基于推荐区域的民国纸币冠字号码检测

针对传统的文本检测和一般的目标检测算法无法精准定位民国纸币冠字号码的问题,提出了一种融合异常值检测、聚类和目标检测的序列检测算法。首先定位推荐区域,利用YOLOv4算法确定字符分割块的位置;然后处理推荐区域,将字符分割块转换为数据点,利用局部相关积分(LOCI)算法检测并剔除异常数据点,采用算法Mean Shift算法聚合分割区域,提高定位精度;最终实现民国纸币冠字号码的检测。实验表明,上述组合算法检测的平均精度均值(mAP)达到99.6%,平均检测一张图像耗时0.83s,验证了算法的高效性。具有重要实际的应用价值。

基于联合优化的强耦合孪生区域推荐网络的目标跟踪算法

针对区域推荐网络(RPN)在目标跟踪任务中出现的最大分类分数与最佳边框不匹配的问题,提出一种基于联合优化的强耦合孪生区域推荐跟踪算法(SCSiamRPN)。首先,采用Bounded IoU方法来优化正样本交并比(IoU)值的计算,通过分解公式、固定变量、替换差值和约束近似的操作来简化计算过程。然后,优化损失函数结构,通过在分类损失函数中添加以IoU值为纽带的耦合因子来联合分类任务和边框回归任务,以提升高IoU样本的损失值;通过在边框回归损失函数中添加以IoU为主变量的加权系数来提高目标中心样本的贡献,以提升边框定位精度。仿真结果显示:SCSiamRPN算法在OTB100数据集上的精度和成功率为0.86和0.64;同基于孪生区域推荐候选网络的高性能单目标跟踪(SiamRPN)算法相比,均有3%的提升。实验结果表明:SCSiamRPN算法解决了最大分类分数与最佳边框不匹配的问题,增强了分类和边框回归任务的耦合性,且在不损失跟踪速度的前提下实现了跟踪精度的较大幅度提升。

网络数字视频图像异常目标检测区域推荐仿真

传统视频图像异常区域检测与推荐的过程,忽略了对图像的非线性映射处理,导致图像噪声较大,异常目标区域推荐精度偏低,提出网络数字视频图像异常目标检测区域推荐方法。将网络数字视频图像设定为网络的输入、输出图像,利用隐含层组建由含噪图像到去噪图像的非线性映射,通过卷积子网与反卷积子网组建对称的网络结构,结合修正线性单元激活函数完成图像去噪。提取图像图像低频子带图像及特征向量,通过支持向量机实现对特征向量的分类,完成网络数字视频图像异常目标检测区域推荐。实验结果表明,优化后方法具有更高的图像异常目标分类、检测精度,且时间开销更小。

基于有效感受野的区域推荐网络

基于卷积神经网络的目标检测方法通过优化区域推荐达到较高的检测精度.由此,文中提出基于有效感受野的区域推荐网络.在区域推荐网络上引入基于有效感受野的样本匹配方法,强化基于交叠比的样本匹配规则,增强特征信息在区域推荐生成时的表征能力,减少锚定框和区域推荐数目,简化锚定框参数设置.结合快速区域的卷积神经网络检测器后,在Pascal VOC数据集上的检测精度有所提升,这表明文中方法是有效的.

基于改进区域推荐网络的多尺度目标检测算法

输入图像尺度不一导致在复杂背景上基于深度学习的目标检测算法存在检测速度慢和检测精度低的问题。为了解决这些问题,基于更快区域卷积网络,提出一种包含区域网络、特征提取和区域分类3个模块的目标检测算法。首先通过感兴趣区域提取网络RPNS和RPNB,得到带有对象得分的矩形目标推荐;再利用多尺度和多高宽比的锚点框计算并提取每个推荐的局部特征;最后用剔除重叠度(Degree of overlap,DOL)设置阈值进行分类和回归。实验结果表明,该算法在多尺度目标的图像上有更好的鲁棒性,平均准确度均值(mean Average Precision,mAP)达75.4%,多尺度目标检测性能有所提升。

基于用户轨迹数据的用户兴趣区域推荐

推荐系统是通过分析已知信息和用户偏好,在用户选择物品或服务时,向用户提供帮助和建议的系统。但是目前大部分推荐系统都是基于用户评价或评分信息向用户推荐购物、电影等电子商务服务,基于用户轨迹数据进行用户兴趣区域推荐的研究十分罕见。用户的轨迹数据蕴含了用户的偏好,不同的轨迹反映不同的用户特性。所以提出一种从用户轨迹数据中挖掘最大频繁项集,并将最大频繁项集用于计算用户相似性和偏好的推荐方法。该推荐方法还综合考虑了相似用户访问次数、置信度和用户住宅信息等可能会影响推荐质量的因素。将提出的方法和基于协同过滤的推荐方法、基于关联规则的推荐方法进行比较,结果显示本文提出方法的效果较好。

