【摘 要】
:
随着人工智能技术和物联网技术的发展,无人驾驶和车路协同技术得到了长足的发展。同时,可持续发展在社会进步中受到越来越多的关注,公共交通、步行、骑车等绿色出行方式受到鼓励,非机动车在道路上的行驶安全需要保障。基于深度学习的非机动车检测系统能够在道路的机动车流中检测到非机动车,通过车路协同系统同机动车共享检测结果,提高道路的安全性。目前的道路监控系统主要针对机动车,非机动车的数据量小且非机动车目标也较小
论文部分内容阅读
随着人工智能技术和物联网技术的发展,无人驾驶和车路协同技术得到了长足的发展。同时,可持续发展在社会进步中受到越来越多的关注,公共交通、步行、骑车等绿色出行方式受到鼓励,非机动车在道路上的行驶安全需要保障。基于深度学习的非机动车检测系统能够在道路的机动车流中检测到非机动车,通过车路协同系统同机动车共享检测结果,提高道路的安全性。目前的道路监控系统主要针对机动车,非机动车的数据量小且非机动车目标也较小。数据预处理技术针对上述挑战采用镜像变换、仿射透视等几何变换方式,亮度、色度、对比度变换等颜色空间变换方式,以及叠加雨雪运动轨迹的方式进行数据增强,以模拟各种光线和天气条件下的监控情况并扩充数据集。针对非机动车目标检测对象密集程度较低的特点,基于稀疏网络设计思想的目标检测模型结合主流、前沿的目标检测方法,摒弃了厚重的区域生成网络,仅为输入图像提供少量候选框,通过特征融合的方式增强特征表达,去除反复的非极大值抑制处理过程,采用迭代检测的方法,使上层输出的定位和分类结果能作为更加精确的初始值输入到下层检测网络,以达到精化检测结果的目的。数据集采集自学校附近路段的真实道路环境,实验基于预处理后的数据集完成。为取得最适合应用在机动车流中非机动车检测任务上的模型,设计了调整迭代检测结构和初始化候选框数量的实验。实验结果表明,模型始终能较好地收敛,在目标检测任务上有良好的表现。其中,在合理的训练次数下,迭代检测6次、初始时嵌入100个候选框的模型表现最好,在Io U阈值取0.5时的准确率能达到91.8,在对单帧图像检测10次和100次时召回率都能达到87%以上,单帧图像处理速度低于0.12秒。
其他文献
I/O性能已成为高性能运算系统性能提升的瓶颈。I/O日志(trace)作为系统在运行过程中记录的I/O请求信息,已被广泛应用于I/O性能分析之中。但是由于传统trace收集工具存在着资源消耗大等缺点,制约了性能评估准确性的提升。因此,trace生成工具应运而生。另一方面,生成对抗网络作为发展最迅速的生成模型之一,已经成功应用于计算机视觉、加密与安全等领域,并且在实值序列数据的生成方面具有很大的潜力
COStream是一门高效的数据流编程语言,通过将通信与计算分离凸显出程序的高并行性,从而充分利用多核平台的性能。但在任务划分方面,COStream现有划分算法不具有普适性,划分各个阶段的界限模糊不清;在数据传输方面,编译器底层的缓冲区设计不够系统化,且COStream作为支持并行编程的语言,其线程同步机制也存在优化的空间。针对现有COStream任务划分存在的问题,将任务划分细分为两个阶段进行优
光缆是一种电信线,在架设光缆时,如果架设的光缆与原本已经架设好的电线发生交越或搭挂,这种电信线与电力线发生交越或搭挂的场景被称为三线交越。在这种场景下,即便光缆与电力线没有直接接触,但二者可能发生耦合感应,影响光缆的寿命,也可能引起强电入侵,对人身安全产生威胁。由于上述原因,发生交越的光缆部分必须加装保护套。目前,检验光缆架设规范主要由人工完成,导致检察员工作量大。从人工施工采集获得的图像中自动检
构建高质量的、大规模的数据集是机器学习取得良好效果的前提和动力。数据集的构建通常由研究人员根据实验需求进行手工标注,然而由于手工标注工作量较大、工作内容枯燥无味,往往导致标注成本过高、标注效率低下。随着机器学习领域的发展,如何提升标注效率成为亟待解决的问题。为了提升标注效率,设计并实现了一个半自动视频图像标注系统,支持对视频图像数据进行手工标注,支持调用各类视频图像处理算法预测标注结果、人工对预测
通用目标检测卷积神经网络算法精度不断提升,随之而来的是计算量与参数量的爆发式增长。与之相反的是,新兴的智能交通、自动驾驶与智能安防等领域都使用嵌入式AI设备,这给卷积神经网络算法提出了新的挑战。对高性能目标检测网络进行深层次的压缩,让网络参数量大幅度降低,这在计算资源匮乏的嵌入式AI设备上部署目标检测卷积神经网络是至关重要的。昇腾NPU使用定制的达芬奇架构,如何实现快速卷积计算过程,充分发挥昇腾N
目前大量的恶意软件和良性软件都通过加壳来保护自己。有数据显示,从网上下载的恶意软件中,有58%都是加壳程序,这58%的加壳程序中又有35%使用了自定义壳,因此研究一种更好的自动化脱壳方法变得越来越有必要。本文设计并实现了PyREUnpacker,一种基于动态分析的PE(Portable Executable,可移植的可执行文件)文件自动化脱壳系统。通过将样本置于虚拟机中运行,PyREUnpacke
随着物联网时代的来临,准确的手势识别技术已经成为人机交互领域中众多新兴应用的基石。现有的手势识别系统主要基于相机和可穿戴设备,它们分别受限于光照条件与用户的积极配合。近些年,许多研究已经提出了一些基于无线信道状态信息(Channel State Information,CSI)的手势识别系统,在无需与用户接触的情况下实现非视距的手势识别。但是这些方法容易受到环境变动的影响,应用于新环境时都需要繁琐
随着计算机和遥感技术的不断发展,人们采集、存储遥感影像数据的能力得到了很大的提升,同时基于深度学习的目标检测任务也逐渐应用于遥感影像中。使用深度学习的方法训练检测器需要大量有标签数据驱动才能获得很好的检测效果,而现实中存在海量无标签数据,所以使用这些无标签数据来辅助优化检测器具有很大的研究意义。首先,本课题分析传统基于自训练的半监督学习方法理论,依据相似性聚簇原理假设,将EM算法思想应用于半监督学
近年来,随着物联网技术的迅速发展,时间序列数据量出现了迸发式的增幅。股市行情的预测,天气变化的预测,金融分析,人口预测等等,都离不开海量时间序列数据的支持。索引与可视化成为分析这些时间序列数据的先决条件,但是时间序列数据实时产生,数据量动辄达到百万、千万甚至亿万级别,如何完成这样数据量的时间序列数据的存储、索引以及可视化充满了挑战。为了有效利用数据存储空间,时间序列数据存储采用分布式压缩存储结构,
随着人们对室内定位服务的需求日益增加,如何为用户提供简单、高效、精确的室内定位服务成为研究热点。大部分相关研究的关注点在于单独的室内定位方法的研究,室内位置服务在实际应用中还需为用户提供地图显示、路径规划、定位、导航、楼层切换等配套服务。针对以上问题,以某大学办公实验楼为研究对象,以室内定位导航系统的功能设计与实现方案的选择为研究重点,实现了室内定位导航系统。在设计了室内地图数据结构的基础上,对办