基于多尺度特征融合的穿鞋足迹识别网络

近年来,随着人工智能的快速发展,赤足足迹和穿袜足迹的自动识别均取得了不错的效果,但因为需要脱鞋,应用场景受到了很大的限制。单枚穿鞋足迹识别由于鞋底花纹的多样性、随机性给智能识别造成了很大的阻碍,识别准确率普遍较低,成为了一个具有挑战性的任务。本文聚焦于不同人穿同一种鞋的足迹识别,提出一种基于多尺度特征融合的穿鞋足迹识别网络。采集大量的足迹样本,通过旋转、平移、加噪声等方式模拟犯罪现场足迹图像可能产生的变化,制作了足迹数据集,然后以ResNet为骨干网络,利用双向金字塔特征融合模块充分融合足迹图像的深层特征和浅层特征,最后针对鞋底花纹变化造成网络识别准确率降低的问题,提出了用迁移学习解决的思路,让网络学习未知花纹与现有花纹之间的联系,快速拟合出模型。经过训练测试,本文提出的方法在自制足迹数据集上识别准确率达到了93.1%,CMC评价指标也明显优于其他网络。在新的足底花纹上,迁移学习对比从头开始训练,速度更快、准确率更高。大量的实验证明,本文提出的穿鞋足迹识别网络识别准确率更高,提出的迁移学习的方法在面对新的鞋底花纹时,能够实现更好的效果。

基于改进的YOLOv3及其在遥感图像中的检测

为进一步提高遥感图像的小目标识别率,本文提出一种基于双向金字塔特征融合的卷积神经网络.首先将网络最后一层的卷积层特征输出与相邻上一层的卷积层特征输出相结合,构成自顶向下的金字塔特征层,还考虑将浅层的卷积层特征输出与相邻下一层的卷积层特征输出相结合,构成自底向上的金字塔特征层,融合双向结合的金字塔特征.其次为保留更多小目标空间位置信息,将网络的第一个降采样层改为两个3×3的卷积层.此外利用K-means++聚类算法对目标候选框的个数和宽高比进行聚类分析.最后采用1×1的卷积减小网络模型的维度,提高网络的检测速度.在VEDAI和NWPU VHR-10公开数据集的识别实验结果表明,改进后的YOLOv3识别准确率要高于原网络模型,且检测速度几乎保持不变.

基于改进SSD的食物浪费行为识别方法

为更准确地识别现实生活中复杂环境下的食品浪费行为,提出一种改进单激发多盒检测器(SSD)算法,增强算法在检测遮挡对象时的鲁棒性。将SSD基础网络替换成Resnet,增强特征提取能力。以实际应用中数据集真实框大小为依据,重新设计SSD检测时默认框的生成比例。通过添加SE模块,使模型在训练过程中增强重要通道信息。利用双向融合特征金字塔网络(BiFPN)对不同检测层中的特征进行融合。实验结果表明,改进后的SSD目标检测算法在自制的浪费行为数据集中检测精度达到88.49%,相比原始SSD提高了5.09%。