基于YOLOv3改进的轻量化人脸检测方法

针对YOLOv3这一目标检测通用方法在人脸检测任务中实时性低,容易漏检且易受环境影响召回率不高的问题,提出一种基于改进YOLOv3的轻量化网络方法.使用MobileNet网络替代YOLOv3中的特征提取网络,大幅度降低参数和计算量;增加SPP结构,尺度不变的同时降低训练中的过拟合;将Self-attention机制与Y...     

一种改进的快速人脸检测算法

针对AdaBoost人脸检测算法易受到纹理干扰而造成误检的情况,提出了一种结合自适应肤色验证的快速人脸检测算法CMFS。该算法首先用运动检测为前置处理减小人脸检测搜索范围,然后用AdaBoost算法检测出人脸候选区,最后根据人脸候选区的平均亮度自适应地选择是否启用肤色验证作为后处理以排除虚警。实验结果表明,提出的CMFS检测算法在保证检测率的同时,提高了检测速度,并大大降低了误检率。     

基于人脸表情识别的在线课堂学生专注度分析

针对人脸表情识别在特征提取时容易丢失大量有用的特征信息, 无法提取更加全面的人脸表情特征的问题, 提出了一种多尺度特征融合网络模型(DS-EfficientNet). 该模型包括深层网络和浅层网络两部分, 浅层网络用来提取面部表情的细节纹理信息, 深层网络提取表情的全局信息. 并在浅层网络中加入注意力机制, 增强对浅层细节信息的提取能力. 最终在通道上进行特征融合, 融合之后网络可以提取更加丰富的人脸表情信息. 为了减少模型参数, 提高模型的泛化性能, 将全连接层替换为全局平均池化层, 加入批归一化. 本文提出的方法在Fer2013和CK+上进行实验, 识别准确率达到了73.47%和98.84%. 实验证明该方法可以提取人脸更加丰富的表情信息, 模型具有更强的泛化能力.     

基于有监督注意力网络的伪造人脸视频检测

在伪造人脸视频检测中,大多数方法都以单一的卷积神经网络作为特征提取模块,提取的特征可能与人类的视觉机制不符。针对此类问题,提出基于有监督注意力网络的伪造人脸视频检测方法。基于胶囊网络检测伪造人脸视频,使用注意力分支提高对伪造人脸图像细节特征的提取能力,使用焦点损失提高模型对难检测样本的检测能力。在数据集FaceForensics++上的实验结果表明,提出方案有更优越的性能。     

基于深度学习的重叠人脸检测

人脸检测在人机界面、安全系统、人脸识别、基于内容的图像检索等不同应用中起着重要作用。随着计算机图像技术的发展,人脸检测的方法也越来越多。但是利用现有的人脸检测方法检测重叠人脸时,虽然能够检测出部分人脸,但是相比于单人脸的检测,算法的效率和准确性都有所欠缺。针对这个问题,提出了一种基于深度学习的重叠人脸检测方法。首先基于机器学习方法,构建出多个人脸特征分类器,然后再利用肤色检测的方法对分类器得到的候选人脸进行二次检测,最后利用提出的一种NMS算法对候选人脸进行进一步的处理,从而检测出精确的人脸。为了验证算法的高效性和准确性,进行了多个人脸检测算法的对比实验,结果表明,该算法在效率和准确性方面都有较大提高。     

基于改进AdaBoost的快速人脸检测算法

针对传统AdaBoost用于人脸检测时需要的特征数目多,检测速度慢的问题,提出一种基于改进AdaBoost的快速人脸检测算法。一方面,提出使用双阈值的弱分类器代替传统的单阈值弱分类器,提高单个特征的分类能力;另一方面,引入信息熵作为特征相关度的度量方法,在特征选择时每一轮循环中只选择与已选出特征相关度较低的特征,从而减少特征之间的冗余信息。实验结果表明,相对于传统AdaBoost人脸检测算法,该方法使用较少的特征即可达到较高的检测准确率,检测速度得到显著提高。     