面向GPS数据的出租车载客路线层次化推荐模型

出租车载客推荐能够有效提高司机利润,对于提升交通效率、改善城市出行体验以及推动智能交通的发展都具有重要意义。现有方法一般直接向司机进行载客区域或载客路线推荐,没有考虑将这两者进行结合,不仅面临数据稀疏性问题,而且难以兼顾推荐准确性与实时性能。为此,提出一种面向GPS数据的出租车载客路线层次化推荐模型,其中采用了抗稀疏性的极深因子分解机(xDeepFM)、深度Q网络(DQN)强化学习算法以及层次化推荐策略。首先,离线推荐高载客概率的大网格,以减少在线计算量;然后,当出租车司机提出实时载客推荐需求时,在离线推荐的大网格内进一步推荐高载客概率的小网格;最后,给司机规划一条到小网格的载客路线。在滴滴公司数据集上进行实验,结果表明,与现有的一些先进方法相比,该方法可以使空载出租车司机的巡航时间至少减少36%,巡航距离至少减少26%,并且推荐时间仅需85 ms。

基于无线传感器网的个性化区域推荐算法研究

无线传感器网是由传感器、数据处理和短距离无线通信功能的传感器组成的网络,具有的感知、便宜、体积小等优点,该文将重点研究个性化区域推荐在无线传感网中应用中的算法,分析现有算法的优点和弊端,提出相应的改进算法。

基于信息熵的二次聚类推荐算法

用户对网页文本缺少主动评价信息会影响最终推荐结果的准确程度。为此,提出一种新的二次聚类推荐算法,通过对用户所浏览过的网页文本特征词的提取及相关权重的计算,得出每一个网页的文本信息熵值与最邻近熵差。利用连续型随机变量的均匀分布计算得到最邻近熵差阈值,借助平均熵值逼近确定二次聚类初始聚类簇数和簇心,结合对数函数拟合的方法计算推荐数量,通过2次文本聚类,运用欧氏距离和信息熵值确定推荐内容。实验结果表明,该推荐算法在实际系统中运行稳定,与单纯只进行2次聚类运算的推荐算法相比,推荐准确程度有所提高。

江浙油菜主产区冬油菜的区域适宜施氮量研究

2008-2009年和2009-2010年,在江苏、浙江两省油菜主产区布置10组冬油菜的氮肥用量田间试验,研究施氮对产量、干重、氮素吸收累积及氮肥利用效率的影响,通过肥效模型确定该区域油菜的适宜施氮量,为农民合理施氮提供依据。结果表明,冬油菜施氮的增产效果显著,施氮270 kg hm-2时油菜产量达到最高的2 581 kg hm-2,较无氮区对照平均增产1 265 kg hm-2,增幅为121%。施氮明显增加了油菜的地上部干重,促进其对氮素的吸收和累积,但过量施氮导致收获指数和氮素收获指数出现降低,并导致氮肥利用效率的显著下降。各试验点油菜的适宜施氮量平均为199 kg hm-2,此施氮量条件下不仅大幅减少氮肥投入,还同时获得较高的区域产量水平和氮肥利用效率。分析认为,当前江浙油菜主产区冬油菜推荐施氮200kg hm-2,不同地区和田块可根据实际情况进行微调。

基于历史信息的区域卷积神经网络行人检测

为了解决卷积神经网络在进行连续行人检测时,检测行人速度较慢,达不到实时性要求的问题,采用基于历史信息的区域卷积神经网络行人检测算法,利用前一幅图像中的检测结果对当前图像的检测过程进行优化,将前一帧的检测结果作为对当前帧提取推荐区域的参考信息,并使用当前帧与前一帧的灰度值差异图对当前图像的卷积特征进行过滤,以缩小滑动窗口检测时的搜索区域。在加州理工学院行人检测数据集上进行了检测实验。结果表明,结合历史信息的算法与先进的算法相比检测速度提升了2.5倍,同时检测准确率提升了1.5%。该算法实现了实时行人检测,设计的网络能有效检测小目标行人。

