基于改进YOLOv3的集卡车头防砸检测

在自动化港口集装箱起重机作业流程中, 集卡车头防砸检测是不可或缺的一个环节. 针对在此环节采用人工确认方法效率低和基于激光扫描方法耗费高、系统复杂的问题, 本文提出一种基于作业场景视频图像和深度学习的算法对集卡车头进行目标检测. 建立集卡车头样本数据集, 采用DCTH-YOLOv3检测模型, 通过模型迁移学习方法进行样本训练. DCTH-YOLOv3模型是本文提出的一种改进YOLOv3算法模型, 该算法改进了YOLOv3的FPN结构提出一种新的特征金字塔结构—AF_FPN, 在高、低阶特征融合时通过引入具有注意力机制的AFF模块聚焦有效特征、抑制干扰噪声, 提高了检测精度. 另外, 使用CIoU loss度量损失替代L2损失, 提供更加准确的边界框变化信息, 模型检测精度得到进一步提升. 实验结果表明: DCTH-YOLOv3算法在GTX1080TI上检测速率可达46 fps, 相比YOLOv3算法仅降低了3 fps; 检测精度AP_0.5为0.9974、AP_0.9为0.4897, 其中AP_0.9相比YOLOv3算法提升了16.4%. 本研究算法相比YOLOv3算法, 精度更高, 更能满足自动化作业对集卡防砸检测高精度、快识别的要求.     

基于改进YOLOv3的复杂环境下交通标志检测

针对深度学习算法中目标检测网络模型在复杂环境下识别交通标志的难点,对YOLOv3模型迁移学习算法的基本特点展开研究,构建并划分了复杂环境下中国交通标志数据集,并通过引入特征尺度的概念进一步改进YOLOv3算法,使数据集能够更好地处理各种复杂环境带来的影响。通过对比实验,证明改进后的YOLOv3算法对复杂环境下交通标志检测的效果明显优于标准YOLOv3算法及SSD算法,获得了更高的检测精度和更短的检测时间。     

YOLOv5预测边界框分簇自适应损失权重改进模型

目标检测的精确程度是计算机视觉识别任务的主要影响因素.针对单阶段目标检测模型YOLOv5存在的检测精度问题,从多任务损失优化角度,提出一种在不同分辨率特征图上基于同一目标的预测边界框分簇自适应损失权重改进模型.该模型由GT(ground true)目标边界框UID分配器、GT目标边界框UID匹配器、边界框位置及分类损失权重算法构成,通过改善YOLOv5的位置精度和分类精度实现模型整体精度的提升.实验结果表明,改进模型的平均精度均值(mean average precision, mAP)较YOLOv5.6标准模型相对提升5.23%;相较于更为复杂的YOLOv5x6标准模型,改进模型mAP取得8.02%的相对提升.     

基于YOLOv3增强模型融合的人流密度估计

为了解决在复杂背景以及人流密集且互相遮挡的场景下,对人流密度进行估计精度低的问题,提出了基于YOLOv3增强模型融合的方法进行人流密度估计.首先将数据集分别进行头部标注和身体标注,生成头部集和身体集.然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head,最后使用这两个模型在相同的测试数据集上推理,将其输出结果进行极大值融合.结果表明基于YOLOv3增强模型融合的方法,与原始目标检测方法和密度图回归的方法相比精度提高了4%,且具有较好的鲁棒性.     

结合长尾数据解决方法的野生动物目标检测

基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大,红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题,进而影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题,提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法,并将该方法用于基于YOLOv4-Tiny的野生动物目标检测。首先,采集、标注并构建了一个新的野生动物数据集,该数据集具有明显的长尾数据特征;其次,采用基于迁移学习的两阶段方法训练神经网络,第一阶段在分类损失函数中采用无加权方式进行训练,而在第二阶段提出了两种改进的重加权方法,并以第一阶段所得权重作为预训练权重进行重加权训练;最后,对野生动物测试集进行测试。实验结果表明,在分类损失采用交叉熵损失函数和焦点损失函数下,所提出的长尾数据解决方法达到了60.47%和61.18%的平均精确率均值（mAP）,相较于无加权方法在两种损失函数下分别提高了3.30个百分点和5.16个百分点,相较于所提改进的有效样本加权方法在焦点损失函数下提高了2.14个百分点,说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。     

