卷积神经网络在图像目标检测中的应用

分析卷积神经网络（Convolutional Neural Networks,CNN）在图像目标检测中的性能，重点比较AlexNet、GoogleNet和ResNet50这3个流行模型在不同数据集上的表现。在CIFAR-100和CIFAR-10数据集上，GoogleNet和ResNet50表现出更精确的物体识别能力，而AlexNet相对稍弱。这些结果有助于深入了解CNN在图像识别任务中的性能和适用性。     

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题，文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况，造成信息丢失的问题，对主干网络中Stage4的下采样块添加平均池化层，进一步提高网络特征提取能力；针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题，使用标签平滑方法对交叉熵损失函数进行修改，有效缓解网络损失值震荡幅度；针对ResNet50计算量大、训练困难的问题，使用混合精度和余弦退火衰减方法对模型进行训练，在加快网络收敛速度的同时提高模型的分类精度。实验结果表明，与原ResNet50网络相比，文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%，能够更好地应用于图像分类任务。     

一种深度学习的通货核桃品种分选方法

针对市场上通货核桃多品种掺杂、各类核桃相似度高而难以有效区分的问题，文中提出一种深度学习的通货核桃品种分选方法。建立包含四种主栽核桃品种外部种类信息图像数据库，并结合专业知识进行人工标签；构建嵌入BN的Inception多尺度特征融合结构，加速实现多尺度视觉信息的聚合；加入捷径连接，增强模型对特征的复用，缓解过拟合问题；加入SE注意力机制，增强模型的抗干扰能力；使用余弦退火加速模型收敛，在此基础上，构建深度学习网络模型（BSNet），以实现核桃品种的动态分选。将BSNet模型与ResNet18、ResNet50、ResNet101、DenseNet121、GoogleNet等经典模型进行对比实验，实验结果表明，BSNet模型在自建数据集上的分选平均准确率达到96.13%，优于经典模型，证明所提方法能够有效应用于核桃品种分选。     

一种基于ResPNet的光伏组件红外成像故障检测方法

目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet(residual network)模型构建ResPNet(residual photovoltaic network)模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。     

基于自适应调整VGG16网络的高色差视频图像预测

为了提升高色差视频图像自动分类的精确度,文章采用开源的深度学习框架Pytorch,提出了一种基于深度学习的高色差图像分类方法。文章针对高色差图像分类提出一种调整后的VGG16网络模型（Ad＿VGG16）,该网络利用正负例样本均衡化和学习率自适应调整来优化过拟合和局部最小值问题,其次因高色差图像分类效果与输入图像大小有很大关系,则修改VGG16网络第一个全连接层以适应任意大小的输入图像,再采用交叉验证来提高网络的泛化能力。最终的实验数据表明,与VGG16和ResNet18网络相比,Ad＿VGG16网络具有更好的分类准确度,其最终的分类准确度达到92%。     

结合SoftPool的VGG19与CapsNet相级联的表情识别模型研究

表情识别作为计算机视觉领域的研究热点,在情感识别、人机交互、智能安防等领域有着重要的应用.文章针对VGG19在训练人脸表情数据集时由于全连接层参数量过大而易过拟合的问题,利用胶囊网络CapsNet对VGG19的全连接层进行替换,以实现VGG19与CapsNet相级联,从而改善训练时过拟合的问题,同时使得级联后的模型在RAF-DB数据集上的精度提高了5.28％.针对VGG19特征提取网络的MaxPool易丢失人脸特征图信息的问题,利用SoftPool对MaxPool进行替换,从而在最大程度上保留了人脸的细粒度特征.实验结果表明,改进后的模型在RAF-DB数据集上取得了 84.21％的精度,在FER2013数据集上取得了 73.16％的精度,表情识别效果更优.     

人脸表情识别研究进展

随着计算机视觉的发展和人工智能产业的兴起,人脸表情识别技术在人工智能产业有着广泛的应用需求.人脸表情识别在传统机器学习算法下对环境及姿态的改变不具备良好的鲁棒性,而且识别精度也达不到实际应用的要求.计算机和图像处理器等硬件性能的提升,以大数据为核心的深度学习算法得到快速发展,人脸表情识别技术开始趋于在深度学习算法上研究.本文分别对人脸表情图像预处理、特征提取、特征分类3个关键技术进行介绍,具体叙述了从传统的机器学习到基于深度学习的人脸表情识别技术的研究进展,分析了人脸表情识别技术目前面临的挑战和发展趋势.     

