【摘 要】
：
为提高图像目标多种多值属性的识别速度,提出一种端到端的识别算法。采用修正的YoloV3网络作为主网络,确定目标的boundingbox;依据属性独立特性构造子网络,多个子网络共享由boundingbox确定的主网络深层次特征,进行推断,并采用多值输出满足多值属性的识别。在训练过程中,采用了三阶段分目标训练。实验结果验证了该算法在识别准确度和时间效率上的优良性能。
【机 构】
：
河南省工业学校,信息工程大学,郑州信大先进技术研究院
【基金项目】
：
郑州市重大科技创新专项项目(188PCXZX773),工信部2018年大数据产业发展试点示范项目。
论文部分内容阅读
为提高图像目标多种多值属性的识别速度,提出一种端到端的识别算法。采用修正的YoloV3网络作为主网络,确定目标的boundingbox;依据属性独立特性构造子网络,多个子网络共享由boundingbox确定的主网络深层次特征,进行推断,并采用多值输出满足多值属性的识别。在训练过程中,采用了三阶段分目标训练。实验结果验证了该算法在识别准确度和时间效率上的优良性能。
其他文献
针对模糊C均值(Fuzzy C-Means,FCM)聚类算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近(KNN)优化的密度峰值(DPC)算法和FCM相结合的融合聚类算法(KDPC-FCM)。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。在多个UCI数据集、单个人造数据集、多种基准数据集和Geolife项目中的6个较大规模数据集上的实验结果表明,
单一的车辆属性识别已无法满足现有的交通系统,为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在近景监控场景和交通监控场景两种不同场景下识别车辆属性的模型,主要包括车辆类型和颜色两种属性类别。以YOLOv3神经网络为基础,对其进行改进,降低网络深度的同时保证准确率,将车辆类型和颜色属性进行分级训练,提高模型检测速度,此外,创建了AttributesCars车辆属性数据集完成数据准备工作。实验结果表明,所提方法在平均准确率为95.63%的前提下可以满足视频的实时性要求,并且在两种
传统的以数据为中心的路由协议,往往会导致传感网中出现在大量的“能量空洞”或“热点”现象.为了克服上述现象,借助雾计算理论模型,提出了一种基于雾计算跨层感知分簇路由协
现实世界中的很多场景都能用多种节点类型和边类型组成的异构网络表示。网络中蕴含着丰富语义关系,并具有实际应用价值,引起了学术界和工业界的关注。传统的方法都是基于浅层模型进行异构网络挖掘。近几年,由于图卷积网络在同构网络中表现优越,有许多学者将图卷积网络应用到异构网络的挖掘,在各个任务中都取得了优异的成绩。通过对异构图卷积网络的研究进展进行评述,来了解相关领域的发展状况。介绍了异构图卷积网络的发展,将异构图卷积网络分为基于元路径和自适应异构信息的模型进行详细介绍及归纳,并综合分析了不同的聚合方法。介绍了异构图
当跟踪对象被严重遮挡或者离开相机视野范围时,机器人的跟踪目标往往会丢失。为了实现准确跟踪,提出了目标丢失判别跟踪YOLO-RTM算法。该方法通过YOLOv3检测视频第一帧中的目标。利用实时多域卷积神经网络(Real-Time MDNet,RT-MDNet)跟踪算法预测目标边界框的变化。计算重叠度,根据重叠度与预设阈值的比较结果决定模型更新方式,当重叠度高于阈值时,采用RT-MDNet更新外观模型,当重叠度低于阈值时,采用YOLOv3重新搜索目标并更新外观模型。在Turtlebot2机器人上的实验结果表明,
准确地预测城市蜂窝交通流量对未来大数据驱动下的智能蜂窝网络的管理和公共安全非常重要,同时也非常具有挑战。提出了一种基于深度学习的方法——ST-FCCNet来预测城市范围内的蜂窝流量。设计了一种STFCCNet单元结构,来捕捉城市中任意区域间的空间依赖。通过部署ST-FCCNet网络框架来对蜂窝流量的时间邻近性和周期性进行建模,以此来捕获时间依赖。结合外部因素(时间、天气、假期等)得到最终的预测结果。实验部分,通过实际的蜂窝数据集验证ST-FCCNet的有效性和现有的4种方法进行了对比。结果表明,ST-FC
师生关系是学校教育教学过程中最为重要的关系，这一关系的处理直接关系到教育教学的效果，关系到学生的心理健康，关系到学校培养目标的实现。传统的师生关系中，学生的主体性被否认
针对传统基于单分类的推荐算法容易陷入“单指标最优”的困境和推荐精度低的问题,提出一种融合K-最近邻(KNN)和Gradient Boosting(GBDT)的协同过滤推荐算法。该算法利用K-最近邻法过滤出目标用户的多组候选最近邻居集,并综合集成学习的优点,采用多分类器对多组推荐结果进行集成。在相似度计算公式中引入了若只有单个用户评价的物品权重,以此获得更多目标用户的潜在信息。实验结果表明,该算法有效缓解了目标用户与候选最近邻居集之间的数据集稀疏性,提升了推荐精度。
社交媒体是当前人们获取信息的重要渠道,但是社交媒体中不实信息大量传播造成社会危害的问题一直困扰着管理者。为了减轻不实信息造成的不良社会影响,对不实信息的传播规律进行研究。划分出强关系型社交媒体,通过Multi-Agent建模的方法,引入用户个体异质性和决策行为不确定性,建立不实信息传播模型。用控制变量法,在多种网络中进行仿真模拟。研究表明:不实信息传播的初始节点不完全能够决定不实信息的传播范围;不实信息传播过程的缓解期长短与网络的随机性有关;用户观点共鸣度分布会对不实信息传播产生影响。
针对目标的三维姿态估计,结合基于深度学习的目标检测模型,提出一种基于改进YOLO V2的6D目标姿态估计算法。通过卷积神经网络提取一幅RGB图像中目标的特征信息;在2D检测的基础上将目标的位置信息映射到三维空间;利用点到点的映射关系在三维空间匹配并计算目标的自由度,进而估计目标的6D姿态。该算法不仅能检测单幅RGB图像中的目标,还可以预测目标的6D姿态,同时不需要额外的后处理过程。实验表明,该算法在LineMod和Occlusion LineMod数据集上的性能优于最近提出的其他基于CNN的方法,在Tit