卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标...卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.展开更多
为提高基于卷积神经网络(CNN)目标检测算法的检测速度,提出一种基于混合结构CNN的目标快速检测算法。采用基于CNN的Faster R-CNN目标检测框架,对其CNN进行优化。基于多层感知器结构,提出CR-mlpconv卷积层结构。在网络浅层采用C. Re LU策...为提高基于卷积神经网络(CNN)目标检测算法的检测速度,提出一种基于混合结构CNN的目标快速检测算法。采用基于CNN的Faster R-CNN目标检测框架,对其CNN进行优化。基于多层感知器结构,提出CR-mlpconv卷积层结构。在网络浅层采用C. Re LU策略,同时结合CR-mlpconv层结构和C. Re LU策略,合理设计层参数,构成卷积神经网络。将该卷积神经网络融合到Faster R-CNN检测框架中,实现目标快速检测。实验结果表明,在检测精度的适当影响范围内,该算法能够减少网络模型参数并降低网络模型的内存消耗,提高网络的实时性。展开更多
为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对...为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。展开更多
文摘卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.
文摘为提高基于卷积神经网络(CNN)目标检测算法的检测速度,提出一种基于混合结构CNN的目标快速检测算法。采用基于CNN的Faster R-CNN目标检测框架,对其CNN进行优化。基于多层感知器结构,提出CR-mlpconv卷积层结构。在网络浅层采用C. Re LU策略,同时结合CR-mlpconv层结构和C. Re LU策略,合理设计层参数,构成卷积神经网络。将该卷积神经网络融合到Faster R-CNN检测框架中,实现目标快速检测。实验结果表明,在检测精度的适当影响范围内,该算法能够减少网络模型参数并降低网络模型的内存消耗,提高网络的实时性。
文摘为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。
