基于Darknet网络和YOLOv3算法的船舶跟踪识别

针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题,提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型,解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想,采用跨层跳跃连接方式以增加网络深度,构建船舶深度特征矩阵提取高级船舶特征进行组合学习,得到船舶特征图。在此基础上,引入YOLOv3算法实现基于图像的全局信息进行目标预测,将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测,实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明,提出的算法在30 frame/s的情况下,平均识别精度达到89.5%,与传统以及深度学习算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有较好的鲁棒性,而且可以识别多种船舶的类型及其重要部位。

基于Darknet23和特征融合的交通标志检测方法

道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法。利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10%、mAP@0.5:0.05:0.95达到70.017%,相比原网络分别提升10.17%和5.656%,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络。

基于多注意融合网络的输煤皮带异物识别方法

为改善现有输煤皮带异物识别算法网络参数量大、识别精度不高的问题,及时避免大块煤和矸石、锚杆等带来的安全隐患,提出了一种基于多注意融合网络的输煤皮带异物识别方法,使用低照度图像处理算法对数据集进行预处理,采用融合局部注意力残差块作为基本特征提取单元,在残差块中融入带有额外偏移量的可变形卷积以增加对不规则特征的描述,用注意力机制对全局特征图做期望最大化处理。结果表明:在Cifar 10数据集和矿用皮带传输异物识别数据集的识别准确率分别为93.7%和84.8%;与ShufflenetV2、MobileNetV2、ResNet 50、ResNet 110、Darknet 53算法相比,识别准确率分别提升了4.7%、3.9%、0.4%、0.5%、1.7%;与识别准确率相近的ResNet 50、ResNet 110算法相比,网络参数量和计算复杂度大大减小。识别方法能够快速识别输煤皮带异物,且具有较高的识别准确率,对保障煤矿运输系统的安全运行具有参考意义。

融合TCN的时空域双流动态手势识别方法

手势分为静态手势和动态手势,针对动态手势中手势轨迹不明显、短期时空特征得不到有效提取和利用,提出一种基于darknet(darknet53)算法融合时序卷积网络(TCN)的双流网络3D-darknet用于识别视频中的动态手势。该方法在3D-CNN的基础上将具有强大图像特征提取能力的darknet网络与短期时空特征提取的TCN网络结合,采用自适应的权重融合策略将短期时空特征和长期时间特征融合后得到对视频手势的识别,并在Jester数据集上对网络模型进行验证。实验结果表明,该网络结构对特定轨迹特征不明显的手势平均识别率达到91.17%,相比动态手势识别网络3D-densenet识别率85.49%提高了5.68%,具有更高的准确率,在双流网络的空间流中darknet网络去掉全连接层,利用平均池化直接输出提取的特征,减少了网络参数,提高了识别效率,并且3D-darknet网络需要更少的迭代次数,提高了识别的鲁棒性。