摘要：为实现快速准确地检测轮对踏面缺陷,针对轮对踏面噪声干扰大、传统检测算法特征融合不充分的问题,提出一种基于残差注意力的YOLO-v5列车轮对踏面缺陷快速检测方法。首先,针对噪声干扰大的问题,设计了一个残差注意力降噪模块,以有效提升模型检测准确率,并使用Grad-CAM类激活映射技术验证残差注意力模块降低噪声干扰的作用;其次,针对特征融合不充分和模型容易产生漏检的问题,使用一种双向特征金字塔特征融合模块,对主干网络提取的特征进行高效融合,从而有效地降低检测漏检率;最后,采集了数百幅轮对踏面真实缺陷图像,并与5种经典检测模型进行对比,验证了算法的优越性。试验结果表明,该算法能够达到77.9%的准确率和72.3%的召回率,同时所提算法的图像检测速度能达到125幅/秒,模型权重仅为15.1 MB。该模型能快速准确地检测出剥离和凹陷2种缺陷,可便捷地应用于实际的轮对踏面实时缺陷检测场景。

摘要：头部姿态角转换会造成人脸成像多姿态变化,人脸离散数据的高斯分布混乱,无法准确地反映人脸多姿态的任意性和连续性,存在识别效果差的问题。引入生成对抗网络理论,设计多姿态人脸识别算法。对获取到的不同角度人脸图像,实施多姿态人脸校正与旋转残差注意力计算,解决当前头部姿态估计方法对不同人脸兴趣区域不稳健的问题。设计生成对抗网络进行双路循环优化,在生成的对抗网络中,参考CASIA-Net网络结构,使用深层次网络结构,每一层都有一个3*3的卷积核。所提出的设计可以降低网络参数,增强网络的非线性度,实现高效的面部特征提取,构建人脸多姿态识别模型,并完成人脸识别。通过实验结果表明,所提算法针对多姿态人脸识别效果好,在人脸不同姿态变化过程中,识别率始终在97%以上,更适用于多姿态人脸识别。

摘要：自然场景下的文本信息通常具有多样性和复杂性的特点。由于采用手工设计特征的方式,传统的自然场景文字检测方法缺乏鲁棒性,而已有的基于深度学习的文本检测方法在各层网络提取特征的过程中存在丢失重要特征信息的问题。文中从多粒度和认知学的角度,提出了一种结合多粒度特征融合的自然场景文本检测方法。该方法的主要贡献是通过对通用特征提取网络的不同粒度特征进行融合,并加入残差通道注意力机制,使得模型在充分学习图像中不同粒度特征信息的基础上,更加关注目标特征信息并抑制无用的信息,提升了模型的鲁棒性和准确率。实验结果表明,相比其他最新的方法,该方法在公开数据集上取得了85.3%的准确率和82.53%的F值,具有更好的性能。