基于难样本挖掘与混合注意力机制的目标跟踪算法

在SiamFC目标跟踪算法的基础上,提出一种基于难样本挖掘和混合注意力机制的目标跟踪算法。首先,为了改善训练样本的数据分布情况,将图像自身边缘信息填充训练样本尺寸不足的区域来增强背景干扰信息;其次,在模板分支加入残差连接来对目标从不同层级进行特征表达;然后,在搜索分支采用混合注意力模块充分地提取特征信息;最后,使用深度可分离卷积降低模型复杂度。实验结果表明本文算法在遮挡、光照、旋转等复杂场景下具有良好的表现。

基于难样本挖掘和深度学习的乳腺癌检测方法

为解决当前乳腺癌影像检测任务中数据样本量少、医学专业性强等问题,提出一种基于难样本挖掘和深度学习的乳腺癌检测方法。以乳腺癌医学图像数据库中含有正负样本的X光影像训练模型,通过改进Mask R-CNN特征金字塔结构对目标区域的高低层特征充分学习,利用难样本挖掘方法对正样本及难负样本进一步筛选,降低患病区域误检率,避免深度学习模型依赖样本量所造成的过拟合问题。实验结果表明,该方法在公开数据集上的检测精度达到85.92%-86.75%,精度提高了3%左右,提高了原检测方法的准确性和鲁棒性。

基于难样本挖掘的孪生网络目标跟踪

为了解决全卷积孪生网络目标跟踪算法(SiamFC)在复杂环境下容易出现跟踪漂移甚至跟踪失败的问题,提出了一种基于难样本挖掘的孪生网络目标跟踪方法。该方法在SiamFC算法的基础上,首先利用特征融合模块进行特征融合,以提高特征表征的鲁棒性,然后引入一个新的损失函数,加强网络对难样本的学习能力并缓解正负样本不平衡的问题。为验证该方法的有效性,在OTB2015和GOT10k数据集上对算法进行测试实验。实验结果表明,在OTB2015数据集上该方法比SiamFC算法在成功率上提高2.6%,精度上提高2%;在GOT10k数据集上该方法的mAO为0.429,相比SiamFC算法提高了3.7%,在光照变化、目标形变、相似背景干扰情况下具有更好的表现。

基于难负样本挖掘的改进Faster RCNN训练方法

目标检测方法甚高速卷积神经网络(Faster Region-based Convolutional Neural Network,Faster RCNN)在训练过程中存在负样本远多于正样本的问题,即数据集不平衡问题。针对该问题,提出了一个综合定位误差和分类误差的判别函数用于判别难正样本,基于该函数和难负样本挖掘提出了改进的自助采样法,并提出了基于该自助采样的"五步训练法"用于训练Faster RCNN。与传统的Faster RCNN训练方法相比,五步法加强了对难样本的学习,提高了网络泛化能力,减少了误判;训练出的模型在Pascal VOC 2007数据集上测试的平均正确率均值(mean Average Precision,mAP)提高了2.4%,在FDDB(Face Detection Data Set and Benchmark)相同检出率下误检率降低了3.2%,且边框拟合度更高。

基于线性分配的难负样本挖掘度量学习

科学家依靠鲸鱼尾巴的形状及其独特的标记来识别鲸鱼的种类,但靠人眼识别和手工标注的过程非常繁琐。而且鲸鱼尾巴照片数据集存在数据分布不均衡的特点,其中个别种类样本数量极少,甚至仅有一份;同时样本个体差异较小,并且包含未知类别,导致以图像分类的方式完成鲸鱼身份的自动标注存在困难。为解决度量学习在该任务下难以分类的问题,在孪生神经网络(SNN)的基础上,利用线性分配问题(LAP)算法进行难负样本挖掘训练过程从而动态地构筑训练批次。首先对训练样本提取图像特征向量,并计算特征向量的相似性度量;然后通过LAP为模型分配样本对,根据度量分数矩阵动态地构筑训练样本批次,针对性地训练困难样本对。在一个数据分布不平衡的鲸鱼尾巴图像数据集和CUB-200-2001数据集上得到的实验结果表明,所提算法在少数类学习和细粒度图像分类上能取得良好的效果。

基于改进YOLOv5的黑色素瘤图像自动诊断

为解决现有黑色素瘤智能诊断模型中存在的对毛发遮挡目标识别精度不足、样本不均以及轻量化程度不够的问题,提出一种改进的YOLOv5模型。首先,基于改进的C3结构和自注意力机制设计CS_Neck结构,从而有效区分黑色素瘤和毛发的相关特征;其次,提出一种二次筛选难样本挖掘方法,利用焦点损失函数降低简单样本权重,引入损失秩排序(loss rank mining,LRM)思想降低简单样本数量;最后,设计轻量级骨干网络,提出使用改进的RepVGG结构替换普通卷积提取特征,提高推理速度,并引入宽度乘子降低参数量和权重,实现模型轻量化。基于ISIC2019数据集的实验结果表明,所提算法的权重和参数量仅为7.9 MB和4.0×10^(6),精度达到92.9%。所提算法有效提升了精度且实现了轻量化,可以满足高效诊断黑色素瘤的要求。