基于One-Stage目标检测的路面损害检测算法对比分析

针对如何方便、快速、准确地检测常见的路面损害问题,提高路面损害的检测效率,选取三种常用的One-Stage目标检测算法(SSD、YOLOv3、RetinaNet),以智能手机拍照的方式收集路面损害数据,利用LabelImg工具制作图像标签数据集,通过替换其主干网络的方式训练了6种检测模型(SSD-MobileNetv1、YOLOv3-MobileNetv1、YOLOv3-DarkNet53、YOLOv3-ShuffleNetv2、YOLOv3-ResNet50、RetinaNet-ResNet50),并采用两组不同类型的数据集(路面背景较为干净的数据集A和路面背景含有大量树枝阴影和水渍的数据集B)对上述6种模型的检测性能进行对比分析.实验结果表明:在检测精度方面,YOLOv3-ResNet50模型的检测精度高于另外5种算法模型,比YOLOv3-MobileNetv1模型提高1.6个百分点,比RetinaNet-ResNet50模型提高3.7个百分点,比YOLOv3-DarkNet53模型提高4.5个百分点;在模型参数规模方面,SSD-MobileNetv1模型最轻且参数规模最小,比YOLOv3-MobileNetv1模型减少76.9％的参数量,比YOLOv3-ShuffleNetv2模型减少21.4％的参数量;在模型漏检和误检率方面,YOLOv3-DarkNet53模型的漏检率最低(7/403),YOLOv3-MobileNetv1模型的误检率最低(8/403)、鲁棒性最好.因此YOLOv3-ResNet50算法模型适合用于路表面较为干净且精度要求较高的路面损害检测;SSD-MobileNetv1和YOLOv3-ShuffleNetv2的参数规模较小,可应用于嵌入式设备的检测;YOLOv3-MobileNetv1不易受路面条件的干扰,能够满足正常路面检测要求.     

遥感图像舰船检测的旋转卷积集成YOLOv3模型

遥感图像俯视角带来的目标朝向多样性影响了大长宽比舰船目标检测的旋转不变性。针对这一问题,提出了一个基于改进YOLOv3的倾斜边界框检测模型。通过引入角度预测实现倾斜边界框回归;提出一种旋转卷积集成模块,通过旋转卷积和旋转激活提高深度卷积网络（Deep Convolutional Neural Networks,DCNN）特征图对于角度变化的敏感性;将目标边界框倾斜角度预测建模为由粗粒度到细粒度的两次角度分类问题;将角度惩罚引入模型的多任务损失函数中,使得模型能够学习目标的角度偏移。通过对舰船目标标注数据集上的实验可以看到,所提的模型和经典YOLOv3模型相比平均精度提高了12.7%,同时能够保持单阶段目标检测的速度优势。     

基于SPMYOLOv3的水面垃圾目标检测

为解决水面垃圾检测中存在目标形状尺度差异大, 难以区分背景以及目标偏小的问题, 本文提出了一种SPMYOLOv3目标检测算法来实现对水面垃圾的检测. 首先, 对收集到的水面垃圾数据集进行标注, 使用改进的K-means算法对数据集重新聚类, 得到与数据集更匹配的先验框. 其次, 在YOLOv3的主干网络后添加SE-PPM模块, 加强目标的特征信息, 保证目标尺度不变且保留全局信息. 再使用多向金字塔网络对不同尺度的特征图进行融合, 获得携带更加丰富的上下文信息的特征图. 最后使用在损失函数中使用focal loss计算负样本的置信度损失, 抑制了YOLOv3中正负样本不均衡问题. 改进后的算法在水面垃圾数据集上的实验结果表明, 相比于原YOLOv3算法检测精度提升了3.96%.     

