融合多层卷积特征的双视点手势识别技术研究

在人机交互技术领域,基于视觉的手部交互技术凭借其良好的舒适性和自然性被广泛研究和应用.手势识别是手势交互技术的核心内容之一.本文提出一种基于深度学习网络的识别方法,构建双视点网络框架,采用支持向量机对各视点下提取的特征进行分类识别,降低手势自遮挡的影响,提高识别精度;同时对各视点卷积网络,根据训练样本卷积特征的累计贡献率实现不同深度层的卷积特征的融合,补充深层网络丢失的浅层特征信息,增强特征鲁棒性.实验结果表明,较传统方法本文方法能有效提高手势识别准确率,同时基于预训练的学习方法能有效提高手势识别的时间效率.

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。

基于多特征融合的行人检测方法

作为一个典型的目标检测问题,行人检测问题已成为近年来的研究热点。行人检测技术虽被广泛应用于智能交通、自动驾驶、视频监控以及行为分析等领域,但仍存在着需要解决的问题。文中在多特征融合的基础上提出了一个多通道特征模型,多通道特征模型由非深度学习分支、整体分支以及肢体分支组成。文中通过非深度学习分支提取出数量少、质量高的行人候选区域,减轻了滑动窗口穷举搜索带来的计算负担,提高了计算效率。该方法由多层卷积通道特征得到的整体分支以及肢体分支,分别通过人体整体信息和人体部位的语义信息来检测行人;使用多通道特征模型分别在Caltech行人数据集和INRIA行人数据集中进行训练和检测。实验结果表明,结合各分支的输出,文中提出的行人检测器具有较低的漏检率,在INRIA行人数据集和Caltech行人数据集中漏检率分别为8.24%和19.78%。

基于深度语义解析与识别的电力实体链指技术研究

针对电力营销领域电力知识数据存在的多样性问题,提出了一种新的基于深度语义解析与识别的电力实体链指技术体系。其结构采用语义特征选择器的多层卷积特征拼接静脉识别方法,生成反映高级特征关键信息的语义加权图。同时以语义加权映射为选择器,筛选低层背景信息并保留细节信息,使筛选有更高效率的识别与压缩效果。该体系结构实现了完整的上下文约束,内存需求更少且搜索速度更快,错误率也较低,故能为大规模电力营销实体数据的构建提供实时解决方案。

基于SSD方法的小目标物体检测算法研究

SSD方法是目前为止主要的目标检测算法之一。针对该方法处理小目标物体检测时精度不高的问题,文章在对SSD卷积神经网络的网络结构进行分析的基础上,在使用原有多层卷积特征图结构的前提下通过特征增强的方法来改善网络结构,构建了一种新的小目标物体检测算法模型。将该模型在PASCAL VOC 2012目标检测数据集上进行精度检测,检测结果与原始的SSD网络相比有了较好的提升。