基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究 被引量：36

1

作者 闫贺 黄佳 +3 位作者 李睿安 王旭东 张劲东 朱岱寅 《电子与信息学报》 EI CSCD 北大核心 2021年第3期615-622,共8页

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习... 针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。 展开更多

关键词 视频SAR 运动目标检测 快速区域卷积神经网络 特征金字塔网络 K-MEANS

在线阅读 下载PDF 职称材料

基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测 被引量：4

2

作者 高忠文 于立国 《汽车技术》 CSCD 北大核心 2020年第7期14-18,共5页

针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数... 针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数量,生成包含小目标的候选区域,再使用生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,最后使用分类损失函数与回归损失函数对判别网络进行改进。试验结果表明,Faster R-CNN和生成对抗网络相结合的检测算法可以提高远距离小目标交通标志检测性能。 展开更多

关键词 交通标志检测 更快速区域卷积神经网络 生成对抗网络 超分辨重建

在线阅读 下载PDF 职称材料

基于卷积神经网络快速区域标定的表面缺陷检测 被引量：25

3

作者 李宜汀 谢庆生 +2 位作者 黄海松 姚立国 魏琴 《计算机集成制造系统》 EI CSCD 北大核心 2019年第8期1897-1907,共11页

为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(FasterR-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精... 为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(FasterR-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精度。所提算法结合数据扩充方法增加了图像数量,通过划分K折交叉验证数据集改善了算法的鲁棒性;同时,将稀疏滤波思想融入卷积神经网络,提取双重深度特征作为FasterR-CNN的输入,提升了FasterR-CNN位置检测和识别的精度。通过油辣椒灌装生产线的封盖面典型缺陷检测验证了所提方法的可行性。 展开更多

关键词 表面缺陷检测 卷积神经网络快速区域标定 位置检测 稀疏滤波 生产过程监控

在线阅读 下载PDF 职称材料

基于更快区域卷积神经网络的多视角船舶识别 被引量：5

4

作者 程静 王荣杰 +2 位作者 曾光淼 林安辉 王亦春 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2023年第10期1832-1840,共9页

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F1分数、平均精度和平均误检率作为评价指标评估更快区... 针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F1分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能,并通过识别不同船舶的F1分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明,更快区域卷积神经网络识别多角度船舶的平均F1分数为0.6969,平均精度为92.88%,平均误检率为8.34%,即更快区域卷积神经网络对多视角船舶有较高的识别能力,但对于有雾或昏暗环境下的低像素图像识别能力明显下降。 展开更多

关键词 多视角 船舶识别 视觉图像 更快区域卷积神经网络 目标检测 特征提取 深度学习 低分辨率图像

在线阅读 下载PDF 职称材料

基于区域卷积神经网络Faster R-CNN的手势识别方法 被引量：12

5

作者 张勋 陈亮 +1 位作者 朱雪婷 胡诚 《东华大学学报（自然科学版）》 CAS 北大核心 2019年第4期559-563,共5页

为提升手势识别算法的准确率,引入深度学习中区域卷积神经网络Faster R-CNN (faster region-convolution neural network)。利用该网络的卷积神经网络自动提取手势目标特征,采用RPN(region proposal networks)机制提取候选框以提高搜索... 为提升手势识别算法的准确率,引入深度学习中区域卷积神经网络Faster R-CNN (faster region-convolution neural network)。利用该网络的卷积神经网络自动提取手势目标特征,采用RPN(region proposal networks)机制提取候选框以提高搜索效率,采用Faster R-CNN网络对建议框做目标检测和分类以实现手势端到端的识别。结果表明,该方法能够更加准确高效地完成手势特征提取和分类任务,有效提高手势识别准确率。 展开更多