改进的基于YOLOv3的人脸检测算法

针对因背景与人脸高度相似和人脸目标尺度过小而导致的人脸检测精度较低的问题,提出了一种改进的基于YOLOv3的人脸检测算法。首先使用遗传算法改进原算法中随机初始化的影响,生成更符合目标大小的预测框,其次用轻量级网络改进原特征提取网络,提高人脸检测速度,最后使用边框回归损失代替YOLOv3坐标损失函数并改进置信度损失函数以提升训练收敛速度和结果精度。所设计的算法模型在Wider Face数据集上的检测精度和速度得到了提升。     

基于改进DeeplabV3+和迁移学习的桥梁裂缝检测

裂缝作为桥梁最主要的病害之一,及时高效地发现和评估裂缝对保持桥梁的健康状况至关重要。针对裂缝标注数据集成本高、检测精度低等问题,提出了一种基于注意力机制和迁移学习的改进DeeplabV3+模型。该模型通过添加注意力机制来获取丰富上下文信息,提高裂缝特征通道的学习能力,降低背景噪声影响;通过公共数据集和小样本数据集组合建立源域数据集、目标域数据集以供迁移学习使用,以此来降低训练样本过少对检测性能的影响。实验结果表明,改进DeeplabV3+模型对桥梁裂缝检测获得了较好的检测效果,检测精度达到了93.3%,较原始模型提高了3个百分点;通过迁移学习训练模型在小样本数据上取得较高的检测精度,可节省大量标注成本。     

异常检测中的持续学习研究

提出了阶段化学习的概念，分阶段学习区分出了模式的完备性和不完备性。基于此概念，提出一种新的异常检测模式持续学习算法（PADPL）。仿真结果显示，PADPL能够满足由不完备性引起的异常检测模式持续学习的要求。     

Principle Components and Importance Ranking of Distributed Anomalies

Correlations between locally averaged host observations, at different times and places, hint at information about the associations between the hosts in a network. These smoothed, pseudo-continuous time-series imply relationships with entities in the wider environment. For anomaly detection, mining this information might provide a valuable source of observational experience for determining comparative anomalies or rejecting false anomalies. The difficulties with distributed analysis lie in collating the distributed data and in comparing observables on different hosts, in different frames of reference. In the present work, we examine two methods (Principle Component Analysis and Eigenvector Centrality) that shed light on the usefulness of comparing data destined for different locations in a network.     

小样本图像目标检测研究综述

近年来,以深度学习为基础的图像目标检测技术取得了显著成就,并涌现了许多成熟的检测模型,但这些模型均需要利用大量的标注样本进行训练,而在实际场景当中,往往很难获取到相应规模的高质量标注样本,从而限制了其在特定领域的应用和推广。由于对样本数量的依赖性小,小样本条件下的图像目标检测技术逐渐得到研究和发展。基于小样本图像目标检测当前的研究现状,系统阐述了主流的小样本图像目标检测的问题定义、当前主要方法及实验设计,并指出其潜在应用方向,在此基础上,简要介绍了与之相关的广义小样本目标检测,最后分析了小样本图像目标检测技术面临的挑战并探讨了应对方案。     

协同入侵检测研究现状与展望

协同入侵检测技术(collaborative intrusion detection system, CIDS)能够检测分布式协同攻击,应对大规模网络入侵,拥有传统入侵检测系统所不具备的优势,而如何在提高检测性能的同时实现去中心化是一个重要的研究课题。通过对近年来CIDS研究成果的梳理,阐述了在检测方法、数据聚合、隐私保护和信任管理方面的研究进展和问题,分析了在去中心化方面面临的挑战,探讨了基于区块链技术的CIDS未来发展方向,最后展望了CIDS在云计算、物联网等新兴领域的应用前景。     

农业害虫检测的深度学习算法综述

害虫检测是害虫测报的关键步骤,对于害虫防治具有重要意义,也是保证农作物产量和品质的前提。近年来,随着卷积神经网络的迅速发展,害虫检测技术进入智能化时代,使用深度学习相关技术实现精确的害虫检测已成为研究人员重点关注的课题。为了促进深度学习害虫检测技术的发展,对检测算法和现有数据集进行综述。总结了当前面临的数据匮乏、小目标检测、多尺度检测和密集与遮挡检测等四大难点问题,并分析了其主要成因。重点针对以上难点问题,总结归纳了近年来提出的深度学习害虫检测算法的改进策略和技术细节,以及面向实际场景的应用算法,对比分析了各类算法的性能表现、改进策略的适用场景及其优缺点。从面向复杂检测场景、解决数据匮乏问题、模型增量更新和应用落地等方面分析并展望了未来的研究趋势。     

