基于移动边缘计算和SSA算法的无线传感网络入侵检测方法

针对远距离传输和集中式处理方式带来的问题,为降低密集传感节点入侵任务检测的难度,减少时延开销和网络负荷,进一步消除隐私泄露风险,利用更靠近传感网络节点的移动边缘计算的明显优势,提出一种基于移动边缘计算和SSA算法的无线传感网络入侵检测方法。通过将有计算能力的边缘服务器部署于靠近传感节点的位置,采集无线传感网络数据并提取网络安全特征,大幅缩短采集时间。通过麻雀搜索算法调整节点采集中的搜索策略,结合梯度变化降维避免陷入最优,以普通节点位置和节点特征为依据,进行分布式入侵检测,实现无线传感网络的入侵检测。实验证明:本方法节点入侵检测平均准确率达98.52%,检测平均延时为1.67 ms,具有出色的应用性能。

RH-CUnet:嵌入边缘和角点的传统村落建筑物提取

传统村落建筑物作为珍贵的文化资源,快速、准确地获取传统村落建筑物信息,对保护传统文化有着重要意义。在利用遥感图像识别农村建筑物,尤其是传统村落建筑物时,存在漏检、错检、轮廓失真、角点不规则等问题。针对此问题,文章提出了RH-CUnet模型。该模型以U-Net网络为基础,通过嵌入边缘识别网络和角点检测算法来提高模型对建筑物的边缘、角点的关注度,从而实现传统村落建筑物的精确提取。实验结果表明,在自制的传统村落建筑物数据集和WHU建筑物数据集上,该方法提取的建筑物更加完整,轮廓形状平滑,边角清晰,且在precision、recall、F1-score、IoU、BoundF和VNE 6种评价指标上都得到了很大的提升。RH-CUnet模型有效地提高了传统村落建筑物的提取精度,具有一定的实用价值。

基于金字塔结构的Transformer边缘检测算法研究

针对复杂图像边缘检测任务中多尺度特征提取困难和多尺度特征利用率低的问题,提出一种基于金字塔结构的Transformer边缘检测模型。该模型首先采用擅长根据全局远程依赖关系进行建模的Transformer特征提取主干——PVT网络,取代传统卷积神经网络,解决多尺度特征利用率低的问题;其次,为了充分考虑跨层间上下文特征交互问题,设计了一个专门用来建模和转移上下文知识的模块,用于探索更多显著边缘的判别信息;最后,设计了一个基于注意力机制的多尺度特征增强模块,通过充分挖掘检测对象的多层次和多尺度特征信息,实现对边缘的预测,提高模型边缘检测精度。而且,模型的特征求和与拼接过程不占显存也不占内存,加快了模型的推理速度。在BSDS500和BIPED两个公开数据集上进行大量实验,在BSDS500数据集上边缘检测的ODS值达到0.796;在BIPED数据集上边缘检测的ODS值达到了0.846,实验结果表明该算法在性能上优于对比模型。

小波神经网络特征提取技术在图像边缘检测中的应用

本文主要工作围绕基于灰度图像的边缘检测技术出发，提出了一种新的神经网络检测方法，构造了新的神经网络拓扑结构并设计了相应的算法，最后通过仿真实验对方法进行了验证，实验结果表明这一方法具有强的弱边缘检测能力和较好的鲁棒性，并对白噪声具有很好的滤波作用。

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题,提出一种基于显著性及改进双向级联网络的检测算法,该算法可排除地平线及背景影响,获取完整边缘信息。其中,显著性检测网络模拟人的注意机制,提取视场重要信息,将目标风机与背景分离;改进双向级联网络在原有结构新增尺度选择模块,优化不同层之间特征共享,精确检测不同尺度的边缘,完整获取目标轮廓。利用某风电场无人机采集的实验数据,对识别性能评估得出该方法具有足够的精度,可在不同环境中准确识别叶片轮廓。

模拟“what”通路前端视觉机制的边缘检测网络

边缘检测是图像处理工作的关键步骤之一,目前边缘检测模型基于卷积神经网络(CNNs)搭建编码-解码网络。由于现有编码网络提取特征能力有限,且忽视了神经元之间复杂的信息流向,本文模拟视网膜、外侧膝状体(LGN)和腹侧通路(“what”通路)前端V1区、V2区、V4区的生物视觉机制,搭建全新的编码网络和解码网络。编码网络模拟视网膜-LGN-V1-V2的信息传递机制,充分提取图像中的特征信息;解码网络模拟V4区的信息整合功能,设计邻近融合网络以整合编码网络的特征预测,实现特征的充分融合。该神经网络模型在BSDS500数据集和NYUD-V2数据集上进行了实验。结果表明,本文搭建的编码-解码方法的F值(ODS)为0.820,相比于LRCNet提高了0.49%。

基于神经网络的图像弱边缘检测方法研究

主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法。利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测。最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和伪边缘现象。

