基于改进的RFBNet行人检测算法

深度学习方法在行人检测领域取得了不错的成绩,但还存在一些问题需进一步解决例如遮挡、难负样本等问题。本文提出基于注意力机制的RFBNet行人检测算法,针对部分遮挡问题,可以取得更好的检测效果。在注意力机制的引导下,网络更加倾向于可见部分的行人信息抑制背景信息从而避免其误导网络训练进一步降低负样本误检为正样本的概率。为了将模型能够部署在轻量级设备上本文使用参数量更少的轻量网络模型。在PASCAL VOC行人数据集上实验结果显示通过增加通道注意力机制,检测平均精准率增加了 0.51%;当模型参数量裁剪为0.9M和3.1M时,行人检测精度仍然能够达到78.04%和80.01%,而模型参数量压缩为原来的约10%。本文算法可以提高行人检测的精度且具有良好的鲁棒性和适用性。

改进RFBNet的电力设备红外图像识别

由于智能变电站采集的电力设备红外图像样本较少,分辨率较低且识别难度较大,传统的图像识别技术很难对红外图像中的电力设备进行准确的定位和识别。针对红外图像样本较少,分辨率较低的问题,采用数据增强可以有效扩充红外图像样本数量,采用SRGAN算法可以有效提高红外图像分辨率。针对传统图像识别技术对红外图像识别难度大的问题,提出改进RFBNet的电力设备红外图像识别方法。改进模型采用MobileNet网络,通过减少网络参数量来提高检测速度,采用特征融合和软性非极大值抑制,通过提高特征图特征提取能力和减少被遮挡目标的漏检来提高检测精度。实验结果表明,该方法能够实时有效地检测出电力设备,平均精度均值达到94.90%,平均测试时间为0.106 s,性能优于RFBNet方法。

基于改进的RFBNet电力火灾识别技术研究

针对传统火灾探测器在火灾检测方面的不足,传统的图像识别技术对于火灾预测精度不高的问题,采用基于改进的RFBNet算法进行火灾识别。本算法在原来的RFBNet算法的框架上进行改动,采用自适应特征提取优化特征提取操作、反卷积增强融合和增强型软性非极大值抑制,通过提高网络的特征提取能力、加强层级联系和减少重叠目标的漏检率来提高小目标物体的识别精度低和识别准确率低的问题。实验表明,该方法可以有效识别出火灾,识别精度达到93.5%,优于RFBNet算法,速度上也满足实时性要求。

改进RFB算法的车载实时行人检测算法研究

针对目前行人检测系统检测精度低以及检测实时性不高的问题,提出了一种改进RFB算法的车载实时行人检测算法RFB-Nano。RFB-Nano采取多尺度特征融合机制,减少计算量。对特征提取网络VGG16进行模型压缩,减少至一个RFB模块,添加1*1卷积、拟归一化BN层,在保证精度的前提下减少参数量;并在损失函数中引入类加权交叉熵增加分类的性能。最后将设计的RFB-Nano算法与其他算法在同一环境下进行实验对比,实验结果表明改进的算法有效地提高了检测实时性,达到精确性和实时性的有效平衡表现。

基于深度学习的监控视频车辆实时监测

针对传统车辆检测算法不能自适应地完成复杂道路场景变化下提取车辆特征的问题,结合焦点损失、K-means聚类与mobilenet网络,提出改进的RFB-VGG16与RFB-MobileNet模型进行车辆检测。从开源数据集UA-DETRAC的24个视频中每隔一定帧数抽取8209张已标注的图片构成数据集,在相同的超参数与训练策略下,改进后RFB-VGG16网络的AP值比原模型提高了3.2%。基于mobilenet网络重新设计RFB骨架网络,使RFB-MobileNet模型在牺牲一定性能的情况下,具有更快的检测速度,能较好地满足监控视频对车辆检测实时性的要求。

基于嵌入式AI平台的智能考勤系统

本文基于高等院校课堂考勤管理的实际情况及需求设计一个基于本地人脸识别的考勤系统,采用了RFBnet网络及caffe框架等新兴图像处理技术,识别效率和精度高;同时采用云服务器接收和处理考勤数据,跨平台实现考勤数据的实时查询,极大地方便了管理员的操作,提高了工作效率。

基于MobileNet的多尺度感受野特征融合算法

针对轻量化网络在目标检测中检测精度低的问题,提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性,采用基于轻量化扩充感受野模块(RFB)的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时,针对复杂注意力模块导致计算量大的问题,在主干特征提取网络添加有效通道注意力机制模块(ECA),提高卷积神经网络的性能。实验结果表明,相较于MobileNet,所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点,模型大小分别为50.3 MB和48.5 MB,平均检测速度为34 frame·s^(-1)。