基于RGBD技术面向刑事侦查的人脸识别系统

以RGBD三维人脸模型重建技术与三维人脸特征提取技术为基础，建立基于人脸识别的系统。系统由采集端和服务器端组成，采集端利用分布在各区域的电子眼以及匹配的深度相机获取原始图像信息，通过灰度化、二值化、中值滤波、成分分析等对原图像进行预处理和特征点提取，获得的人脸图像与服务器端图像对比；服务器端采用主从结构形式的MYSQL数据库，以磁盘阵列方式存储，以实现特征对比和信息传输，保证原始图像数据的安全性和可扩容性。     

基于粒子滤波器的实时人脸跟踪系统设计

设计实现了基于粒子滤波器的实时人脸跟踪系统。系统以AdaBoost算法为人脸检测基础，以粒子滤波器算法为人脸跟踪基础，基于粒子离散度的控制机制以实现跟踪步长的自适应调整，同时，提出了基于HSV色彩空间的特征提取和匹配算法，以及基于2阶AR模型的人脸运动模型，有效提高了算法的跟踪精度和跟踪速度，并将跟踪结果作为人脸检测模块的反馈信号，增强了检测系统的目标捕获和目标校正能力。     

面向目标检测的SSD网络轻量化设计研究

在基于深度卷积神经网络的目标检测方法中，模型的参数量动辄数十兆字节，在计算资源有限的移动终端等边缘设备中部署这样的大模型比较困难。为了解决这个问题，本文在Single Shot MultiBox Detector(SSD)的基础上联合轻量化网络设计和参数量化两种技术来实现网络模型的轻量化。首先，基于ResNet50和MobileNet我们重新设计了SSD目标检测框架，并训练了一个全精度参数模型。然后，在全精度参数模型的基础上，采取逐块量化的策略将特征提取层中卷积层的参数精度降低到三值(零和正负一)。实验结果表明，本文提出的联合方案在Pascal VOC2007数据集上测试能够达到72.54%的mAP，和其他业界领先的轻量级目标检测方法相比检测精度更高且能使模型占用的内存空间更小。      

基于Haarlike的人脸民族特征分析

文中利用Haarlike模板来对不同族群的人脸进行特征提取.利用Haarlike模板生成算法筛选出用于分析人脸特征的Haarlike模板,对构建的人脸数据库进行特征提取,利用C5.0、C&R Tree、BP NN和SVM对训练样本进行学习,并对测试集进行分类和预测,其对维族、藏族、壮族的识别精度分别为80%、74%、88%.为人脸的民族特征识别提供了一种高效快速的方法.     

结合肤色分割的支持向量机人脸检测方法

人脸检测是人脸识别与图像及视频检索的一项重要任务。本文提出了一种结合分割与模板匹配-支持向理机(Support Vector Machines,SVM)的正面人脸检测算法。算法在肤色区域分割基础上，输入图像采用基于Harr小波描述的特征提取方法，然后结合平均脸模板匹配利用 SVM分类器进行分类。实验结果表明该算法十分有效。     

基于人脸结构信息引导的人脸图像修复网络

针对人脸图像修复的深度学习网络存在修复后的人脸图像面部语义信息不合理和面部轮廓不协调的问题，提出了一种基于人脸结构信息引导的人脸图像修复网络。首先，采用编码器-解码器网络技术构建人脸结构草图生成网络，并在结构草图生成网络的生成器中加入跳跃连接和引入带膨胀卷积的残差块以生成待修复区域的结构草图。其次，在构建人脸修复网络时，在修复网络生成器中引入注意力机制，让修复网络在修复过程中更多关注待修复区域，并以生成的人脸结构草图为引导从而实现人脸图像面部语义结构和纹理信息的生动修复。最后，在结构草图生成网络的损失函数中引入特征匹配损失进行模型训练，从而约束生成器生成与真实结构草图更相似的结果；在修复网络的损失函数中联合感知损失和风格损失进行模型训练，从而更好地重建待修复区域的人脸图像面部轮廓结构和颜色纹理，使修复后的图像更接近真实图像。对比实验结果表明，在人脸图像数据集中，本文所设计的网络模型的修复性能有较高的提升。     

基于轻量化深度学习网络的调制信号识别模型

电磁态势分析是信息化战争中至关重要的工作,如何利用深度学习技术有效实现调制信号识别是其中一项关键技术。首先将调制信号转化为带有颜色信息的星座图形式,并用深度学习方法,选用VGG16和AlexNet两个卷积神经网络完成调制识别任务。结果显示,当信噪比大于等于0 dB时,可以达到99%以上的识别准确率。由于军用设备对于计算性能和存储性能把控较为严格,因此采用全零矩阵平均百分比的方法对深度学习模型进行压缩。结果显示,在不损失识别准确率的前提下,信噪比为0 dB时,对于模型参数量,AlexNet可以压缩3 466倍,VGG16可以压缩20 156倍;对于浮点运算量,AlexNet可以压缩2 314倍,VGG16可以压缩13 475倍。表明本研究方法对调制信号识别具可行性以及高效性。     