基于Walsh特征的快速人脸检测方法

通过构造Walsh变换矩阵,得到相互正交且形状丰富的Walsh特征算子,将Walsh特征应用于快速人脸检测。Matlab的仿真实验结果表明,由Walsh特征得到的强分类器比传统的Haar特征得到的强分类器分类速度快,精度高。     

快速人脸检测与特征定位

人脸检测与特征定位是人脸分析技术的一个重要组成部分,其目标是在图像中搜索人脸特征(如眼、鼻、嘴、耳等)的位置。虽然人们可以毫不费力地完成这些工作,但对于机器来说,这依然是一件极其困难的任务。近几年来该项技术已有了长足的发展,已成功地应用于诸如人脸识别、姿态识别、表情识别、脸部动画等诸多领域。本文利用David Cristinace和Tim Cootes提出的一个多阶段人脸特征检测方法实现了一个实时人脸特征定位系统。同时也对原算法本身作了一些改进,在对精度影响极小的情况下,大大提高了原算法的速度。     

基于多通道注意力机制的人脸替换鉴别

基于深度学习的人脸替换技术取得快速发展,但由DeepFake自动生成的人脸替换图片有可能危害人们的隐私安全。针对DeepFake图片鉴别问题,建立一种基于多通道注意力机制的深度学习鉴别网络模型。将Xception网络作为基础特征提取器,在多通道注意力模块中通过矩阵相乘的思想融合全局和局部的注意力表示,以减少重要信息损失。设计损失函数时添加中心损失,从而提高特征区分度。在训练过程中利用注意力图来引导训练图像的裁剪和去除,以达到数据增强的目的。实验结果表明,相比Xception、B4Att方法,在FaceForensics++数据集上该网络模型对DeepFake的检测精度分别提高0.77和0.45个百分点,在Celeb-DF数据集上分别提高5.30和4.68个百分点。     

一种改进的基于R-FCN模型的人脸检测算法

基于区域的卷积神经网络在目标检测中有着广泛的应用,吸引了研究者的广泛兴趣。针对人脸检测问题,本文基于区域的全卷积网络（Region-based Fully Convolutional Networks, R-FCN）,提出一种改进的人脸检测算法。为了使模型训练更加充分,利用在线难例样本挖掘法放宽正负样本的约束,扩充训练集的范围,针对人脸目标存在重叠问题,采用线性非极大值抑制法避免漏检重叠人脸。在人脸检测数据库（FDDB）上的实验结果表明,改进的R-FCN模型比原始的R-FCN模型有着更高的精度。     

一种基于深度学习的改进人脸识别算法

针对当前许多算法在非约束条件下特征判别能力不强、人脸识别性能不佳等问题,提出一种基于深度学习的改进人脸识别算法,通过训练多任务级联卷积神经网络,完成非约束图像的人脸检测和人脸归一化,提高训练图像的人脸信息,减少对模型的干扰。同时使用Softmax损失与中心损失联合监督训练模型,优化类内聚合、类间分散。实验结果表明,该算法提高了模型的特征判别能力,在LFW标准测试集上达到了较高的识别率。     

基于注意力机制的多模态融合谣言检测方法

谣言会对社会生活造成不利影响,同时具有多种模态的网络谣言比纯文字谣言更容易误导用户和传播,这使得对多模态的谣言检测不可忽视。目前关于多模态谣言检测方法没有关注词与图片区域对象之间的特征融合,因此提出了一种基于注意力机制的多模态融合网络AMFNN应用于谣言检测,该方法在词-视觉对象层面进行高级信息交互,利用注意力机制捕捉与关键词语相关的视觉特征;提出了基于自注意力机制的自适应注意力机制Adapive-SA,通过增加辅助条件来约束内部的信息流动,使得模态内的关系建模更有目标性和多样性。在两个多模态谣言检测数据集上进行了对比实验,结果表明,与目前相关的多模态谣言检测方法相比,AMFNN能够合理地处理多模态信息,从而提高了谣言检测的准确性。     

