摘要：红外背景下的车辆检测具有重要的应用意义,为了解决在复杂背景下红外视频的车辆检测时视野中的车辆目标像素差距过大以及目标重叠的问题,提出一种改进的faster r-cnn网络模型。针对视野内车辆目标重叠率较高的问题,设计了一种改进的soft-NMS(Non-Maximum Suppression)方法对rPN(region Proposal Network)内的NMS方法进行优化。针对视野内目标像素差距过大问题,设计了三种不同尺度感受野并行检测,权重共享的特征提取结构Tri-VGG网络,并设计出一种避免网络出现过拟合的训练策略,优化后的网络检测平均精确度(AP,Average Presion)达到85.32%,相较于仅采用soft-NMS的faster r-cnn提高了3.01%,相较于传统的faster r-cnn提高了5.86%。

摘要：针对保险丝线圈字符在采集过程中曝光过度含有大量的噪声以及线圈字符被压缩情况,使用投影法结合字符先验知识进行字符分割,并将膨胀之后的清晰字符用于LeNet网络识别。在识别中,将线圈中每个字符进行标注训练,使用改进的faster r-cnn定位作识别,改进的部分为替换Backbone、寻找最佳Anchor参数、将roI Pooling替换成roI Align和设计损失函数。对比未改进网络和其他网络,实验结果表明,改进后的网络字符识别率达99.91%,具有良好的鲁棒性和泛化能力,对光学字符识别具有一定的推广和借鉴价值。

摘要：为了解决复杂背景下的无人机目标识别与检测问题,提出一种改进的更快捷的区域卷积神经网络(fasterregion-based convolutional neural network,faster r-cnn)模型。针对视野内目标尺寸与标定训练集差异问题,设计了3种不同尺度感受野并行检测、权重共享的特征提取结构——多感受野特征提取网络(trident-visual geometry group network,Tri-VGG),并设计了一种避免网络出现过拟合的训练策略,优化后的网络检测精度(average precision,AP)达到90.9%,实时性达到24帧/秒,满足实际需求。