摘要：针对输电线路无人机巡检图像中螺栓尺寸小且特征不明显等特点而导致故障螺栓检测精度低、检测速度慢等问题,提出一种NanoDet-YOLOv5-GN级联网络检测系统。其系统整体采用分级检测原则,采用NanoDet网络对巡检图像进行处理、定位,并分割螺栓连接部位,增大螺栓在整体图像中的占比;使用改进的YOLOv5-GN网络对缺陷螺栓进行检测。在改进的YOLOv5-GN网络中,在backbone部分嵌入了CBAM注意力模块,在neck部分引入了gnConv重构颈部网络,在head层新增小目标检测层,强化模型对于小目标特征的提取能力。并采用800幅线路无人机巡检缺销螺栓图像对其进行实验验证和测试,结果表明,所提级联网络检测系统的准确率为94.5%,召回率为91.4%,mAP为76.1%,其检测速度达到平均25.2帧/秒,能够较好地满足无人机巡检速度与精度上的要求。

摘要：识别多尺度目标和遮挡目标是目标检测中的重点和难点。为了检测不同大小的目标,目标检测器通常利用卷积神经网络(CNN)的多尺度特征图层次结构,然而这种自顶向下的结构由于底层特征图的卷积层较小,缺乏获取小目标特征所需的细节信息,这些目标检测器的性能受到了限制。为此,结合Faster R-CNN框架提出Collaborative R-CNN,设计了一种级联网络结构,可以融合多尺度特征图,以生成深度融合的特征信息来增强小目标所需的细节特征,从而提高检测小目标的能力。此外,由于使用RoIPooling过程中的量化会对小目标检测造成极大的限制,为进一步提高方法的鲁棒性,设计了多尺度RoIAlign来消除这种量化,并通过多尺度的池化来提高网络检测不同尺度目标的能力。最后,将对抗网络与所提出的级联网络相结合,生成包含遮挡目标的训练样本,可显著提高模型的分类能力和识别遮挡目标的鲁棒性。在PASCAL VOC 2012和PASCAL VOC 2007数据集上的实验结果表明,提出的方法优于许多先进的方法。

摘要：长期的高速行驶会引起车辆振动,使钢轨顶面形成孔洞、擦伤和疤痕等各种缺陷,这些缺陷不仅会影响钢轨顶面的外观,还会对钢轨的性能和安全性产生长期不利影响。针对钢轨顶面缺陷类型多变、背景杂乱、对比度低、噪声干扰等因素影响,提出一种基于级联网络的钢轨顶面缺陷检测方法。利用图像垂直微分投影法分割出钢轨顶面区域,在此基础上使用级联网络对钢轨顶面上的疤痕缺陷进行检测。其中,为更好地优化缺陷特征细节,在特征提取阶段引入轻量级的卷积注意力机制模块;采用信道加权模块与残差解码器模块相结合的方式进行缺陷特征恢复;为得到边缘清晰的缺陷对象,在特征恢复之后设计了一个边界精细化网络结构。实验结果表明,该方法的平均绝对误差仅为0.0012,AUC值达到0.9935,单张图片平均检测速度仅为0.041 s,对于Ⅰ型和Ⅱ型钢轨顶面疤痕缺陷的检测精度分别达到98.6%和96.4%。利用该深度学习网络模型能较好地检测出钢轨顶面的疤痕缺陷,具有较高的工程实用价值。

摘要：提出了一种基于深度学习技术的年龄和性别识别方法,建立了人脸识别硬件与软件系统。运用经典的反向传播算法确定预测函数的权重矩阵和偏差。针对单个识别网络准确率不高的问题,采用多个神经网络级联的方式,对输入的目标特征进行多次判定。通过设计一种投票竞争算法,让级联网络的识别结果自动进行竞争,获胜者作为最终的预测结果。预测结果与实验数据对比表明采用级联网络可有效提高对年龄性别的识别准确率,级联后的识别准确率分别达到了88%和82.61%。

摘要：针对复杂环境下行人检测不能同时满足高召回率与高效率检测的问题,提出一种基于卷积神经网络(CNN)的行人检测方法。首先,采用CNN中的单步检测升级版网络YOLOv2初步检测行人;然后,设计一个网络与YOLOv2网络级联。设计的网络具有目标分类和边界框回归的功能,对YOLOv2初步检测出的行人位置进行再分类与回归,以此降低误检,提高召回率;最后,采用非极大值抑制(NMS)处理的方法去除冗余的边界框。实验结果显示,在数据集INRIA和Caltech上,所提方法与原始YOLOv2相比,召回率提高3. 3个百分点,准确率提高5. 1个百分点,同时速度上达到了11. 6帧/s,实现了实时检测。与现有的流行的行人检测方法相比,所提方法具有更好的整体性能。