基于深度学习的分形图像压缩编码模型设计

针对传统编码模型存在的图像分割处理效果不佳、分割精度不高、耗时较长以及编码质量较差的问题，提出基于深度学习的分形图像压缩编码模型。建立图像分割约束条件，对图像进行分割处理，以处理后的图像作为深度学习中ResNet网络模型的输入，提取原始分形图像的特征并将图像块分类；建立特征图像块匹配规则，排序图像块，记录分形码，将分形码作为图像在度量空间内的表现形式，通过度量空间的压缩变换实现分形图像压缩编码。实验结果表明：所提模型的图像压缩编码质量较高，具有一定的应用价值。     

基于SSD算法的行人检测技术研究

行人检测技术的应用十分普遍,包括人工智能的研究、智能监控的应用、智能交通、无人驾驶汽车中对行人的检测、对人体行为进行分析后做出预判等,应用深度学习的方法对行人进行检测就是人工智能发展的一个十分重要的方向。文章主要研究的内容有3部分,对原SSD算法进行了改进,探讨了神经网络的根本组成与特性,将原SSD算法的基础VGG16改为ResNet50,提高了检测速度和精确度。     

基于迁移学习的新精神活性物质拉曼光谱识别研究

随着精神活性物质(NPS)对社会的潜在危害越来越严重,提高新型毒品的快速检测、识别能力是当前打击毒品犯罪的重中之重。本研究采集了196份新精神活性物质缴获样本拉曼光谱,结合连续小波变换和卷积神经网络迁移学习模型,对五种检测仪器获得的拉曼光谱数据进行分析和识别。对VGG16、InceptionV3和ResNet50三种深度学习模型分类效能的比较结果显示,单仪器新精神活性物质识别能力为80.2%～100%不等,多仪器综合识别能力为88.6%。通过合理的光谱预处理方法,能够将不同仪器的NPS光谱检测数据,统一格式并进行批量的分析和识别,精准提高了拉曼光谱的数据提取和利用效率。     

集成学习和蚁群算法优化XGBoost的人脸检索及应用

无约束人脸检索场景中,为了进一步提高识别精度,实践中往往会引入多个主流的深度学习人脸识别模型。针对每次从多个模型检索结果中确认人脸身份的工作量较大问题,以及考虑支持异质模型的插件式更换,使用基于Blending集成学习的人脸检索,将多个人脸识别模型作为基模型,并提出了一种基于蚁群算法优化的XGBoost作为元学习器对基模型的人脸相似度预测结果进行融合。实验结果表明：集成模型相对个体模型的检索性能均有不同程度提升,其中蚁群优化的XGBoost作为元模型的集成模型检索性能优于多项式回归、随机森林和GBDT作为元模型的性能,验证了集成模型和优化后的XGBoost的有效性。     

结合深度Q学习和注意模型的视频人脸识别

针对视频人脸识别中存在的动态人脸信息捕捉困难和局部人脸特征提取粗糙的问题,提出了一种基于深度Q学习和注意模型结合的视频人脸识别方法。首先,采用卷积神经网络(Convolutional Neural Network,CNN)训练视频数据可提取多维特征;其次,将视频特征输入注意模型,根据视频数据时间连续性信息得到局部人脸特征、人脸位置和时间记忆单元;最后,采用Q学习迭代计算注意模型的输出,找到含人脸的最优帧序列,并以此计算视频匹配准确度。实验结果表明,该方法有效提高了复杂背景下视频人脸识别的准确性。     

基于改进Res-UNet网络的钢铁表面缺陷图像分割研究

为了提高钢铁质量图像检测的效率和精度,提高生产自动化水平,该文提出一种改进的Res-UNet网络分割算法。使用ResNet50代替ResNet18作为编码模块,增强特征提取能力;修改编码模块,使残差块间稠密连接,增强浅层特征的深度延展,充分利用特征;使用加权Dice损失和加权交叉熵损失(BCEloss)结合的新损失函数缓解样本不均衡的情况;数据集增强策略保证网络学习更多的样本特征,增强细节分割精度。相比于经典的UNet算法,组合优化后的Res-UNet网络的Dice系数最多提高了12.64%,达到0.7930,网络训练时间更短,对各类缺陷的分割精准度更优,证明该文算法在钢铁表面缺陷分割领域具有应用价值。