改进YOLOv4的油田作业现场烟火检测

为解决油田作业现场烟火预警依赖人工巡检、不能及时发现等问题, 本文提出了改进的YOLOv4烟火检测算法. 具体针对摄像头距离远导致的烟火目标小、不易被识别的问题, 改进了网络特征融合部分, 并添加金字塔卷积PyConv, 增强细节提取能力、增大局部感受野. 针对油田作业现场的复杂背景干扰问题, 加入注意力机制, 用于加强网络对重要特征的权重计算, 同时减少非关键数据的计算量. 最后通过聚类算法对目标样本锚定框优化, 利用自建烟火数据集进行实验, 实验证明, 改进后的算法平均精度值MAP达到90%以上, 能够在复杂背景下对较小烟火目标保持较高的精度, 并且具有较快的检测速度, 满足了油田烟火检测高效性和实时性的要求.     

一种改进的基于人脸特征的人脸检测方法

人脸检测技术应用十分广泛,可用于生物特征识别、视频会议、图像与视频检索以及人机智能交互界面等。目前的算法大多依赖于一定的约束条件。文章提出了一种改进的人脸检测方法,该方法利用了肤色在色彩空间的局部性和五官在人脸相对位置的不变性。实验结果表明,该算法结合了肤色和人脸特征的信息,提高了检测的准确度。     

改进YOLOv5框架的血细胞检测算法

对于血液中红细胞、白细胞、血小板等成分的观察和计数是临床医学诊断的重要依据.血细胞的异常意味着可能存在凝血异常、感染、炎症等与血液相关的问题.人工检测血细胞不仅耗费人力,且容易出现误检、漏检的情况.因此,针对上述情况,提出一种新颖的血细胞检测算法—YOLOv5-CBF.该算法在YOLOv5框架的基础上,通过在主干网络中加入坐标注意力(coordinate attention, CA)机制,提高检测精度;将颈部网络中的FPN+PAN结构中改为结合了跨尺度特征融合方法 (bidirectional feature pyramid network, BiFPN)思想的特征融合结构,使目标多尺度特征有效融合;在三尺度检测的基础上增加了一个小目标检测层,提高对数据集中小目标血小板的识别精度.通过在数据集BCCD上进行的大量的实验结果表明:与传统的YOLOv5算法相比较,该算法在3类血细胞检测的平均精度提升2.7%,试验效果良好,该算法对血细胞检测具有很高的实用性.     

基于多网络学习的人脸属性分类

为解决传统人脸属性分类训练效率低、模型参数量巨大等问题,本文提出了一种多网络学习框架.该框架包含两个子网络:人脸区域定位网络和属性分类网络,从而实现动态选择不同的人脸区域进行人脸属性预测.此外,本文提出了基于提示的模型压缩技术,在不明显降低准确率的前提下大大压缩网络参数.最后,通过仿真在CelebA人脸属性分类数据集上...     

改进YOLOv4的油田作业现场烟火检测

为解决油田作业现场烟火预警依赖人工巡检、不能及时发现等问题, 本文提出了改进的YOLOv4烟火检测算法. 具体针对摄像头距离远导致的烟火目标小、不易被识别的问题, 改进了网络特征融合部分, 并添加金字塔卷积PyConv, 增强细节提取能力、增大局部感受野. 针对油田作业现场的复杂背景干扰问题, 加入注意力机制, 用于加强网络对重要特征的权重计算, 同时减少非关键数据的计算量. 最后通过聚类算法对目标样本锚定框优化, 利用自建烟火数据集进行实验, 实验结果证明, 改进后的算法模型具有相当高的性能, MAP达到90%以上, 能够在复杂背景下对较小烟火目标保持较高的识别率, 说明改进后的算法在油田作业现场烟火识别中具有较高实用价值.     

基于改进YOLOv3的快速车辆检测方法

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。