基于深度学习的海岸线边缘检测网络模型

海岸线的动态监测对海岸带的规划管理具有非常重要的意义。由于海陆环境错综复杂,遥感影像中海陆边界光谱特征不明显,导致提取的海岸线定位不准确。提出一种融合语义分割网络和边缘检测网络的深度卷积神经网络模型(EWNet)。该模型包含2个分支流:语义分割流负责提取分层语义信息并用来指导边缘检测流获取岸线语义信息;边缘检测流通过语义分割流完善边缘语义信息。在“高分一号”遥感图像上的实验结果表明,与几种最新网络模型相比,EWNet获得了更精确的海岸线边界提取结果。

基于深度融合卷积神经网络的图像边缘检测

图像边缘检测是数字图像分析领域的一项重要研究内容。受图像拍摄条件、图像内容自身复杂性、图像内容与背景接近程度等多种因素的影响,图像的边缘线检测容易发生漏检、误检。针对此问题,文中提出一种卷积神经网络结构算法,以提升图像边缘检测效果和质量。首先,对输入图像提取出五类不同层次水平、尺度的卷积特征;然后,按照相邻尺度将每三类卷积特征分成一组,通过逐步转置的方式依次尺寸对齐再融合;再对三组融合结果特征进行二次深度融合;最后,基于融合卷积特征并运用卷积操作实现边缘线检测,采用指标Optimal Dataset Scale(ODS)、Optimal Image Scale(OIS)、Average Precision(AP)度量图像边缘检测的质量。结果表明:在BSDS500数据集上,ODS、OIS、AP三个指标的得分分别为0.815,0.832,0.851;在NYUD数据集上,得分分别为0.7620,0.7700,0.7819。与其他同类算法相比,所提算法指标分值更高,能够提升图像边缘检测质量。

基于果蝇算法的网络图像边缘检测方法

为保证网络图像边缘检测结果具有较好的连续性和完整性,引进果蝇算法,提出网络图像边缘检测方法。采集网络图像,将其划分为若干个小块,并对网络图像进行预处理;利用果蝇算法检索全局特征点,实现网络图像的视觉检索与特征提取;引进小波函数,迭代处理图像,输出结果即为网络图像边缘检测结果;利用权值法,建立以节点适配度误差为目标的校正函数,修正网络图像边缘检测结果参数。实验结果表明:所提方法可以保证网络图像边缘检测结果的连续性、完整性,提高了检测图像特征点与原始图像特征点的匹配程度,在实际应用中有良好的应用效果。

改进RCF算法的电缆绝缘层边缘检测

目前电缆绝缘层厚度检测算法主要采用图像处理技术提取出绝缘层的边缘轮廓,此类算法存在绝缘层边缘过宽和边缘不连续等问题,影响了后续的检测精度。为提高绝缘层测量精度,新算法基于RCF算法进行改进,在模型的4、5阶段采用空洞卷积,增大模型的感受野;并在侧输出网络加入尺度增强模块(SEM模块)和由浅到深的级联网络,增加侧输出图像的细节信息。通过自制的电缆绝缘层数据集对模型进行训练,结果表明改进后的模型在数据集最优尺度(ODS)和单张图片最优尺度(OIS)分别为0.821和0.842,平均精度为0.799,算法相较于RCF模型ODS和OIS分别提高了0.008和0.01,检测精度提升了0.021。并在伯克利大学数据集(BSD500)数据集上对模型的性能进一步验证,其中ODS和OIS分别为0.810和0.825,所提算法相较于RCF模型ODS和OIS分别提高了0.009和0.006。

一种基于充分卷积的边缘检测算法

针对基于卷积神经网络的图像边缘检测算法忽略中间层而丢失图像细节信息的问题,提出一种基于充分卷积的边缘检测算法。在视觉几何组16骨干网络上剪切掉所有的全连接层和池化层以构建全卷积网络;在全卷积网络每个阶段的1×1×21卷积层后边连接累加层获取每个阶段中的特征信息;通过融合层替换原来位置剪切掉的全连接层,在融合层的后边连接卷积层和损失函数层,并重新计算损失函数训练网络参数。实验结果表明,该算法的边缘检测性能优于人眼的平均性能,也比其他边缘检测算法性能更优。

基于改进MTCNN算法的低功耗边缘人脸检测跟踪系统

边缘设备的快速发展和深度学习的落地应用越来越多,两者结合的趋势越发明显。而针对低功耗边缘设备AI应用的潜力还未完全开发出来,大量设备隐藏着大量计算能力,释放其潜力所带来的社会效益和经济效益是非常明显的。因此,以目标检测任务中较为常见的人脸检测为例,将MTCNN人脸检测算法改进并移植到资源极其紧张的低功耗嵌入式平台,在一定环境条件下,最终成功地检测到人脸,并绘制出人脸候选框,结合舵机云台具备了一定的人脸跟踪能力。

融合注意力机制和结构线提取的图像卡通化

为了解决图像卡通化没有突出表达图像中的重要特征信息及边缘处理不足的问题,提出融合注意力机制和结构线提取的图像卡通化方法.构建融合注意力机制的生成器网络,通过空间和通道融合特征间的联系,从不同的特征中提取更加重要和丰富的图像信息.为了更好地实现对卡通纹理的学习,设计与全局并行的线提取区域处理模块(LERM),以便对卡通纹理的边缘区域进行对抗性训练.该方法不仅在重要区域和细节方面生成了高感知质量的卡通化图像,而且避免了内容和颜色的损失.大量的实验结果表明,利用该方法取得了更好的卡通风格化效果,验证了该方法的有效性,.

