基于条形池化和注意力机制的街道场景红外目标检测算法

街道场景下的红外图像所含细节信息少、背景复杂,目前的目标检测模型存在检测精度低、检测速度慢的问题。为此,基于条形池化和注意力机制提出一种新的红外目标检测算法。使用包含条形池化和金字塔池化模块的混合池化模块改进快速空间池化金字塔模块,利用条形池化解决传统池化操作在进行目标检测时存在的特征丢失和污染问题,提高算法对长窄目标的特征提取能力,同时在孤立目标之间建立全局依赖关系,使模型收集更多的特征信息。在注意力模块中加入水平和垂直方向上的全局池化操作,以获取目标在特征图全局范围上的位置信息,将位置信息嵌入特征通道中,使算法更精准地定位目标,降低复杂背景对检测性能的影响。使用无批次归一化阻断批次归一化的估计偏移累积,解决算法性能退化问题,进一步提高算法的检测性能。在FLIR数据集上的实验结果表明,该算法的mAP(IoU值为0.5)和F1值分别达到80.7%和78.0%,相较YOLOv5分别提高了1.9和2.4个百分点。

基于深度卷积神经网络的手势动作识别

针对传统手势识别方法中人工特征提取信息不完整导致的识别率较低以及识别手势类别较少的问题,基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的原理,设计了一种深度CNN框架,对多通道的表面肌电信号进行手势动作识别。所应用的表面肌电信号数据来自Ninapro数据库中DB2健康个体数据集,分别识别9种手指动作和49种手势动作(49种手势动作包含9种手指动作),另外40种手势动作是17种基本手势动作和23种手腕动作。对数据集的表面肌电信号数据进行提取均方根值特征,生成12通道的训练集、验证集和测试集。将处理过的表面肌电信号送入到深度CNN中,经过卷积、批次归一化、池化、梯度下降及dropout层处理,仿真测试后,DB2数据集的9种手势动作识别率是99.10%,49种手势动作手势不识别率是64.58%。

多尺度级联R-FCN的尾灯检测算法研究

前方车辆尾灯检测是自动驾驶中环境感知的研究热点,为在复杂城市环境下实时检测车辆尾灯,将基于区域的全卷积网络(Region-based Fully Convolutional Networks,R-FCN)引入尾灯检测,提出了一种基于多尺度级联R-FCN的车辆尾灯检测算法。通过网络中的跨层连接融合尾灯的底层特征和高层语义,并加入批次归一化层加快网络的收敛速度,得到改进的R-FCN子网络,将一系列在不同交并比输入数据上训练的R-FCN子网络级联得到最终的检测网络。同时预测阶段采用改进的非极大值抑制获得最精准的检测结果。检测结果表明,该方法在CVPR数据集上获得总体94.04%的平均精度,单张图片平均检测耗时31 ms,在检测速度和精度上均有较好的性能。