一种跨区域跨评分协同过滤推荐算法

传统跨评分协同过滤范式忽视了目标域中评分密度对用户和项目隐向量精度的影响,导致评分稀疏区域评分预测不够准确.为克服区域评分密度对评分预测的影响,基于迁移学习思想提出一种跨区域跨评分协同过滤推荐算法(cross-rating collaborative filtering recommendation algorithm,CRCRCF),相对于传统跨评分协同过滤范式,该算法不仅能有效挖掘辅助域重要知识,而且可以挖掘目标域中评分密集区域的重要知识,进一步提升目标域整体,尤其是评分稀疏区域的评分预测精度.首先,针对用户和项目,分别进行活跃用户和非活跃用户、热门项目和非热门项目的划分.利用图卷积矩阵补全算法提取目标域活跃用户和热门项目、辅助域中全体用户和项目的隐向量.其次,对活跃用户和热门项目分别构建基于自教学习的深度回归网络学习目标域和辅助域中隐向量的映射关系.然后,将映射关系泛化到全局,利用非活跃用户和非热门项目在辅助域上相对较准确的隐向量推导其目标域上的隐向量,依次实现了跨区域映射关系迁移和跨评分的隐向量信息迁移.最后,以求得的非活跃用户和非热门项目在目标域上的隐向量为约束,提出受限图卷积矩阵补全模型,并给出相应推荐结果.在MovieLens和Netflix数据集上的仿真实验显示CRCRCF算法较其他最先进算法具有明显优势.

基于区域特征推荐神经网络的数字图像信息识别方法研究

现代技术的进步使得图像信息识别系统快速发展。为了提高对数字图像中信息的识别准确率,并保证用户相关数据信息的安全性,实验提出将区域特征推荐网络应用于数字图像信息识别中。过程中首先利用深度学习对图像信息进行了预处理,接着利用区域特征推荐神经网络完成对图像信息的最终识别。结果显示,研究方法在MNIST数据集与Cifar数据集上进行实验,当迭代进行到第20次与第16次时,研究方法有稳定损失函数值0.0151与0.0163。当所有模型的精准率均为0.800时,得到的RNN、TensorFlow-CNN与研究方法的召回率分别为0.722、0.784与0.902。同时研究方法识别图像时,未出现重叠现象。以上结果说明研究方法具有较高的图像识别精准率,能够为后续图像识别系统的性能提升提供一定的参考,具有较高的应用价值。

基于快速选区卷积神经网络模型的工业产品表面缺陷检测

针对传统带钢表面缺陷检测算法检测效率低、准确率差的情况,提出一种基于快速选区卷积神经网络模型的多尺度带钢表面缺陷检测算法;首先利用残差网络思想对该模型网络特征提取层进行改进;其次,利用多尺度推荐区域网络设置合理大小的卷积滑动窗口,提取出更加准确的推荐区域;最后,利用软判决非极大值抑制机制替代传统的非极大值抑制机制,解决缺陷特征相近时检测框丢失的情况,并在SD_data数据集上进行实验验证。结果表明,所提出的算法对多尺度带钢表面缺陷的检测准确率明显提高,漏检率显著降低。

基于改进Mask R-CNN模型的电力场景目标检测方法

为了解决电力施工现场中安全帽佩戴情况以及危险区域行人入侵检测问题,提出一种基于改进Mask R-CNN模型的目标检测方法。首先依据迁移学习策略对Mask R-CNN主干网络进行参数初始化,以提取图像基本特征;然后引入特征金字塔结构进行自下而上的特征图提取,完成多尺度特征融合;接着,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验;最终对结果进行分析评价,多目标平均准确率达到了95.22%。将改进后的Mask R-CNN模型用于监控视频分析,针对监控视频像素过低问题,加入拉普拉斯算法锐化边缘,精准率提高到90.9%,验证了拉普拉斯算法对低质量监控视频检测的有效性。

保障我国粮食安全的肥料问题

肥料在保障我国粮食安全中起着不可替代的支撑作用,同时化肥养分利用率低又产生了对环境的不良影响。因此用好肥料资源、提高肥料利用效率是关系到国家粮食安全和环境质量的重大科技问题。本文实事求是地分析了我国人多、地少、耕地质量差、农田生态环境脆弱的基本国情和肥料领域面临的严重挑战;对国家种植业发展对肥料的需求,有机养分和化肥利用现状和问题、农田中化学氮肥的损失及其对环境的影响等问题进行了较为全面地综述;提出了"区域用量控制与田块微调相结合"的推荐施肥的理念和技术路线;形成和发展了适合分散经营和规模经营的分区养分管理和精准施肥技术体系;同时对新型肥料和有机养分资源在我国研究应用的现状和存在的问题进行了分析评述。在此基础上,提出了提高耕地综合生产能力、依靠科技进步高效利用肥料资源、按照增产潜力做好施肥区域布局等技术政策,建议针对肥料科学技术的发展形成稳定的政策支持和保障。

