化实践为世界上其他地区的一体化合作提供了理论和组织模式借鉴,但欧盟(原15国)是一个"同质"成员结构的区域,其一体化历程有着独特的历史渊源和现实原因,一体化组织模式更多地体现为一种制度性安排;而东亚是一个"异质"成员结构的区域,东亚的"异质"结构特征意味着其区域经济合作将有着自己独特的路径,贸易一体化是东亚区域经济合作的初级阶段,建立基于垂直专业化分工的区域生产网络是东亚推进区域经济合作的重要途径。

基于改进区域候选网络的航拍图像中绝缘子目标识别方法

对航拍图像进行自动判别是无人机巡线后期的主要工作。为此提出一种改进的RPN(区域候选网络),以提高航拍图像中绝缘子目标的检测准确率。在绝缘子样本不完备的情况下,通过截取、旋转、镜像以及人工合成等方法对绝缘子训练样本进行扩充和完善;对人工标注的绝缘子样本的标注框进行聚类统计,获得标注框的宽高比分布情况,用于锚点框尺寸的初始化;对特征提取网络VGG16进行逐层分析,融合其中第二、三、五层的特征图,用于绝缘子目标识别;更改损失函数,实现动态调整正负样本的比例,从而解决训练过程中正负样本不均衡的问题。实验结果表明,改进后的RPN能够更有效地检测出航拍图像中的绝缘子目标,显著提高了检测的准确性。

基于改进Faster R-CNN的钢轨踏面块状伤损检测方法

针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度伤损的检测精度;然后,采用广义交并比(GIoU)损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题;最后,提出引导锚定的区域提名网络(GA-RPN)方法,从而解决了区域生成网络(RPN)生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中,基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充,解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明,所提改进方法对钢轨踏面块状伤损检测的平均精度均值(mAP)可达到82.466%,相较于Faster R-CNN提高了13.201个百分点,能够更加准确地检测钢轨踏面块状伤损。