【摘 要】
：
针对YOLOv3在刑侦领域车辆目标检测中对远距离小目标检测效果较弱的问题,提出反卷积YOLOv3算法。对Darknet-53输出的小尺度特征图反卷积后与大尺度特征图进行特征融合,得到更多小目标的特征信息,用add代替concat进行特征融合从而增加描述图像每维度信息量;利用K-means++对车辆目标数据集聚类分析后重设预设框;在公安部重点实验室现场勘验图片库中与YOLOv3、SSD、Faster
【机 构】
：
西安邮电大学通信与信息工程学院,电子信息现场勘验应用技术公安部重点实验室,陕西省无线通信与信息处理技术国际合作研究中心
【基金项目】
：
陕西省重点研发计划项目(2018KW-050)。
论文部分内容阅读
针对YOLOv3在刑侦领域车辆目标检测中对远距离小目标检测效果较弱的问题,提出反卷积YOLOv3算法。对Darknet-53输出的小尺度特征图反卷积后与大尺度特征图进行特征融合,得到更多小目标的特征信息,用add代替concat进行特征融合从而增加描述图像每维度信息量;利用K-means++对车辆目标数据集聚类分析后重设预设框;在公安部重点实验室现场勘验图片库中与YOLOv3、SSD、Faster RCNN算法进行对比实验。结果表明,相较上述三种算法其精确度分别提升3.72、6.53、3.98百分点
其他文献
应用区块链技术对多式联运单证进行数字化升级,能够有效地解决当前多式联运单证中存在的内容重复填写、制作速度慢、信息共享难等问题。整合航空、公路、铁路和水路四种运输方式涉及的单证,形成多式联运数字化单证的主要内容;将传统多式联运单证的发货收据、运输合同、物权凭证、提货凭据等业务需求转化为数字化单证的信息录入、查询、授权、签注、签收等功能需求。开发智能合约在以太坊平台上进行实验,结果表明,多式联运数字化
设计一种基于深度学习的智能花卉自动养护系统。基于深度学习的图像分类技术,利用采集到的花卉图片对花卉的生长状况进行识别(如叶子发黄则代表缺少光照)。自动控制系统根据识别的花卉生长状况来执行相应的动作,从而改变花卉的环境参数,使得花卉在无人管理的情况下也能很好地生长。
针对大数据新型处理框架Spark执行Apriori算法存在速率低、内存负荷高等不足,提出一种改进的Apriori优化算法。基于字典表压缩存储的机制,结合Spark框架中列式存储模式对多维多属性值的数据集进行压缩,通过Spark集群进行数据并行处理。实验表明,该算法比原算法执行速率提高23%以上,且在数据量越大的情况下其优势更明显。该算法具有降低内存负荷量、去候选频繁项集、提高执行速率等优势,且解决
飞行训练工作是为民航发展提供飞行人才,但在面对空域资源日趋紧张情况下,飞行训练工作压力日益增大,安全保障需要提高,以减轻管制和飞行指挥人员的工作负荷并有效提升工作效益。飞行训练保障系统研制的目的是针对运输机场和通用航空的特点,提出研制信息集成交换共享系统,保障航班和飞行训练安全。
视网膜血管自动分割是实现糖尿病、心血管疾病,以及多种眼科疾病自助诊断的关键步骤。血管末端消失、血管与视盘相混淆是导致分割准确率下降的主要原因。针对此类问题,提出一种基于"编码器-解码器"的复合特征视网膜血管分割方法。将U-Net的对称结构与HRNet保持高分辨率表征的方法相结合,构建复合特征提取融合模块,使神经网络充分捕捉图像中的浅层信息,提高视网膜分割准确率。在公开DRIVE数据集上进行实验,模
针对传统的分类方法没有考虑特征之间的交互作用而导致分类效果不明显的问题,提出一种信息熵-逻辑回归弹性网模型(IE-LR-ElasticNet)。通过加入信息熵的惩罚项来衡量特征之间的交互作用,并利用交替方向乘子法(ADMM)进行求解。仿真实验结果表明,IE-LR-ElasticNet模型在相关性数据越高的数据集中,其估计系数更加接近真实值,且分类效果较好。因此,构建IE-LR-ElasticNet
针对人体活动识别问题与其在实际情况中的应用,综合考量卷积神经网络与作为循环神经网络变体的门控循环单元,设计能自动提取传感器数据特征和记忆时序性活动数据的CNN-GRU混合神经网络模型,并予以改良。使用该模型在公开的数据集上进行实验,较其他的模型效果更加理想。在人体活动识别的处理中,CNN-GRU模型能达到预期的高准确率。在数据集时序性依赖较强的情况下,CNN-GRU模型能拥有更好的准确度和稳定性。
由于使用内积方式不能真实地表达数据间关系,造成分类效果参差不齐,故提出一种基于分形插值的支持向量机核函数算法。对样本数据进行预处理使样本数据范数在0～1之间,利用二次范数计算训练样本间距离关系并通过0-1原则区分同类与异类数据。通过计算数据间距离对新数据进行排序,建立同异类标签的区分最小最大区分距离,同异类标签交叉空间利用分形插值方法建立迭代系统与分形插值函数。实验结果表明,该算法能够有效增强交叉
传统的零样本学习方法大多采用一个分离的两步管道,从预先训练的CNN模型中提取图像特征,再利用固定的图像特征来学习嵌入空间,导致零样本学习任务并不能捕捉到辅助信息中丰富的语义信息。对此,借助胶囊网络,提出一种端到端、可训练的模型。相比卷积网络,胶囊网络对物体的平移、旋转和缩放等变化表现出更强的鲁棒性。该模型赋予嵌入空间更强的泛化能力,为零样本学习提供了更多辅助线索,实验结果显示该方法优于现有的识别方
针对定性工业供应链销售预测方法中存在的精度低、非智能化且无法处理复杂样本等问题,提出一种基于高斯混合模型的工业供应链销售预测方法。分析真实销售数据的特征信息及特征间的相关程度;在不同聚类簇数和特征数的组合下利用训练数据集迭代计算模型参数;对测试数据集进行销售预测,通过比较预测结果的准确率、召回率和F值三个指标确定可实现较好结果的特征值与聚类簇数目。实验结果表明,与人工神经网络模型和卷积神经网络模型