基于优化可形变区域全卷积神经网络的人头检测方法

人头检测技术是人数统计领域一项重要的研究内容,基于检测的人数统计方法常用于视频监控领域。人头检测常常受到遮挡、背景干扰、光照等因素影响。为解决上述问题,提出一种基于区域全卷积神经网络进行头部检测的方法。特征学习阶段通过残差网络和区域候选网络获得特征及感兴趣区域,并在残差网络中添加可形变卷积层。再将感兴趣区域输入池化层,进行可形变位置敏感均值池化。最后进行分类与目标位置精修,并提出将位置敏感感兴趣区域对齐并进行池化操作。为了改善网络在多尺度头部的检测效果,更新区域候选网络中锚点生成规则。利用在线难例挖掘算法提高复杂任务下头部目标的检测能力,通过软非极大值抑制减少检测边界框间的相互干扰。研究结果表明,在HollywoodHeads数据集上平均识别精度最高可达83.24%,优于目前相关文献的方法。

基于改进的区域全卷积神经网络和联合双边滤波的图像着色方法

为了解决传统的卷积神经网络着色方法带来语境混淆、边缘模糊和细节信息丢失度高等问题,设计了一个改进的基于密集神经网络的区域全卷积神经网络(R-FCN)和基于局部特征网络的双分支神经网络模型.通过DenseNet可准确提取信息,产生易于训练和高参数效率的密集模型,采用全连接的条件随机场优化分割结果来提高分割的准确率.验证阶段采用联合双边滤波对图像进行处理,弥补图像边缘模糊的缺点.实验结果表明:与现有着色方法相比,该方法有效地解决了细节丢失度高、颜色不饱和及边缘模糊的问题,能够产生更真实、更合理的彩色图像,取得了优异的效果.

复杂场景下基于R-FCN的小人脸检测研究

在复杂场景中准确检测出小的、模糊的和部分遮挡的人脸,仍是人脸检测算法存在的问题。为此,提出基于区域的全卷积网络R-FCN的人脸检测算法,来解决其中的小人脸检测问题。采用完全卷积残差网络ResNet作为主干网络,融合多种新技术,主要包括Squeeze-and-Excitation模块、残差注意力机制等,以提高最终的输出精度。在最具挑战性的人脸检测基准Widerface数据集上测试,结果表明该算法在复杂场景下具有出色的人脸检测效果,对部分遮挡,模糊、人脸姿态变化也具有一定鲁棒性。