基于改进RPN的车载导航目标识别技术

车载导航是无人驾驶的一项关键技术,而其主要技术难点是动态避障,即实时目标识别与反馈控制。为了能够实时获取车辆周围目标的运动状态,提出了一种基于三维点云数据快速体素化分析的识别算法。该算法以极坐标系替代直角坐标系,直接与车载激光雷达建立映射关系。再通过区域推荐网络技术中对区域框的限定计算完成可表征目标特征的准确定位。实验采用开源数据库KITTI中的点云数据进行验证,对比了动态目标(汽车、摩托车、行人)和静态目标(树木、楼宇)之间的点云特征。识别结果与两种常用的三维目标识别算法进行对比。结果显示本算法的最优平均精度为88.45%,最优平均方向相似度为93.27%,相比常用的SECOND算法对动态目标的识别具有更好的效果。验证了其可行性,其在车载导航目标识别领域具有一定的优势。

无人车驾驶场景下的多目标车辆与行人跟踪算法

考虑到现有的基于检测的多目标跟踪算法多会出现因目标漏检或数据关联算法冗余而造成的目标ID频繁切换、跟踪轨迹断开等问题,提出了无人车驾驶场景下的多目标车辆与行人跟踪算法.首先,选取CenterNet网络作为目标检测器,并用嵌入了1×1卷积和SE-Net的Res2Net来替代网络原有的残差单元,以提升网络对空间信息和通道信息的提取能力,提高目标检测器性能.接着,用孪生网络来提取目标所在区域的特征,进行关联概率度量,再用匈牙利算法对相邻帧目标进行关联.最后,用区域推荐网络设计的辅助跟踪器对漏检或消失又出现的目标进行持续跟踪,并将可靠的跟踪结果合并到轨迹中.实验结果表明,与已有的方法对比,所提方法在KITTI跟踪基准数据集上对于车辆与行人的跟踪具有竞争力.

基于M形深度架构的非结构化道路可行驶区域推荐模型

针对边界模糊、路况多变的非结构化道路,为满足智能汽车在正常、应急等复杂行驶工况下对可行驶区域的视觉检测需求,提出一种在M形深度架构下融合多尺度交互策略和双重注意力机制的可行驶区域推荐模型,能够在复杂驾驶场景中精细分割出非结构化道路的强推荐、弱推荐、不推荐行驶区域。首先,在编码器-解码器的骨架基础上,构建倒金字塔式的多尺度分层输入和分层输出结构,以有效融合非结构化道路的浅层形态学特征与深层语义信息,并平衡模型在不同尺度上的预测偏倚,提升复杂驾驶场景下对多尺度与变尺度目标的分割精度;其次,构建集成通道注意力和空间注意力的跳跃连接结构,使模型在实现编码特征与解码特征高效传递的同时,聚焦于学习与道路可行驶性相关的重要特征,进一步强化模型对非结构化道路的检测性能。通过多种途径构建包含城郊、乡村、园区等真实场景的非结构化道路驾驶数据集。试验结果表明:得益于M形深度架构对多尺度交互策略和双注意力机制的融合,提出的模型在多种真实驾驶场景下均能较好地实现强推荐行驶区域、弱推荐行驶区域、不推荐行驶区域和背景区域的精细分割,平均交并比达到92.46%,平均检测速度达到22.7帧·s^(-1);与现有其他主流模型相比,提出的模型兼顾了分割精度和时间效率,在非结构化道路可行驶区域检测任务上有明显优势。

基于GN分裂的小目标检测区域推荐搜索算法

区域推荐搜索是机器视觉研究热点之一,针对传统目标检测使用穷举式搜索效率低下的问题,通过优化搜索的准确率可提高检测效率。引入复杂网络中用于社区发现的Girvan-Newman(GN)分裂算法,结合小目标区域特征,提出一种基于图像网络结构的小目标检测区域推荐搜索算法。该算法根据区域间多样性颜色直方图相似性构建图像与图的映射关系,通过图中连通子图的生成获取小目标可能区域。能在生成较少候选区的情况下满足较高的召回率,进一步优化小目标检测的时间消耗。