基于深度学习的城市固体废物材质识别方法

实现生活垃圾自动化、精细化分拣,可以有效减少环境污染、提高资源回收再利用效益。随着深度学习神经网络的快速发展,其在垃圾识别领域应用越加广泛。利用实例分割网络可以提取物体轮廓与类别信息,完成对生活垃圾的定位与细分。针对生活垃圾不同工况下,神经网络识别效果严重下降问题,文章提出基于实例分割网络模型的难例样本,对模型进行更新的策略,以语义分割网络辅助提取难例样本。在多种实例分割网络BlendMask、MEInst、CondInst、Mask R-CNN、Cascade RCNN上进行更新策略试验。结果表明,更新后的模型在新工况测试集上回收率提升1.47%~4.06%,除了MEInst不适用纯度提升场景外,其余网络得到0.6%~2.41%的提升。在不同工况只补充少量样本的情况下,神经网络更新策略可以较好提高模型对生活垃圾的识别准确率,增强模型泛化能力。

基于改进三元组损失的伪造人脸视频检测方法

当前大部分伪造人脸检测技术使用深度学习来鉴别真实视频与伪造视频之间的特征差异,此类方法在未压缩视频上取得了不错的效果,但在检测经过压缩处理的视频时检测效果就会严重下降。针对此类问题,提出了基于改进三元组损失的伪造人脸视频检测方法。首先,使用伪影图生成器生成一幅伪影图来加深伪造人脸与真实人脸之间的特征差异;其次,使用改进的三元组损失来解决难例样本难以被正确检测的问题;最后,选用更适合人脸鉴伪的深度学习网络提取卷积特征。在FaceForensics++数据集上与目前领先的人脸鉴伪方法的对比表明,该方法检测准确率优于对比方法。

多尺度特征融合的目标检测算法研究

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。