关键词 区域卷积神经网络 faster R-CNN 手势识别 深度学习

在线阅读 下载PDF 职称材料

基于改进的更快的卷积神经网络特征区域的淡水鱼鱼鳃切口点定位

6

作者 王红君 时扬扬 +1 位作者 岳有军 赵辉 《科学技术与工程》 北大核心 2021年第16期6794-6800,共7页

为了提高鱼产品加工过程中鱼鳃切口点定位的准确度,采用改进的更快的卷积神经网络特征区域(faster convolutional neural network feature region,Faster RCNN)对淡水鱼的鱼鳃部位进行检测和定位。首先,为了增强主干网络VGG16的特征提... 为了提高鱼产品加工过程中鱼鳃切口点定位的准确度,采用改进的更快的卷积神经网络特征区域(faster convolutional neural network feature region,Faster RCNN)对淡水鱼的鱼鳃部位进行检测和定位。首先,为了增强主干网络VGG16的特征提取能力,加入批归一化(batch normalization,BN)层对其进行结构优化,提高了网络识别的准确率。其次,当物体处于预设的交叉阈值范围时,非最大值抑制(non-maximum suppression,NMS)算法存在目标漏检的问题。采用Soft-NMS算法替代NMS算法,增强了目标检测的性能。通过在淡水鱼数据集进行的实验结果表明,改进的Faster RCNN网络对鱼鳃切口定位准确率达到了96%,较未改进网络提高了6%,为后续生产线中鱼鳃的精准切割奠定了基础。 展开更多

关键词 目标检测 鱼鳃切口定位 更快的卷积神经网络特征区域(faster RCNN) Soft-NMS

在线阅读 下载PDF 职称材料

基于改进区域卷积神经网络的SAR图像船只检测方法 被引量：2

7

作者 石洪基 郎海涛 +3 位作者 宋棋 聂晓风 郭展宏 刘梦茜 《中国海洋大学学报（自然科学版）》 CAS CSCD 北大核心 2019年第S02期185-191,共7页

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,... 准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,对区域卷积神经网络的输入部分及目标候选框提取部分做出了适应性改进,并对训练方法进行了优化。实验表明,本文提出的方法能够在不同分辨率的SAR图像中检测出密集分布、沿岸分布等不同场景下不同大小的船只目标,且检测结果不受旁瓣等噪声的干扰,能够完整地保留船只目标的细节信息,实现整体检测。 展开更多

关键词 船只目标检测 快速区域卷积神经网络 深度学习 合成孔径雷达

在线阅读 下载PDF 职称材料

卷积神经网络模型剪枝结合张量分解压缩方法 被引量：9

8

作者 巩凯强 张春梅 曾光华 《计算机应用》 CSCD 北大核心 2020年第11期3146-3151,共6页

针对卷积神经网络(CNN)拥有巨大的参数量及计算量,限制了其在嵌入式系统等资源受限设备上应用的问题,提出了基于统计量的网络剪枝结合张量分解的神经网络压缩方法,其核心思想是以均值和方差作为评判权值贡献度的依据。首先,以Lenet5为... 针对卷积神经网络(CNN)拥有巨大的参数量及计算量,限制了其在嵌入式系统等资源受限设备上应用的问题,提出了基于统计量的网络剪枝结合张量分解的神经网络压缩方法,其核心思想是以均值和方差作为评判权值贡献度的依据。首先,以Lenet5为剪枝模型,网络各卷积层的均值和方差分布以聚类方式分离出提取特征较弱的滤波器,而使用保留的滤波器重构下一层卷积层;然后,将剪枝方法结合张量分解对更快的区域卷积神经网络(Faster RCNN)进行压缩,低维卷积层采取剪枝方法,而高维卷积层被分解为三个级联卷积层;最后,将压缩后的模型进行微调,使其在训练集上重新达到收敛状态。在PASCAL VOC测试集上的实验结果表明,所提方法降低了Faster RCNN模型54%的存储空间而精确率仅下降了0.58%,同时在树莓派4B系统上达到1.4倍的前向计算加速,有助于深度CNN模型在资源受限的嵌入式设备上的部署。 展开更多

关键词 卷积神经网络 目标检测 更快的区域卷积神经网络 剪枝 张量分解

在线阅读 下载PDF 职称材料

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测 被引量：13

9

作者 谢云霞 黄海于 胡建斌 《计算机应用》 CSCD 北大核心 2020年第8期2460-2464,共5页

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先... 针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。 展开更多