基于集成学习的Self-training在入侵检测中的应用

针对入侵检测的标记数据难以获得的问题,提出一种基于集成学习的Self-training方法——正则化Self-training。该方法结合主动学习和正则化理论,利用无标记数据对已有的分类器（该分类器对分类模式已学习得很好）作进一步的改进。对三种主要的集成学习方法在不同标记数据比例下进行对比实验,实验结果表明：借助大量无标记数据可以改善组合分类器的分类边界,算法能显著地降低结果分类器的错误率。     

小样本条件下的RGB-D显著性物体检测

目的 现有基于RGB-D （RGB-depth）的显著性物体检测方法往往通过全监督方式在一个较小的RGB-D训练集上进行训练,因此其泛化性能受到较大的局限。受小样本学习方法的启发,本文将RGB-D显著性物体检测视为小样本问题,利用模型解空间优化和训练样本扩充两类小样本学习方法,探究并解决小样本条件下的RGB-D显著性物体检测。方法 模型解空间优化通过对RGB和RGB-D显著性物体检测这两种任务进行多任务学习,并采用模型参数共享的方式约束模型的解空间,从而将额外的RGB显著性物体检测任务学习到的知识迁移至RGB-D显著性物体检测任务中。另外,训练样本扩充通过深度估计算法从额外的RGB数据生成相应的深度图,并将RGB图像和所生成的深度图用于RGB-D显著性物体检测任务的训练。结果 在9个数据集上的对比实验表明,引入小样本学习方法能有效提升RGB-D显著性物体检测的性能。此外,对不同小样本学习方法在不同的RGB-D显著性物体检测模型下（包括典型的中期融合模型和后期融合模型）进行了对比研究,并进行相关分析与讨论。结论 本文尝试将小样本学习方法用于RGB-D显著性物体检测,探究并利用两种不同小样本学习方法迁移额外的RGB图像知识,通过大量实验验证了引入小样本学习来提升RGB-D显著性物体检测性能的可行性和有效性,对后续将小样本学习引入其他多模态检测任务也提供了一定的启示。     

基于图像的城市场景垃圾自动检测

基于城市场景照片快速准确地自动检测垃圾在“智慧城管”等应用中具有重要的研究价值。城市垃圾在颜色纹理、几何形态上具有极大的多样性,甚至部分垃圾的认定具有一定的主观性,这给垃圾自动检测带来很大的挑战。文章提出了一种基于高速区域卷积神经网络的垃圾检测方法,通过使用数据融合、数据扩充、迁移学习等方法解决训练样本不足的问题,实现了城市场景图片中垃圾的自动、快速、准确检测。文章最后基于深圳市道路垃圾照片构建了一个包含多种形态类型垃圾的垃圾图片数据库,在该库中垃圾检测准确度高达89.07%。     

基于度量学习的行人检测算法

针对拥挤场景下行人漏检率较高的问题,设计了新的类平衡策略.其次,采用度量学习方法改进目前的行人语义提取效果,并设计了新的距离度量方法.最后,结合提取的行人语义信息设计了新的非极大值抑制算法.在行人检测数据集CityPersons和CrowdHuman上,与目前的行人检测器进行对比,效果优于目前最优无锚框的行人检测器,同时也证明了度量学习方法在行人检测中的有效性.     

基于非监督学习的入侵分析新方法*

提出一种新的基于非监督学习的入侵分析方法.该方法具有发现未知攻击类型的能力,既可以作为独立的分析方法使用,又可以作为基于数据融合的入侵检测的一个分析引擎.在该方法中,核心非监督学习算法采用最大最小距离算法,同时融合非线性的归一化预处理和非数值型特征的有效编码等技术.与同类方法相比,该方法检测率较高,尤其是对于DoS和Probing两大类攻击效果更好.