【摘 要】
：
为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题，本文提出了一种基于改进YOLOv3的小目标检测方法。首先通过设计新的特征融合结构降低小目标漏检率，并且使用DIOU损失提高定位精确度。同时对YOLOv3算法中的聚类算法进行改进，采用K-means++算法改进聚类先验框中心点的提取，选取更为合适的Anchor Box，用于提高检测的平均精度和速度。在自制混合数据集上对行人及车
论文部分内容阅读
为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题，本文提出了一种基于改进YOLOv3的小目标检测方法。首先通过设计新的特征融合结构降低小目标漏检率，并且使用DIOU损失提高定位精确度。同时对YOLOv3算法中的聚类算法进行改进，采用K-means++算法改进聚类先验框中心点的提取，选取更为合适的Anchor Box，用于提高检测的平均精度和速度。在自制混合数据集上对行人及车辆进行对比检测，在不影响检测速度的情况下，改进的YOLOv3算法能够有效降低小目标物体漏检率，并且提高了
其他文献
针对图像阴影去除算法中复杂地物或与阴影区域纹理相似的暗区域阴影去除不完全的问题，提出了一种注意力与多尺度融合的图像阴影去除算法。该算法基于生成对抗网络框架构建。首先，利用自定义的空洞残差块进行特征提取，获得精确的阴影特征信息并输入到注意力引导的编码网络；其次，在注意力引导的编码阶段进行多尺度的特征融合，获取不同层次的感受野，使编码器能够在不同尺度上捕捉上下文信息；最后，利用多重注意力机制引导判别网
深度自编码器可以通过预测当前帧来判断视频中的异常情况。但由于自动编码器对图片的低层次特征无法良好的预测，在自动编码器中添加跳跃连接可以提高预测图片细节信息的能力。由于自动编码器有很好的“泛化”能力，为了抑制对异常事件的准确预测，通过在编码器和解码器的跳跃连接之间添加记忆增强模块限制模型对异常帧的准确预测。同时，为了突出异常帧中的事件，在预测视频帧的同时通过背景提取模块获取当前图片的背景信息用于后续
闸板阀是煤矿生产过程中控制水、煤流量的常用设备。由于成本、布线等原因，非关键闸板阀的开度检测并未纳入到矿井集中监控系统中。鉴于此，在已有的视频监控系统基础上，针对现有基于图像处理的闸板阀开度检测算法存在需要多模型训练、多步检测、容错率低的问题，提出了一类以改进的YOLO-tiny (包括YOLOv3-tiny和YOLOv4-tiny)为核心的闸板阀开度检测方法。首先，将图像输入到检测网络并使用卷积
随着传感器的微型化和网络化，物联网技术在电力系统的应用得到了飞速发展。分散分布的配用电物联网终端数量庞大而又广泛互联，跳脱了传统边界安全的保护范畴，使得物联网终端成为攻击电网的重要目标和跳板。围绕电力物联网终端的安全防护展开研究，首先结合电力物联网的架构，从软硬件、通信等方面归纳了终端面临的安全挑战，总结了终端威胁特征，分析了为应对终端威胁部署的防护机制并指出了其不足；然后根据现有防护漏洞具体分析
针对大型多面复杂结构件表面打磨、喷涂等处理对自动化、智能化的需求，传统目标检测具有局限性、小目标检测准确度低、速率慢等缺点，本文结合计算机视觉提出一种改进YOLOv3算法的工件喷涂质量检测方法，结合实际工控环境需求，构建喷涂数据集，实现对工件表面迷彩喷涂质量的检测。首先，使用K-means++对Anchor重新聚类生成适合本文的锚框尺寸；通过图像增强技术对数据集进行增强，并对YOLOv3的Dark
针对单曝光HDR图像生成过程中图像欠曝光区域的细节恢复和图像色彩偏移的问题，提出一种基于pix2pix网络结构的单曝光HDR图像生成算法，采用pix2pix自编码网络结构，利用卷积步长代替池化层简化网络结构，在卷积过程中采用Leaky ReLU激活函数，有效的保留图像的细节信息，并使用绝对误差和余弦相似度函数构建损失函数，使网络能够对图像阴暗区域进行较好的扩展，保证图像色彩不发生偏移。实验结果证明
为了解决设计面向点云数据的神经网络需要大量人工介入的问题，提出了基于注意力机制和点卷积的神经网络架构搜索方法。首先，针对不同尺度点云的信息融合问题，提出了一种基于注意力机制的多尺度融合模块。其次，针对点云的处理效率问题，设计了基于点卷积的特征提取模块作为候选操作，并与多尺度融合模块组成搜索单元。将多个搜索单元叠加成的神经网络作为搜索空间，并采用基于可微分神经网络架构搜索算法搜索出最优神经网络。在公
为了有效地获取到更有区别性的跨模态表示，提出了一种基于多负例对比机制的跨模态表示学习方法——监督对比的跨模态表示学习(Supervised Contrastive Cross-Modal Representation Learning ，SCCMRL)，并将其应用于视觉模态和听觉模态上。SCCMRL分别通过视觉编码器和音频编码器提取得到视听觉特征，利用监督对比损失让样本数据与其多个负例进行对比，使
小样本学习是视觉识别中的一个受关注的领域，旨在通过少量的数据来学习新的视觉概念。为了解决小样本问题，一些元学习方法提出从大量辅助任务中学习可迁移的知识并将其应用于目标任务上。为了更好地对知识进行迁移，提出了一种基于记忆的迁移学习方法。首先，提出一种权重分解策略，将部分权重分解为冻结权重与可学习权重，在迁移学习中通过固定冻结权重，仅更新可学习权重的方式来减少模型需要学习的参数。其次，通过一个额外的记
人体姿态估计是计算机视觉中的基础任务，其可应用于动作识别、游戏、动画制作等。受非局部均值方法的启发，本文设计了非局部高分辨率网络（Non-Local High-Resolution，NLHR），在原始图像1/32分辨率的网络阶段融合非局部网络模块的，使网络有了获取全局特征的能力，从而提高人体姿态估计的准确率。NLHR网络在MPII数据集上训练，在MPII验证集上测试，PCKh@0.5评价标准下的平