摘要：针对边缘环境下的图像隐私泄露和计算效率问题,提出一种边缘协作的轻量级安全区域建议网络(SecRPN)。基于加性秘密共享方案设计一系列安全计算协议,由2台非共谋边缘服务器协作执行安全特征处理、安全锚变换、安全边界框修正、安全非极大值抑制等计算模块。理论分析证明了SecRPN的正确性和安全性,实际性能评估表明,计算和通信开销均远优于现有工作。

摘要：交通标志检测是智能辅助驾驶的重要内容,能够准确分析前方道路信息并定位交通标志具体位置,为后续交通标志的识别提供依据,降低交通事故发生的概率。为解决采集图像模糊、目标检测精度低等问题,提出了一种基于改进区域建议网络(RPN)的检测模型,该模型采用Retinex图像增强算法和中值滤波算法对采集图像进行预处理,并将处理后的图像依次送入卷积神经网络和RPN网络,获得感兴趣目标的具体位置参数,实现交通标志的检测。相同条件下与传统算法进行实验对比,文中算法对不同大小的交通标志检测有较高的检测率,能够达到97.5%,并且鲁棒性较好。

摘要：针对已有的安全帽佩戴检测算法对小尺寸目标和部分遮挡目标检测效果较差的问题,在区域卷积神经网络基础上,做出优化用于安全帽佩戴检测。在原始Faster RCNN的基础上使用多层卷积特征融合技术优化区域建议网络产生候选区域特征图,使用在线困难样本挖掘技术训练ROI网络,自动挑选出困难样本使训练更加有效。实验结果表明,相比原始的Faster RCNN算法,所提方法检测精度提高了4.73%,对部分遮挡和小尺寸目标均有较好的检测效果,对环境变化具有更强的适应性。

摘要：基于嵌入式平台对深度神经网络轻量化的需求,结合模块化、逐层处理思想,以主流检测识别深度神经网络Faster RCNN轻量化为目标,设计基于深度稀疏低秩分解的轻量化方法.针对Faster RCNN网络架构特点,首先采用深度可分离卷积和稀疏低秩理论对Faster RCNN网络的特征提取主干网络部分进行初始轻量化;其次采用稀疏低秩裁剪对主干网络进行“逐层通道裁剪,逐层重训练,逐层调优”轻量化,采用张量Tensor-Train分解理论,对区域建议网络进行轻量化处理,尽可能保证低性能损失;再次对识别与分类网络进行稀疏低秩分解和通道裁剪,增加模型压缩倍数,减少所需要和所消耗计算资源;最后,基于感兴趣区域定位感知的RPN网络输入特征知识蒸馏,提升检测识别性能.数值实验表明,所提出方法可以实现模型压缩100倍,检测识别率仅下降5%.

摘要：针对无人机(UAV)跟踪过程中目标经常出现尺寸小、尺度变化大和相似物干扰等问题,提出了一种基于双注意力混洗的多尺度无人机实时跟踪算法。考虑到无人机视角下目标像素点少,构建了双采样融合的深层网络,既提供了语义信息丰富的深度特征,又保留了目标的细节信息;设计了双注意力混洗模块,通道注意力和空间注意力同时分组筛选提取到的特征信息,混洗不同通道间的信息,加强信息交流,提高了算法辨别能力;为利用不同层的特征信息,加入多个区域建议网络完成目标的分类和回归,并针对无人机的目标特点,将结果进行加权融合。实验结果表明:所提算法在数据集上的成功率和准确率分别为60.3%和79.3%,速度为37.5帧/s。所提算法的辨别能力和多尺度适应能力明显增强,能有效应对无人机跟踪中常见的挑战。

摘要：为提高小尺度行人检测的准确性,提出一种基于改进Faster R-CNN的目标检测方法。通过引入基于双线性插值的对齐池化层,避免感兴趣区域池化过程中两次量化操作导致的位置偏差,同时设计基于级联的多层特征融合策略,将具有丰富细节信息的浅层特征图和具有抽象语义信息的深层特征图进行通道叠加,从而解决小尺度行人在深层特征图中特征信息缺乏的问题。在INRIA和PASCAL VOC2012数据集上的实验结果表明,在小尺度行人检测效率相同的情况下,该方法相比基于Faster R-CNN的检测方法平均精确率均值分别提高了17.58%和23.78%。

摘要：高分辨率遥感影像场景复杂,其中建筑物目标种类结构各异且存在大量遮挡,现有检测算法使用特征表达性不强。结合Faster R-CNN模型设计一种针对遥感影像的建筑物检测方法。首先通过共享卷积网络获取原始影像的深层特征图;然后结合区域建议网络生成初步检测结果;最后根据Fast R-CNN检测网络对结果进行进一步判定和边界回归。针对困难样本造成的训练中断,对训练策略进行改进,通过近似联合训练的方法对模型参数同步调优。实验结果表明,该方法准确率和召回率明显优于DPM方法,对非训练测试集遥感影像具有较好鲁棒性,有效实现了针对遥感影像的建筑物检测。

摘要：为降低孪生网络跟踪器中预定义锚框对模板更新和跟踪精度的影响,提出一种采用高质量模板在线更新的孪生网络目标跟踪算法。在孪生网络跟踪框架的基础上引入一个基于区域建议网络的重检测模块,获得质量更高的回归边界框,利用初始帧、累计帧和当前帧的特征模板训练一个更新网络实现更高质量的模板更新。在OTB100和GOT-10k数据集上的对比实验结果表明,提出算法具有更好的成功率和精度,在具有各种复杂属性的场景中表现出更优秀的性能。

摘要：针对传统肺结节检测智能算法仅预测结节的位置,缺少医生临床习惯使用的"分叶""纹理""毛刺"等直观的语义解释的问题,提出一种带有语义特征得分的肺结节检测方法。将Faster R-CNN的区域建议网络(RPN)中嵌入细致度、内部结构、分叶、毛刺、边界、钙化、圆度、纹理等8个医生常用的语义特征,设计新的锚盒机制,增加全连接网络实现语义特征的回归学习,将其作为辅助信息结合Faster R-CNN训练实现肺结节检测和语义预测的联合学习。LIDC/IDRI数据集上的测试结果显示,所提方法的肺结节定位的精度为91.2%,肺结节良恶性分类的准确率、敏感性、特异性分别为81%、91.2%、70.8%。在8个语义特征得分上,医生间的差异为0.59±0.80(平均绝对误差±标准差),所提算法预测的语义解释和医生的差异为0.62±1.03,预测结果接近医生个体的差异。修改后的网络达到了较好的检测精度和语义特征预测,方便医生对机器检测结果的理解和临床解释。

摘要：随着现代计算机技术的发展与应用,计算机辅助诊断系统在医学影像分析领域的地位变得愈发重要。其技术的关键在于病灶的定位与分类。由于图像的特征提取十分复杂,若应用传统机器学习方法,则需对图像作大量的预处理。文中提出一种基于深度学习的肺部肿瘤检测方法,运用卷积神经网络对患者肺部肿瘤图像进行特征提取。结合区域建议网络预测肿瘤在图片中可能存在的位置,同时生成建议框。利用学习好的特征对目标区域进行分类并微调建议框的位置。该方法无需人工设计目标特征,通过卷积神经网络学习到的特征更加具有代表性,且能够较好地预测肿瘤的位置。在NLST以及Kaggle的数据集上对该方法进行了评估。实验结果表明,该方法具有较高的准确率和效率。