基于多传感器融合的视觉感知困难样本挖掘方法

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取。针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法。该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新。试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能。同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义。

困难样本采样联合对比增强的深度图聚类

针对困难样本挖掘的图聚类算法是最近的研究热点,目前算法存在的主要问题有:对比方法和样本对加权策略缺少良好的融合机制;采样正样本时忽略了视图内部的“假阴性”样本;忽视图级信息对聚类的帮助。针对上述问题,提出困难样本采样联合对比增强的图聚类算法。首先使用自编码器学习嵌入,根据计算的伪标签、相似度、置信度信息为表示学习设计一种自加权对比损失,统一不同视图下节点对比和困难样本对加权策略。通过调整不同置信区域样本对的权重,损失函数驱动模型关注不同类型的困难样本以学习有区分性的特征,提高簇内表示的一致性和簇间表示的差异性,增强对样本的判别能力。其次,图级表示经聚类网络投影,通过聚类对比损失最大化不同视图下聚类的表示一致性。最后联合两种对比损失,利用自监督训练机制进行迭代优化,完成聚类任务。该算法在5个真实数据集上与9个基准聚类算法对比,在4个权威指标上达到最优,聚类性能出色。消融实验表明两个对比模块的有效性和可迁移性。

基于参数优化元学习和困难样本挖掘的小样本恶意软件分类方法

在恶意软件分类中,针对新出现的恶意软件样本数量少导致分类准确性低的问题,提出了一种基于参数优化元学习和困难样本挖掘的方法。首先,将恶意软件反编译得到二进制文件,进而转化为灰度图。然后,使用参数优化元学习在多个任务上训练模型,获得浅层神经网络的初始化参数,并在此基础上,根据测试集中的少量任务来微调模型。同时,结合困难样本挖掘方法,有目的性地组织样本训练模型,提高模型的收敛速度以及分类准确率。最后,在Malimg数据集和BIG-2015数据集上与已有深度学习方法做了对比实验。实验结果表明:在Malimg数据集上,分类准确率达到0.9967;在BIG-2015数据集上,分类准确率达到0.9933,都优于已有方法。

残差网络下基于困难样本挖掘的目标检测

为了提高图像目标的检测精度,提出一种在残差网络下设计基于困难样本挖掘的目标检测算法。首先阐述基于深度学习的目标检测算法,即超快速区域卷积神经网络(Faster R-CNN)的工作原理,分析该算法存在的不足与改进方式。在Faster R-CNN的基础上,为了使模型能提取更有效的深度卷积特征,选取网络更深的残差网络替换原始的ZF或VGG网络。为了使学习到的网络模型有更强的泛化能力,在网络训练过程中,利用困难样本更新网络参数,使网络训练更充分。在Pascal VOC2007、Pascal VOC2007+Pascal VOC2012和BIT这三个数据集中进行训练和测试,实验结果显示,融合了两种方法的Faster R-CNN在这三个数据集上的检测精度分别提升了3.5%、7.1%、6.4%,提升效果明显。

基于对困难样本迁移学习的烤烟分级特征表示

在基于机器视觉的烟草自动分级系统的研究中,烟草图像的特征表示是至关重要的。提取的特征越好,分级精度就越高。然而,烟草的姿态通常不稳定,这可能导致一些特征信息不可靠。为了提取更好的特征,现提出了一种融合显式特征和低维深度特征的方法。在深度特征学习中,修改后的AlexNet网络用于迁移卷积特征。通过困难样本挖掘来优化网络。实验表明,融合显式特征和深度特征可以提高烟叶分级的准确性。此外,主动挖掘困难样本可以用更少的样本实现与随机添加样本相同的性能。

基于改进Faster RCNN的安全帽佩戴检测研究

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题,提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性,并引入防止正负样本不均衡的在线困难样本挖掘策略,然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明,相比于原始Faster RCNN,检测准确率提高了7%,对环境的适应性更强。

深度学习在车牌定位中的研究

为提高场景不断变化下车牌定位的准确性,提出应用深度学习定位的方法。基于最小生成树原理将图像转换成图论中的图,结合相似度进行选择搜索获取车牌候选区域。利用车牌长宽比条件对候选区域进行筛选,以减少数据的不平衡性。通过带平滑项的交叉熵损失函数以及Bootstrapping技术训练深度网络,并用该模型从候选区域中识别出车牌区域。实验表明,该方法在候选区域提取、网络训练阶段以及定位准确率方面均优于其他算法,测试集中准确率为97.6%。

