【摘 要】
:
交通标志采集的环境较为复杂,使得采集到的交通标志样本在图像中所占的比例差异较大,若算法的候选区域与目标物体的尺寸差异较大,则会影响算法的检测效果.此外,在采集到的样本中,部分样本的交通标志在图像中所占的比例较小,导致算法较难检测到图像中的目标物体.针对上述问题,本文在SSD模型的基础上同时引入了FPN算法和Kmeans聚类算法,提出了基于改进SSD网络的交通标志检测算法.提出的方法通过FPN算法将网络深层信息逐层反卷积与前一层网络深度拼接,使模型能够融合多个卷积层的多尺度信息来增强特征的表达能力,并利用K
【机 构】
:
广西大学计算机与电子信息学院,南宁 530004
论文部分内容阅读
交通标志采集的环境较为复杂,使得采集到的交通标志样本在图像中所占的比例差异较大,若算法的候选区域与目标物体的尺寸差异较大,则会影响算法的检测效果.此外,在采集到的样本中,部分样本的交通标志在图像中所占的比例较小,导致算法较难检测到图像中的目标物体.针对上述问题,本文在SSD模型的基础上同时引入了FPN算法和Kmeans聚类算法,提出了基于改进SSD网络的交通标志检测算法.提出的方法通过FPN算法将网络深层信息逐层反卷积与前一层网络深度拼接,使模型能够融合多个卷积层的多尺度信息来增强特征的表达能力,并利用Kmeans聚类算法确定候选区域的默认窗口大小,得出较适合于当前数据集的比例值,提高了算法对小目标物体的检测准确率.通过在CCTSDB交通标志数据集上的实验结果表明,本文提出的算法在交通标志上有较好的目标检测效果.
其他文献
在进行公路工程建设的过程当中,检测工作的重要性是毋庸置疑的.利用科学的试剂进行检测,可以让工程质量有所提升,也可以让公路建设更加稳定可靠.基于此,首先讨论了公路工程水泥混凝土原材料检测内容,其次分析了公路工程水泥混凝土原材料实验检测现状,然后介绍了公路工程水泥混凝土原材料质量控制策略,以供相关工作人员参考.
随着我国社会经济的稳步发展,以及城市化建设水平的不断提升,我国公路工程也在不断发展.在当前社会经济背景下,要求公路工程建设的水平能够契合市场需求,因此,在公路工程建设过程中,施工技术的应用是至关重要的.在我国公路项目建设中,技术的应用需要规范的质量保障,对技术应用的各个环节也需要科学的规范.通过对沥青混凝土公路施工技术的应用现状的研究,提出具体的优化策略,保障我国公路工程建设的稳步发展.
近几年来,社会经济的发展带动了人们生活水平的提高,也增加了人们对出行的需求.汽车作为一种运输工具在中国得到越来越广泛的应用,同时学习机动车驾驶的人员也在日益增多,极大地推进了机动车驾驶与训练产业的蓬勃发展.但是,在驾驶培训产业迅速发展的背后是驾校之间激烈无序的竞争,给行业发展造成了一系列负面后果.为规范驾培机构的经营行为,驾培机构积极响“放管服”改革,进一步健全业务制度,提升从业人员服务质量,维护驾校学生的合法权益,促进驾驶员教育服务行业规范、健康、稳步发展.但在改革过程中,政府管理、培训机构自我管理等方
时间序列异常检测是数据挖掘领域的研究热点方向,基于统计或传统机器学习的方法虽取得一定的效果,但仍缺乏对类不平衡问题、数据间关系等方面的考虑.基于自编码器和分类器相结合的方法能有效捕捉到时间序列数据的局部空间特征和前后依赖关系,经自编码器编码后再使用传统分类器能更精准识别出异常,同时避免阈值筛选等方案所面临的问题.通过与多个基准方法进行实验对比,该方案在多个数据集上都表现出良好的效果.
在分析捕鱼算法不足的基础上,提出了一种求解绝对值方程的改进捕鱼算法.该算法通过使用新的撒网方法来降低计算机内存消耗并减少计算量,从而提高算法性能.数值实验结果表明,在求解高维绝对值方程时,与捕鱼算法相比,改进捕鱼算法具有内存占用低、运行速度快等优点;与粒子群等群智能算法相比,改进捕鱼算法在求解精度等各项指标上均优于其他对比算法.
我国的农作物病害识别主要依靠人工,借助计算机进行农作物病害识别存在病害样本数据量少,识别的精度低、实时性差等问题.针对上述问题,建立了水稻、小麦、玉米三种作物的15种常见病害作为实验样本集,利用迁移学习的方法,在ImageNet数据集取得Shufflenet v21′、MobileNet v3_large、GhostNet的预训练模型,迁移网络的所有权重信息进行训练.实验结果表明:基于迁移学习的MobileNet v3_lage模型在农作物病害识别上所达到的效果最好,准确率为99.27%,模型大小仅4.0
XGBoost算法和LightGBM算法都是“数据挖掘”竞赛中的“佼佼者”,本文将这两种算法应用到贷款违约预测中,结果表明在违约因素影响方面:贷款发放时间、信贷周转余额合计、债务收入比、年收入、分期付款金额、信用等级、贷款金额等因素影响较大,并利用AUC值作为评价指标,发现XGBoost算法在贷款违约预测模型中略优于LightGBM算法,但是在运算速度上LightGBM算法大大优于XGBoost算法.
随着教育现代化建设的推进,越来越多的高校从数字校园向智慧校园转型,转型过程中新旧系统更新迭代频繁,系统数量及规模日益庞大.为了满足高效、快速迭代开发以及低门槛、高可用的运维等需求,提出了一套基于Rancher的DevOps平台方案.方案充分考虑了智慧校园转型的应用场景,通过Rancher、Gitlab、Docker、Nexus等技术构建DevOps平台,做到平稳过渡遗留系统、快速迭代开发、降低开发运维成本等,提高各信息系统的可用性、可拓展性,助力智慧校园转型的推进.
本文首先构建了激励型需求响应的实现框架,阐述了负荷服务主体如何聚集需求侧资源参与电力市场业务.然后,分析了基于长短时记忆(long short memory,LSTM)算法的特征,并提出了一种基于LSTM数据驱动的激励型需求响应用户行为预测方法.最后,为验证所提预测方法的准确性,对所提预测方法进行了算例分析.仿真结果表明,与最小二乘法和k邻近预测方法相比,基于LSTM数据驱动的激励型需求响应用户行为预测方法预测精度更高.
显露模式考虑模式在目标类与对立类数据集合中的支持度,首先必须是频繁模式,IncMine是著名的数据流频繁闭合模式挖掘算法.然而,现有的频繁模式挖掘算法面向事务数据流,项集没有类标约束,不能进一步挖掘显露模式用作数据流分类.本文提出一种基于IncMine的显露模式挖掘方法(emerging patterns based on incMine,EPBIM).EPBIM改进IncMine算法,挖掘带类值约束的频繁闭合项集,并获取显露模式用于贝叶斯分类.在MOA平台上运行多个真实与模拟数据流,实验结果验证了该方法