复杂背景下小尺寸多角度人脸检测方法研究

为了提升复杂背景下小尺寸人脸检测精度,提出了一种人脸检测方法GhostNet-MTCNN。在多任务级联卷积神经网络(MTCNN)主干网络上,将占用计算资源的普通卷积进行舍弃,利用GhostNet网络中计算量更低的Ghost bottleneck模组替代卷积的作用,重新构建网络特征提取功能,从而搭建一个新的模型。实验结果表明,该方法可以有效平衡参数量和精度。在Easy、Medium、Hard三种验证集上,与MTCNN相比在参数量仅增加0.62M的前提下精度分别提升了5.6%、6.6%、7.8%,与MobileNetV3-MTCNN相比在参数量减少1.27M的同时精度又分别提升了1.6%、0.8%、0.5%。该研究能够在复杂场景下提高模型对小尺寸、多角度人脸检测精度,同时也能够有效平衡参数量和检测精度使其成为在边缘设备部署中更优的选择。

基于金字塔特征与边缘优化的显著性对象检测

针对图像显著性对象检测领域中多尺度特征提取不充分、对象边缘模糊等问题,提出了一个端到端的基于注意力嵌入的金字塔特征以及渐进边缘优化的显著性对象检测模型。首先,设计了由多个扩张卷积构成的注意力嵌入的密集空洞金字塔模块(AEDAPM),在不减小特征分辨率的前提下,得到丰富且有效的多级多尺度特征;其次,为了解决显著性对象边缘模糊的问题,提出了渐进边缘优化模块(SEOM),在特征恢复分辨率的过程中逐步补充空间细节信息,使模型检测出的显著对象能够拥有清晰的边缘轮廓。在DUTS-TE、ECSSD、DUT-OMRON、HKU-IS、PASCAL-S 5个显著性领域公开的数据集上与其他12种已有的先进方法在3个常用指标下进行了比较,结果表明:所提方法能够得到更加准确、边缘更加清晰的显著性结果。此外,自对比实验也充分证明了提出的注意力嵌入的密集空洞金字塔模块和渐进边缘优化模块的有效性。

基于神经网络图像识别技术的放顶煤煤矸自动识别方法

放顶煤煤矸识别影响着整个综放工作面的开采效率,可以解决欠放和过放问题,使工人远离放煤工作面。提出基于神经网络图像识别技术的放顶煤煤矸自动识别方法。结合多阈值Qtsu分割算法和边缘检测方法,将图像分割为煤矸层、烟煤层和背景层,在煤矸层中利用灰度共生矩阵提取图像特征,在神经网络中加入模糊补偿原理,将提取的特征输入优化后的神经网络中,完成放顶煤煤矸自动识别。实验结果表明,所提方法的分割精度高、识别精度高、复杂度低。

基于脉冲神经网络的车牌提取算法

在车牌识别系统中,主要包括车牌提取、字符分割和字符识别,其中车牌提取是非常关键的技术之一,是否精确提取车牌直接影响后阶段车牌图像处理的质量和处理速度、字符识别的精度和速度。本文提出基于脉冲神经网络的车牌提取算法。该算法主要分为两个部分:粗定位和精确定位。首先基于脉冲神经网络对车牌图像进行颜色特征提取,初步定位车牌区域;然后进行图像处理,此过程也是利用SNN进行边缘检测,能得到更好的车牌边缘图。此算法具有较高的定位率,能对各种底色车牌进行定位,有利于后面的字符分割和识别。

基于改进型BP神经网络在列车异物检测中的研究

提出了B P神经网络学习算法上存在收敛速度慢,容易陷入局部极小的问题,现通过惯性校正方法及重新构造响应函数法来克服这两个问题,对B P网络学习算法进行了改进。利用小波多尺度边缘检测对列车异物图像进行分割和特征提取,并将列车异物特征向量作为训练样本对改进后的B P网络进行反复训练,直到获得最佳的映射结果,提高识别的精确度,提高了列车异物自动识别的速度,为实际的异物检测应用奠定了重要的参考价值理论与实验基础。

BP神经网络在列车异物检测中的应用

通过惯性校正方法和重新构造响应函数法来克服BP神经网络学习算法上存在收敛速度慢,容易陷入局部极小的问题,对BP网络学习算法进行了改进.利用小波多尺度边缘检测对列车异物图像进行分割和特征提取,并利用矩不变量特征和改进BP神经网络对列车异物自动识别和分类,实验结果表明使用这种方法使得系统具有更好的稳定性和更快的响应速度.