基于改进区域卷积神经网络的安全帽佩戴检测

针对已有的安全帽佩戴检测算法对小尺寸目标和部分遮挡目标检测效果较差的问题,在区域卷积神经网络基础上,做出优化用于安全帽佩戴检测。在原始Faster RCNN的基础上使用多层卷积特征融合技术优化区域建议网络产生候选区域特征图,使用在线困难样本挖掘技术训练ROI网络,自动挑选出困难样本使训练更加有效。实验结果表明,相比原始的Faster RCNN算法,所提方法检测精度提高了4.73%,对部分遮挡和小尺寸目标均有较好的检测效果,对环境变化具有更强的适应性。

基于深度学习的PCB缺陷检测方法研究

针对在PCB生产过程中出现漏孔、鼠咬、开路、短路、毛刺、余铜、灰尘、划痕等缺陷而影响其后期使用的问题,提出了一种基于Faster R-CNN算法的PCB缺陷检测方法。该方法以ResNet-101为基础骨干网络构建特征金字塔网络,采用Soft-NMS算法对预选框进行筛选,然后使用在线困难样本挖掘方法,将损失值较高的困难样本集中进行处理,提高网络对复杂PCB缺陷样本检测的精确度。实验结果表明,改进后的Faster R-CNN缺陷检测方法可以对各类PCB缺陷进行准确定位和分类,平均检测精度达到93.76%,相较于传统Faster R-CNN方法提高了24.5个百分点,对PCB缺陷全自动检测的研究有一定参考价值。

基于Faster-RCNN的遥感图像飞机检测算法

CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。

基于硬调整孪生网络和代价敏感模型的恒星/星系识别

恒星星系的精准识别是开展很多天文海量数据分析和处理任务的基础。受环境因素影响,采集到的暗星体观测数据使得恒星和星系差异不明显,而且暗星体数据量较小,给分类带来困难,所以在恒星/星系识别任务中准确地识别暗星体成为近年来研究的重点。提出一种用于极暗星体识别的硬调整孪生网络模型,解决了小样本问题和困难样本挖掘问题,将极暗星体的识别效果较目前最好结果提升了8百分点左右;同时提出用于暗星体和亮星体识别的代价敏感模型,解决了数据量充足条件下的困难样本挖掘问题,暗星体和亮星体的识别效果较目前最好结果分别提升了1百分点和0.1百分点。

改进的基于区域卷积神经网络的微操作系统目标检测方法

传统的目标检测方法不能有效检测微操作系统中部分受遮挡或多种姿态的目标,因此文中采用改进的基于区域卷积神经网络的Faster-RCNN检测算法,用于微操作系统中部分受遮挡或多种姿态的目标检测.在原始Faster-RCNN的基础上,使用在图像分类任务中性能优越的深度残差网络作为检测算法的主框架,并且引入防止正负样本不均衡的在线困难样本挖掘策略以提高网络性能.实验表明,这种改进的基于区域卷积神经网络方法能有效识别部分受遮挡和不同姿态的目标,相比传统方法,文中方法对环境适应性更强,速度更快,具有实际应用价值.

改进Mask R-CNN在航拍灾害检测的应用研究

目标检测在众多领域具有极高的理论意义与应用价值,更稳定、更精确的目标检测方法是目前灾害检测领域研究的热点与难点。将基于深度学习的目标检测方法应用于灾害检测中,提出基于改进Mask R-CNN的航拍灾害检测方法。针对检测中出现的准确率较低,采用改进特征金字塔的结构,充分利用特征映射图的信息,提高各尺寸灾害目标的检测精度;并引入在线困难样本挖掘机制,解决正负样本不均衡的问题,减少误检率和漏检率。同时采用多部件结合的方法剔除误检目标。为验证该方法的有效性,在Tensorflow深度学习框架上,选取不同高度的森林火灾、滑坡、泥石流、地震航拍图像进行验证实验。结果表明,该方法能实现对不同类型的灾害进行快速而又准确的检测,同时对基于其他应用背景的目标识别研究也具有一定的参考意义。

基于改进Faster RCNN的台风云系识别

针对台风各阶段尺寸与纹理结构差异较大,存在识别难度大、准确率低的问题,提出改进Faster RCNN的台风云系识别方法。首先为模型选择合适的特征提取网络,然后在原始Faster RCNN基础上优化区域网络参数,改进感兴趣区域池化网络,提高模型检测各阶段台风的鲁棒性。为防止训练过程中正负样本不均衡,引入在线困难样本挖掘机制。实验结果表明,相较于原始Faster RCNN,改进后的Faster RCNN检测平均准确率提高了4.7%,基于ResNet50的Faster RCNN对台风云系识别更好,可以更好地满足台风云系识别需求。