关键词 糖尿病视网膜病变 目标检测 基于快速区域的卷积神经网络算法 子图分割 在线困难样本挖掘

在线阅读 下载PDF 职称材料

基于卷积神经网络的半身裙款式特征分类识别 被引量：10

10

作者 邓莹洁 罗戎蕾 《现代纺织技术》 北大核心 2021年第6期98-105,共8页

针对服装特征分类识别不够全面、较多分类特征导致效果较差的问题,提出一种带有Inception v2模组的快速区域卷积神经网络模型的女装半身裙多特征分类识别方法。建立一个包含8类款式、11种颜色、5种图案、4种长度,共计28种类别标签的女... 针对服装特征分类识别不够全面、较多分类特征导致效果较差的问题,提出一种带有Inception v2模组的快速区域卷积神经网络模型的女装半身裙多特征分类识别方法。建立一个包含8类款式、11种颜色、5种图案、4种长度,共计28种类别标签的女装半身裙样本库;以快速区域卷积神经网络(Faster r-cnn)结构为基础,引入一个Inception v2模组,对半身裙的款式及多种特征进行学习训练,通过全连接层将来自Faster r-cnn主干网络和Inception v2的分类信息进行特征融合并共享损失,以提高算法的准确率;将目标检测框与分类结果一起输出,在对半身裙图像精准定位的基础上实现了半身裙款式及常见特征的分类识别。结果表明:该方法的平均分类准确率为92.8%,可以有效地对女装半身裙款式、特征进行分类识别,并且可用于实际场景的服装图片中。 展开更多

关键词 卷积神经网络 Inception v2模组 快速区域卷积神经网络 女装半身裙

在线阅读 下载PDF 职称材料

基于深度卷积神经网络的舰载机目标检测 被引量：7

11

作者 朱兴动 田少兵 +3 位作者 黄葵 范加利 王正 陈化成 《计算机应用》 CSCD 北大核心 2020年第5期1529-1533,共5页

针对航母甲板面舰载机密集易遮挡,舰载机目标难以检测,且检测效果易受光照条件和目标尺度影响的问题,提出了一种改进的更快的区域卷积神经网络(Faster R-CNN)舰载机目标检测方法。该方法设计了带排斥损失策略的损失函数,并结合多尺度训... 针对航母甲板面舰载机密集易遮挡,舰载机目标难以检测,且检测效果易受光照条件和目标尺度影响的问题,提出了一种改进的更快的区域卷积神经网络(Faster R-CNN)舰载机目标检测方法。该方法设计了带排斥损失策略的损失函数,并结合多尺度训练,利用实验室条件下采集的图片对深度卷积神经网络进行训练并测试。测试实验显示,相对于原始Faster R-CNN检测模型,改进后的模型对遮挡舰载机目标具有良好的检测效果,召回率提高了7个百分点,精确率提高了6个百分点。实验结果表明,所提的改进方法能够自动全面地提取舰载机目标特征,解决了遮挡舰载机目标的检测问题,检测精度和速度均能够满足实际需要,且在不同的光照条件和目标尺度下适应性强,鲁棒性较高。 展开更多

