两层级联卷积神经网络的人脸检测

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。

基于4层R-CNN的输电线路多目标检测

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.