期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
两层级联卷积神经网络的人脸检测
被引量:
15
1
作者
张海涛
李美霖
董帅含
《中国图象图形学报》
CSCD
北大核心
2019年第2期203-214,共12页
目的传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络(TC_CNN)人脸检测方法。方法首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进...
目的传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络(TC_CNN)人脸检测方法。方法首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96. 39%,误检率低至3. 78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。
展开更多
关键词
人脸检测
卷积
神经网络
十折交叉验证
两
层级
联
卷积
神经网络
最大值池化
原文传递
基于4层R-CNN的输电线路多目标检测
被引量:
5
2
作者
单亚锋
赵天宇
+2 位作者
付昱
付华
王珂珂
《辽宁工程技术大学学报(自然科学版)》
CAS
北大核心
2022年第3期270-276,共7页
针对输电线路无人机巡检中远景航拍图像目标小、目标重叠、鸟巢和背景杂草类似等情况,提出基于残差网络(ResNet101)和6层特征金字塔网络(FPN)的多阶段级联神经网络深度学习检测模型.提出4层卷积神经网络(FourR-CNN)级联网络,使用深度残...
针对输电线路无人机巡检中远景航拍图像目标小、目标重叠、鸟巢和背景杂草类似等情况,提出基于残差网络(ResNet101)和6层特征金字塔网络(FPN)的多阶段级联神经网络深度学习检测模型.提出4层卷积神经网络(FourR-CNN)级联网络,使用深度残差神经网络(Res Net101+FPN)进行特征提取,生成特征框,在不同的重叠度下对R-CNN进行级联操作,并对预处理后的图像进行训练.研究结果表明:在复杂背景下ResNet101和6层FPN的FourR-CNN检测模型对输电线路上的绝缘子、绝缘子缺陷、防振锤,以及鸟巢等9类目标识别效果较好,对于2000张测试样本的平均精度达到95.8%,为输电线路的智能检测提供了新思路.
展开更多
关键词
多目标识别
深度学习
样本生成
四层级联卷积神经网络
特征提取
下载PDF
职称材料
题名
两层级联卷积神经网络的人脸检测
被引量:
15
1
作者
张海涛
李美霖
董帅含
机构
辽宁工程技术大学软件学院
出处
《中国图象图形学报》
CSCD
北大核心
2019年第2期203-214,共12页
基金
中国人民解放军总装备部装备预研基金项目(61421070101162107002)
辽宁省自然科学基金面上项目(20170540426)~~
文摘
目的传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络(TC_CNN)人脸检测方法。方法首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96. 39%,误检率低至3. 78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。
关键词
人脸检测
卷积
神经网络
十折交叉验证
两
层级
联
卷积
神经网络
最大值池化
Keywords
face detection
convolutional neural network
ten-fold cross validation
two-layer cascaded convolutional neural network
max pooling
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
基于4层R-CNN的输电线路多目标检测
被引量:
5
2
作者
单亚锋
赵天宇
付昱
付华
王珂珂
机构
辽宁工程技术大学电气与控制工程学院
出处
《辽宁工程技术大学学报(自然科学版)》
CAS
北大核心
2022年第3期270-276,共7页
基金
国家自然科学基金(51974151)
辽宁省高等学校创新团队项目(LT2019007)
辽宁省高等学校国(境)外培养项目(2019GJWZD002)
文摘
针对输电线路无人机巡检中远景航拍图像目标小、目标重叠、鸟巢和背景杂草类似等情况,提出基于残差网络(ResNet101)和6层特征金字塔网络(FPN)的多阶段级联神经网络深度学习检测模型.提出4层卷积神经网络(FourR-CNN)级联网络,使用深度残差神经网络(Res Net101+FPN)进行特征提取,生成特征框,在不同的重叠度下对R-CNN进行级联操作,并对预处理后的图像进行训练.研究结果表明:在复杂背景下ResNet101和6层FPN的FourR-CNN检测模型对输电线路上的绝缘子、绝缘子缺陷、防振锤,以及鸟巢等9类目标识别效果较好,对于2000张测试样本的平均精度达到95.8%,为输电线路的智能检测提供了新思路.
关键词
多目标识别
深度学习
样本生成
四层级联卷积神经网络
特征提取
Keywords
multi-target recognition
deep learning
sample generation
Four R-CNN
feature extraction
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—控制理论与控制工程]
TM75 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
两层级联卷积神经网络的人脸检测
张海涛
李美霖
董帅含
《中国图象图形学报》
CSCD
北大核心
2019
15
原文传递
2
基于4层R-CNN的输电线路多目标检测
单亚锋
赵天宇
付昱
付华
王珂珂
《辽宁工程技术大学学报(自然科学版)》
CAS
北大核心
2022
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部