基于改进Deformable DETR的无人机视频流车辆目标检测算法

针对无人机视频流检测中小目标数量多、因图像传输质量较低而导致的上下文语义信息不充分、传统算法融合特征推理速度慢、数据集类别样本不均衡导致的训练效果差等问题,提出一种基于改进Deformable DETR的无人机视频流车辆目标检测算法。在模型结构方面,该算法设计了跨尺度特征融合模块以增大感受野,提升小目标检测能力,并采用针对object_query的挤压-激励模块提升关键目标的响应值,减少重要目标的漏检与错检率;在数据处理方面,使用了在线困难样本挖掘技术,改善数据集中类别样本分布不均的问题。在UAVDT数据集上进行了实验,实验结果表明,改进后的算法相较于基线算法在平均检测精度上提升了1.5%,在小目标检测精度上提升了0.8%,并在保持参数量较少增长的情况下,维持了原有的检测速度。

基于SSD的不平衡样本车辆检测与识别

为了实现在复杂环境,车辆样本不平衡情况下的实时车辆检测与识别,基于SSD算法搭建了车辆检测与识别的框架。针对车辆数据存在车型难易样本不均衡以及SSD方法存在的正负样本不平衡问题,在SSD引入改进的损失函数来挖掘难易样本,通过提高难样本的学习比例来更好地识别样本较少的车辆类型。引入SSD级联的网络结构,在第一级SSD挖掘正负样本,在第二级SSD根据第一级SSD的指导过滤掉大量的负样本。构建了拥有7480幅图像,包含4种车辆类型的数据集对该方法进行验证。实验结果表明,基于改进SSD的方法提高了少样本车辆类型的准确率,使整体检测精度取得了90.0%的准确率。针对不均衡样本的车辆数据集有较好的通用性,适用于车辆检测与识别任务。

融合多聚类信息的无监督行人重识别算法

在无监督的行人重识别领域中,始终很难对数据集中的难样本对进行很好的挖掘。针对这个问题,提出了融合多种聚类信息生成软多重标签并进行难样本对挖掘的方法。该方法基于不同聚类方法使用的聚类机制不同这一原理,发掘类内样本的共通性与类间样本的差异性,进而使模型能够学习到更有区分性的特征。在Market-1501数据集与DukeMTMC-reID数据集上进行的对比实验结果表明,提出的方法在原来初步学习的网络的基础上,mAP分别提高了14.4%与8.9%,精度均提高显著。

Faster R-CNN模型在车辆检测中的应用

针对传统机器学习方法在车辆检测应用中易受光照、目标尺度和图像质量等因素影响,效率低下且泛化能力较差的问题,提出一种基于改进的较快的基于区域卷积神经网络(R-CNN)模型的车辆检测方法。该方法以Faster R-CNN模型为基础,通过对输入图像进行卷积和池化等操作提取车辆特征,结合多尺度训练和难负样本挖掘策略降低复杂环境的影响,利用KITTI数据集对深度神经网络模型进行训练,并采集实际场景中的图像进行测试。仿真实验中,在保证检测时间的情况下,相对原Faster R-CNN算法检测精确度提高了约8%。实验结果表明,所提方法能够自动地提取车辆特征,解决了传统方法提取特征费时费力的问题,同时提高了车辆检测精确度,具有良好的泛化能力和适用范围。

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。

基于改进卷积神经网络的机动车图像分类算法

针对大型数据库的精细化车型分类应用较少、预处理复杂,且识别率不高等情况,提出基于改进卷积神经网络的机动车图像分类算法。算法构建了较之Googlenet V3层级更为简单的神经网络模型;基于该CNN网络,增加了基于样本质心距离的正样本保留方案,在缓解样本不均衡的同时,通过巩固类内边界增强了数据可分性;在网络的全连接层采用了基于神经元重要性分值的dropout方法,在去除无效神经元的同时,提升网络的识别效果。实验结果表明,该算法能更为有效地提取图像特征,较之Googlenet V3算法收敛快,训练耗时短,识别率更高,解决实际问题的能力更强。

基于Faster R-CNN的高速公路车辆检测和域自适应研究

为了解决传统的目标检测模型在实际高速公路场景中受天气尧光照强度尧遮挡和场外因素的影响,应用场景单一,图像中小型车辆漏检率高尧检测能力低的问题,本文提出一种基于Faster R-CNN的域自适应算法,增加了图像级域分类器和实例级域分类器组件.在训练过程中采用多尺度训练和挖掘样本中的难负样本,将难负样本加入到训练集中,对模型进行二次训练;实验结果表明,提高了车辆检测的准确性和鲁棒性,具有一定的泛化能力.

基于Faster R-CNN的高速公路车辆检测和域自适应研究

为了解决传统的目标检测模型在实际高速公路场景中受天气、光照强度、遮挡和场外因素的影响,应用场景单一,图像中小型车辆漏检率高、检测能力低的问题,本文提出一种基于Faster R-CNN的域自适应算法,增加了图像级域分类器和实例级域分类器组件。在训练过程中采用多尺度训练和挖掘样本中的难负样本,将难负样本加入到训练集中,对模型进行二次训练;实验结果表明,提高了车辆检测的准确性和鲁棒性,具有一定的泛化能力。