【摘 要】
：
鉴于低空场景下无人机尺度多变、背景复杂的特点,提出一种基于深度学习的多尺度低空无人机目标检测算法。针对高层卷积特征对小无人机目标特征表达能力差的问题,引入VGG16低层特征图Conv3_3,构建特征金字塔网络,利用有效感受野技术,重新设计各特征图中先验框的尺寸和长宽比例,建立多尺度、多背景且包含干扰目标的低空无人机图像数据集,完成算法的训练和优化。实验结果表明,该算法相比原始SSD网络,平均精度(
【机 构】
：
中国科学院国家空间科学中心复杂航天系统综合电子与信息技术重点实验室,北京100190;中国科学院大学计算机科学与技术学院,北京101408
论文部分内容阅读
鉴于低空场景下无人机尺度多变、背景复杂的特点,提出一种基于深度学习的多尺度低空无人机目标检测算法。针对高层卷积特征对小无人机目标特征表达能力差的问题,引入VGG16低层特征图Conv3_3,构建特征金字塔网络,利用有效感受野技术,重新设计各特征图中先验框的尺寸和长宽比例,建立多尺度、多背景且包含干扰目标的低空无人机图像数据集,完成算法的训练和优化。实验结果表明,该算法相比原始SSD网络,平均精度(average precision,AP)提高了7.32%,有较好的抗干扰效果和实时检测能力。
其他文献
车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM(Convolutional Block Attention Module)注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地
为有效解决储能电池中剩余电量的管理问题,提出基于双卡尔曼滤波的电池荷电状态(state of charge,SOC)估算研究方法.分析二阶戴维南电池等效模型,获得其状态空间方程和输出方程,利用泰勒公式对其进行线性化处理,对比分析锂离子电池的离线参数辨识和在线参数辨识结果,结合协同滤波算法进一步提升卡尔曼滤波算法的辨识精度.在M at-lab环境下编写基于双卡尔曼滤波算法的SOC估算以及验证程序,在算法初值准确和有误差两种情况下进行验证,并与其它算法进行比较,验证了双卡尔曼滤波算法精度高,收敛性好.
方面情感分析旨在分析给定文本中特定方面的情感极性.针对目前的研究方法存在对方面情感注意力引入不足问题,提出了一种融合BERT和多层注意力的方面级情感分类模型(BERT and Multi-Layer Attention,BMLA).模型首先提取BERT内部多层方面情感注意力信息,将编码后的方面信息与BERT隐藏层表征向量融合设计了多层方面注意力,然后将多层方面注意力与编码输出文本进行级联,进而增强了句子与方面词之间的长依赖关系.在SemEval2014 Task4和AI Challenger 2018数据
针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法.通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度.通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进.
针对网络视频质量低导致人脸检测准确率低的问题,提出一种基于人脸超分辨率重建的SR Face Detection模型。使用去掉自监督分支且以Resnet50为基础网络的RetinaFace进行帧图片人脸的粗提取;在人脸检测器后增加一个人脸超分辨率重建网络,剔除粗提取人脸中的非人脸。该超分网络的生成网络使用残差密集块进行特征提取,加入注意力损失和热图,更好地还原面部细节;根据实际需求设计一个多判别功能
为精准预测固定机型飞机燃油消耗量,针对飞机油耗数据受多种外界因素影响而存在复杂非线性的问题,提出一种重构样本下飞机油耗增强自适应差分进化相关向量机(enhanced fitness adaptive-differential evolution-relevance vector machine,EFADE-RVM)的预测方法.通过引入相似输入产生相似输出的即时学习算法选择相关样本集形成重构样本,利用增强自适应差分进化算法优化相关向量机核函数参数,解决核函数参数选择困难的问题,建立飞机油耗预测模型.实验结果
在神经网络模型训练过程中,存在部分卷积核退化为无效卷积核,在神经网络推理过程失去作用的问题.针对该问题,提出了一种仅使用单个模型就能在训练过程中激活无效卷积核,提高模型性能的方法.首先将初始模型训练至收敛时刻;然后通过L1正则和卷积核相关性两种方式衡量卷积核的有效性;最后将无效卷积核的权值回退到模型训练的初期阶段并对模型进行重训练.在CIFAR-10、CIFAR-100等图像分类的数据集上的实验结果表明,无论是在残差网络还是在轻量级网络上,提出的方法都能有效地恢复无效卷积核,提高神经网络模型精度.相比之前
目前传统的文本相似度方法大多数存在未考虑语义及结构信息,容易忽略文本特征细节信息等问题.针对上述问题,提出多模型加权融合的文本相似度计算算法.利用词频、词性、词句位置3个特征共同计算句子相似度;为发现文本的结构信息方面,提出分层池化IIG-SIF用于计算文本的相似程度;结合前两个环节的相似度模型构建一种线性加权模型,汇集两个算法使结果更为精确.实验结果表明,该算法能够提高准确率和召回率,在不同语种和粒度的数据集上均得到更优的实验结果.
深度学习模型具有鲁棒性差的局限性,常见的如在图片中增加特定的噪声会影响到图片的分类和预测结果.近期有学者将深度学习引入到推荐系统中,因此在推荐系统中也存在噪声对推荐精度影响的问题.针对深度推荐模型的鲁棒性问题,基于变分自编码器(Variational Auto-Encoder,VAE)提出了新的评分预测模型REVAE(REcommender Variational Auto-Encoder).该模型为了训练模型对噪声干扰的鲁棒性,在传统的VAE上增加了一层隐层表示,利用后验分布对隐层表示进行约束,并在该隐