关键词 舰载机目标检测 排斥损失策略 更快的区域卷积神经网络 多尺度训练

在线阅读 下载PDF 职称材料

基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法

12

作者 苏立鹏 娄益凡 +3 位作者 杨吴奔 高建貌 王雪迎 易灿灿 《机电工程》 北大核心 2025年第7期1341-1349,共9页

针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识... 针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识别的性能。首先,采用了多尺度策略提高输入图像的分辨率,从而更好地检测不同大小的缺陷;其次,在网络中引入了可变形卷积,以增强其捕捉传统卷积技术难以检测的钢丝绳缺陷复杂形状特征的能力;采用了路径增强技术融合低维和高维特征,有效解决了在下采样和特征融合过程中信息丢失的问题,极大提升了模型在各层之间保持关键信息的能力;最后,采用了广义交并比(GIOU)损失函数替代传统的交并比(IOU)损失函数,显著提高了边界框预测的准确性,验证了改进后的Faster-RCNN算法在起重机钢丝绳损伤检测的性能提升方面较为显著。研究结果表明:改进版Faster-RCNN模型相比原算法在精度上有了显著提高,准确率从81.8%提升至90.2%,召回率从83.8%提高至94.2%,最终平均精度达到0.934,提升了9.6%。与传统检测算法如SSD和原版YOLOv5相比,该方法的准确率分别提高了17.6%和11.0%,证明了其在钢丝绳损伤图像识别中的有效性。 展开更多

关键词 起重机械 损伤检测 改进的快速区域卷积神经网络 多尺度和自定义锚框策略 广义交并比损失函数 可变形卷积 路径增强特征金字塔 区域提议网络 消融实验

在线阅读 下载PDF 职称材料

基于改进的Faster RCNN的仪表自动识别方法 被引量：4

13

作者 王欣然 张斌 +1 位作者 湛敏 赵成龙 《机电工程》 CAS 北大核心 2024年第3期532-539,共8页

在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视... 在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。 展开更多

关键词 仪表识别 更快速的区域卷积神经网络 递归特征金字塔网络 注意力机制 非极大值抑制算法 Mosaic数据增强技术

在线阅读 下载PDF 职称材料

基于Faster R-CNN的除草机器人杂草识别算法 被引量：25

14

作者 李春明 逯杉婷 +1 位作者 远松灵 王震洲 《中国农机化学报》 北大核心 2019年第12期171-176,共6页

针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN的草坪杂草识别算法。该方法首先使用快速区域卷积神经网络(Faster R-CNN)算法训练初始化模型,然后通过在网络池化层后添加生成对抗网络(GAN)噪声层来... 针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN的草坪杂草识别算法。该方法首先使用快速区域卷积神经网络(Faster R-CNN)算法训练初始化模型,然后通过在网络池化层后添加生成对抗网络(GAN)噪声层来提高网络的鲁棒性。试验结果表明,该种方法在正常拍摄的测试集图片中识别率达到97.05%,在加噪图片测试集的识别率达到95.15%,识别结果均优于传统的机器学习方法。同时,本方法具有识别速度快的特点,可用于实时检测,在园林杂草清理等方面具有应用价值。 展开更多

关键词 杂草识别 深度学习 快速区域卷积神经网络 区域建议网络 生成对抗网络

在线阅读 下载PDF 职称材料

基于改进深度置信网络的木板表面缺陷检测模型 被引量：3

15

作者 李馥颖 杨大为 黄海 《南京理工大学学报》 CAS CSCD 北大核心 2022年第6期728-734,共7页

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DB... 为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明:选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^(-2),是最优结果,Adaboost-CNN算法次之,CNN算法最差。 展开更多

关键词 深度置信网络 木板表面 缺陷检测 受限玻尔兹曼机 人工蜂群算法 卷积神经网络 快速区域卷积神经网络 自适应增强卷积神经网络

在线阅读 下载PDF 职称材料

基于改进Faster R-CNN的钢轨踏面块状伤损检测方法 被引量：4

16

作者 罗晖 贾晨 +1 位作者 芦春雨 李健 《计算机应用》 CSCD 北大核心 2021年第3期904-910,共7页

针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度... 针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度伤损的检测精度;然后,采用广义交并比(GIoU)损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题;最后,提出引导锚定的区域提名网络(GA-RPN)方法,从而解决了区域生成网络(RPN)生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中,基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充,解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明,所提改进方法对钢轨踏面块状伤损检测的平均精度均值(mAP)可达到82.466%,相较于Faster R-CNN提高了13.201个百分点,能够更加准确地检测钢轨踏面块状伤损。 展开更多

关键词 钢轨踏面 块状伤损检测 faster区域卷积神经网络 特征金字塔 广义交并比 区域建议网络

在线阅读 下载PDF 职称材料

基于Faster R-CNN的人体行为检测研究 被引量：19

17

作者 莫宏伟 汪海波 《智能系统学报》 CSCD 北大核心 2018年第6期967-973,共7页

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算... 由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。 展开更多

