基于随机权重分配策略的面目表情识别

为了提高面部表情识别的精确度,提出了一种基于数据增强策略面部表情识别,区别于普通的在线随机数据增强,将实验用到的训练数据集采用附加不同的权重分配策略进行增强数据,并随机生成每次训练时的权重,保证其训练数据的多样性并通过比较实验结果得出哪种权重的分布策略适用于面部表情识别数据集的增强,同时解决了面部表情识别因数据集缺乏多样性识别精度不高等问题,提升了人脸表情识别的准确性和鲁棒性,此外还利用VGG19特征提取网络,通过从数据中学习鲁棒性和区分性特征,来实现高精度的面部表情识别。实验结果表明,使用该方式增强后的数据进行训练的模型在Fer2013和扩展Cohn-Kanade(CK+)数据库上对7种表情的识别率相比其原始数据集均有提升。

基于改进YOLOv5的X射线图像危险品检测

目前安检甄别工作主要依靠人工完成,但巨大的工作量使自动安检成为必然趋势。为了在保证精度的前提下轻量化模型,并进一步克服X射线安检图像存在物品重叠遮挡、背景干扰严重等问题,提出了一种基于YOLOv5的改进模型。该模型采用Ghost模块对原模型进行剪枝处理;引入坐标注意力机制,使网络在训练中更好地聚焦危险品,生成更具分辨性的特征;采用传统数据增强策略与Mixup数据增强策略相结合的方式来改善模型的泛化能力和鲁棒性。实验结果表明:改进模型的参数量和模型大小比原模型分别减少了17.3%、16.1%,改进模型在SIXray和OPIXray数据集上的平均精度均值(mAP)比原模型分别提高了2.3%、5.7%。所提出模型在轻量化的同时能够进一步提高检测能力,满足实时检测要求,具有较好的应用价值。