【摘 要】
：
随着数据量爆炸性的增长与机器性能的不断提高,基于卷积神经网络的目标检测技术愈发火热。YOLO(You Only Look Once)是基于回归的卷积神经网络的目标检测方法,其被得到广泛使用。对于个人使用YOLO网络训练模型而言,若想达到目标检测的目的,就必须拥有大量有效的数据,因此数据的采集与预处理也就变得尤为重要。首先介绍卷积神经网络的构造与原理,再延伸至YOLO网络的特点分析,以课题组项目中扫
论文部分内容阅读
随着数据量爆炸性的增长与机器性能的不断提高,基于卷积神经网络的目标检测技术愈发火热。YOLO(You Only Look Once)是基于回归的卷积神经网络的目标检测方法,其被得到广泛使用。对于个人使用YOLO网络训练模型而言,若想达到目标检测的目的,就必须拥有大量有效的数据,因此数据的采集与预处理也就变得尤为重要。首先介绍卷积神经网络的构造与原理,再延伸至YOLO网络的特点分析,以课题组项目中扫地机器人识别物为例子,介绍如何为自己的YOLO网络进行数据采集与标注,最后进行总结与展望。
其他文献
为了改善弱小目标的检测准确度,设计了时空高阶累积量耦合各向异性背景抑制的红外弱小目标检测算法。首先,根据红外图像的边缘停止函数,考虑弱小目标与背景的差异,构建各向异性背景抑制方案,以弱化背景干扰;随后,基于传统的高阶累积量,考虑空域特性,利用弱小目标的运动能量来建立一种时空高阶累积量方案,对背景抑制结果中的候选目标进行增强处理;最后,引入尺度空间理论,计算弱小目标的直径,以此改进了管道滤波方案,以
提出一种对高速摄影下枪机的运动图像进行分析,进而估算枪机位移和运动速度的测试方法。在图像预处理阶段使用了自适应的双边滤波算法,在保证对噪点滤除的同时对图像的边缘细节做到了尽可能的保留。使用Zernike矩亚像素边缘检测算法提取目标边缘,将检测精度提高到了一个像素以内。并通过Hough变换对边缘进行直线拟合,通过直线方程计算目标运动的像素距离。这种测试方法在测试空间狭小,且不接触目标的前提下,对枪机
针对传统时空上下文跟踪方法存在模型漂移问题,提出了一种模型自适应阈值分割的人脸跟踪方法。通过在传统的时空上下文方法中引入目标区域的子块自适应分割方法,增强空间信息对目标与背景的判别作用,降低目标置信图的表征误差;同时,采用跟踪连续加权平均的方法对模型精确性进行实时判断,联合粒子滤波进行状态预测,有效克服误差累积引起的模型偏移问题。实验结果显示,方法具有较高的跟踪精度和稳定性,且满足视频实时性处理的
为了解决太阳能发电系统因集成度低、可靠性不强而导致发电效率低的问题,设计了一种基于物联网的太阳能发电监控系统。该系统以NB-IoT技术为基础,通过对光伏阵列、蓄电池以及负载端的电压电流进行监控,实现对当前发电系统效率值的判断。实验结果表明,该系统可以实现对各个环节进行监控的目的,同时能够很好地判断当前发电系统的效率值,从而实现对发电系统升级改造工作的推动。
基于稀疏编码的方法在单幅图像的超分辨率重建中获得了一定的成功,但是这类方法却存在着重建出错误的边缘和重建的图像块之间差异性的丢失等问题。为了解决这些问题,认为一幅高分辨率图像是由边缘成分和纹理成分两部分组成,提出了一种基于L_0范数和非局部拉普拉斯稀疏编码的单幅图像超分辨率重建方法。首先,为了能够重建出正确的图像边缘,提出了一种基于L_0范数的针对图像边缘的超分辨率重建方法;然后,在纹理成分的超分
传统电表签封管理方式会为电力企业计量部门带来较重的工作负担,容易影响企业信息化、自动化与智能化发展进程。本文提出了RFID技术在电表智能签封管理系统中的应用,重点分析了RFID电子智能签封管理系统在电力系统中自动识别抄表系统中的改造应用过程,并结合RFID电子智能签封抄表管理系统对比传统抄表系统实验操作探讨二者的现实差异,证明新技术在电表智能签封管理系统中应用的优越性。
边缘检测算法广泛应用于图像分割、模式识别和缺陷检测等领域。针对传统检测算法中存在的边缘不连续、噪声多、多边缘等问题,引入图像梯度锚点对传统的边缘检测算法进行优化,提高边缘检测的精度和效率。首先通过图像高斯滤波抑制噪声干扰;进而计算图像像素点的局部梯度极大值,提取图像锚点;最后采用智能连接算法将锚点连接实现产品图像边缘的获取。实验结果表明,生成的图像边缘具有连续性好、信噪比高和定位准确等优点,而且对
针对环视鱼眼图像中目标几何畸变大导致建模难的问题,提出一种基于可变形卷积网络的实例分割方法,主要是在Mask R-CNN框架的基础上引入可变形卷积和可变形RoI Pooling(候选区域池化)来提升网络对几何畸变的建模能力.针对深度神经网络训练数据缺乏、易过拟合的问题,提出了基于多任务学习的训练方法.首先将现有的大规模普通图像数据集转换为鱼眼数据集来弥补训练数据不足的问题,然后采用多任务学习的训练
设计了一种新型的中继循环残差神经网络,用于增强超分辨率重建图像的重建效果,提出了一种双层深度网络,其中重建网络负责初步图像重建,由中继网络进一步提示图像细节.所提出的中继网络架构同样也适用于具有不同类型的超分辨率深度学习网络,在CAS-PEAL-R1和CASIA-Webface数据库上的实验结果表明:中继网络模型提升了传统深度网络的图像重建性能,主客观重建质量均优于现有的卷积神经网络超分辨率算法.
随着人们对于公共安全的要求越来越重视,视频监控设备的安装已经变得非常普遍,行人再识别作为针对监控视频中行人进行分析的技术也受到更多人的关注。基于现有的深度学习网络提出了一种以最小化三元组损失为训练目标的非监督行人再识别算法。该设计主要通过预训练模型对数据进行特征提取,然后通过k-means聚类,最后对聚类后的数据进行三元组配对进行网络训练优化。通过在相关数据集上的测试结果可以看出,该设计在处理非标