关键词 人体行为检测 更快速区域卷积神经网络 在线难例挖掘 深度学习 目标检测 卷积神经网络 批规范化 迁移学习

在线阅读 下载PDF 职称材料

基于改进Faster R-CNN的近红外夜间行人检测方法 被引量：11

18

作者 胡均平 孙希 《传感器与微系统》 CSCD 北大核心 2021年第8期126-129,共4页

为了解决近红外夜间行人检测中传统行人检测方法识别速度慢、准确率低的问题,提出了一种改进的快速区域卷积神经网络(Faster R-CNN)夜间近红外行人检测方法。为了提取更深层次的图像信息,将特征提取网络设计为ResNet-50;统计目标的纵横... 为了解决近红外夜间行人检测中传统行人检测方法识别速度慢、准确率低的问题,提出了一种改进的快速区域卷积神经网络(Faster R-CNN)夜间近红外行人检测方法。为了提取更深层次的图像信息,将特征提取网络设计为ResNet-50;统计目标的纵横比,引入附带目标比例的加权锚点框机制;对多层次的特征图进行特征图融合。在自建夜间近红外行人数据集上的实验结果表明:使用的方法与传统LBP+Haar+HOG+SVM算法及经典Faster R-CNN算法相比,夜间近红外行人检测的平均准确率(mAP)分别提升了50%和11.2%,检测速度从2 000 ms/f和214 ms/f提高到190 ms/f。 展开更多

关键词 夜间行人检测 近红外图像 快速区域卷积神经网络

在线阅读 下载PDF 职称材料

基于改进的Faster RCNN面部表情检测算法 被引量：4

19

作者 伍锡如 凌星雨 《智能系统学报》 CSCD 北大核心 2021年第2期210-217,共8页

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法。该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该... 针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法。该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失。采用柔性非极大抑制(soft-NMS)改进候选框合并策略,设计衰减函数替换传统非极大抑制(NMS)贪心算法,避免相邻或重叠目标漏检,提高网络在多目标情况下的检测准确率。通过构建真实环境下的表情数据集,基于改进的Faster RCNN进行实验测试,在不同场景中能够检测出目标的面部表情,检测准确率相比原始检测模型提高5%,取得较好的检测精度。 展开更多

关键词 目标检测 深度学习 表情识别 快速区域卷积神经网络 特征提取 分类识别 多目标识别 多目标定位

在线阅读 下载PDF 职称材料

基于Faster R-CNN算法的船舶识别检测 被引量：9

20

作者 崔巍 杨亮亮 +3 位作者 夏荣 牟向伟 樊晓伟 杨海峰 《合肥工业大学学报（自然科学版）》 CAS 北大核心 2020年第2期182-187,223,共7页

目前,检测卫星图像中船舶的常用方法如合成孔径雷达(synthetic-aperture radar,SAR)对多目标仍难以达到精确检测,而更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)算法是一种深度学习算法,... 目前,检测卫星图像中船舶的常用方法如合成孔径雷达(synthetic-aperture radar,SAR)对多目标仍难以达到精确检测,而更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)算法是一种深度学习算法,用于物体检测和分类时,可以实现高精度实时监测。文章应用Faster R-CNN算法对卫星图像中的船舶进行识别和检测,并与传统尺度不变特征转换(scale-invariant feature transform,SIFT)算法、快速区域卷积神经网络(fast region-based convolutional neural network,Fast R-CNN)算法进行对比。研究结果表明,Faster R-CNN算法比传统SIFT算法和Fast R-CNN算法有更好的收敛速度和识别精度,该算法在船舶识别方面具有较大潜力。 展开更多

关键词 卫星图像 船舶检测 更快速的区域卷积神经网络(faster R-CNN) 尺度不变特征转换(SIFT) 快速区域卷积神经网络(Fast R-CNN)

在线阅读 下载PDF 职称材料