摘要：为了在服装关键点检测过程中实现速度与精度更好的平衡,基于人体姿态估计网络YOLOv8s-Pose,提出一种基于级联架构和融合几何信息的T恤关键点检测方法YOLO-T-Shirt。首先,借鉴CFNet架构,将级联融合的网络设计架构引入YOLOv8s-Pose,对原有特征提取和特征融合架构进行重新设计,以更好的融合多尺度特征,从而对服装尺度及形状多变有良好的鲁棒性;其次,对原生OKS损失函数进行优化,提出了一种融合几何信息的高效关键点相似度损失函数EOKS(Efficient Object Keypoint Similarity),其融合了面积、宽、高和框中心点距离几何信息,提高了关键点检测的准确率。所提方法在DeepFashion 2数据集T恤类关键点检测任务中达到了0.760的预测准确率,接近目前准确率最高的服装关键点检测算法的精度0.765,而推理速度是其9倍以上。

摘要：视频中的目标检测与跟踪是实现智能监控系统的关键,在行为分析、辅助驾驶系统、机器人视觉等领域都有着广泛的应用。而对行人的检测与跟踪是其中的关键环节之一。为了在监控场景下准确的进行行人检测,本文深入研究了行人检测算法,并对相关的算法进行优化,设计出了一种基于卷积神经网络(Convolutional neural network,CNN)级联网络的监控视频行人检测系统。在该方案中,引入级联CNN网络在拥挤场景中准确地检测行人,为跟踪行人奠定了基础。本文在论述了以上的创新方法后,釆用神经网络对和人体数据库进行训练后,以实际监控视频作为测试数据进行实验。实验结果表明了本文创新方法具有较好的可行性和有效性。

摘要：算法通过调整输入图片的大小、扩大最小人脸尺寸以及减小检测窗口层间放缩比例等方式,在保证准确率的同时极大的提升了人脸检测速率,其检测效率为原始MTCNN (multitask casaded convolutional networks)的18倍;构建新的卷积神经网络结构模型检测眼、嘴,网络检测的准确率可以达到95.6%。将设计的检测网络与经过改进后的MTCNN进行级联,在已经检测出来的脸部区域继续对眼、嘴进行分类及定位;设置综合性的疲劳检测函数,加强了由于单一特征而出现的虚检及误检等错误检测,准确率可以达到95.7%。

摘要：加速器束流轨道校正对于加速器稳定运行具有非常重要的作用,精确预测加速器束流轨道的变化对于实现束流自动化校准也具有重要意义。通过对束流轨道变化的准确预测,可以为调整加速器控制参数提供可靠的信息,从而实现对束流的精确控制和调节。通过研究束流在直线加速器中等能量传输段的传输过程,利用模拟加速器数据,基于多级级联的反向传播(BP)神经网络搭建了加速器束流轨道预测模型,能够实现对束流轨道参数的预测。结果表明,与采用传统单隐层BP神经网络建立的预测模型相比,多级级联BP神经网络能够实现更高的预测精度与可靠性,为直线加速器中等能量传输段的优化设计和束流轨道自动化校准提供了一种有效的方法。

摘要：针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题,从血管形状拓扑关系利用的角度出发,探索多任务卷积神经网络设计,提出骨架图引导的级联视网膜血管分割网络框架.该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体.骨架提取辅助任务用于提取血管中心线,能够最大限度地保留血管拓扑结构特征;自适应特征融合结构体嵌入在两个模块的特征层间.该结构体通过学习像素级的融合权重,有效地将血管拓扑结构特征与血管局部特征相融合,加强血管特征的结构信息响应.为了获得更完整的骨架图,骨架图提取网络还引入了基于图的正则化损失函数用于训练.与最新的血管分割方法相比,该方法在3个公共视网膜图像数据集上均获得第一名,在DRIVE,STARE和CHASEDB1中其F1值分别为83.1%,85.8%和82.0%.消融实验表明骨架图引导的视网膜血管分割效果更好,并且,基于图的正则化损失也能进一步提高血管分割准确性.通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性.