摘要：指针式机械水表主要依靠人工进行抄表和识别,存在耗时长、人工成本高、识别错误率高等缺点。近年来随着深度学习技术的发展,研究人员将其应用于水表读数识别方面。设计一套基于深度神经网络的指针式机械水表读数识别算法(PWMR-DL),可准确地识别指针式机械水表的读数,并构建指针式机械水表数据集用于算法训练和测试。针对子表盘的检测和矫正,引入MaskRCNN模型实现表盘定位与分割,并设计了高效的矫正策略对各个子表盘进行旋转校正,以提升指针式机械水表图像在不同旋转角度下识别的鲁棒性,减少误差。在子表盘读数识别阶段,引入CA注意力机制改进efficientnet模型,以提升读数识别的准确率,并通过增加分类维度到20类,细化了指针位置处于数字间隙时的判断精度。同时,结合子表盘读数序列相关性校正逻辑设计读数生成方法,有效减少了读数错误。实验结果表明,PWMR-DL算法在子表盘读数识别方面,与改进前的efficientnet模型相比精度提升了约2.4%,而且经过优化的模型仅增加了少量参数,维持了其轻量级的特性。在低分辨率图像下,PWMR-DL算法的整体识别精度可达到96.8%。

摘要：针对遥感图像目标检测模型难以在无人机、卫星以及移动设备等低算力场景下部署的问题,提出一种轻量化遥感图像检测方法EAF-YOLO。模型以YOLOv7框架为基础,采用Ef-ficientNet特征提取网络作为轻量级骨干网络,降低模型参数;在框架头部设计串行结构的空间金字塔池化层,提升内部尺度交换能力,增强对特征信息的聚合能力;采用WIoU损失函数作为回归损失,自适应地调整难易样本的权重,提高模型的检测性能。以遥感数据集DIOR进行实验,EAF-YOLO模型检测精确率达到了90.3%,参数量为9.3×10^(6),表明训练后的模型较YOLOv7具有较小的参数量,适用于遥感图像计算资源有限的场景。

摘要：为进一步解决残缺、模糊鞋印的检索困难问题,设计一种使用全局与局部特征联合表达的特征提取网络.一方面,在全局特征分支上对多尺度的鞋印全局特征进行快速归一化加权融合,并对其所有输出分别计算损失;另一方面,在局部特征分支上利用分部特征提取(PCB)模块将鞋印特征图分为3个部分,分别提取3个部分的局部特征并计算其损失.在训练阶段,将全局特征分支与局部特征分支的所有损失相加进行联合表达;在测试阶段,将两分支拼接后的输出直接展平作为待检索鞋印的描述符,并将其与样本库鞋印描述符的余弦距离作为相似性评分.实验结果表明,所提方法大幅降低模型的参数量及计算成本,并在CSS-200、CS-Database和FID-300这3个鞋印数据集上取得较高的准确率,且在CSS-200和CS-Database(Dust)数据集上的top1%取得较好的准确率,分别为94.5%和95.45%.

摘要：光学遥感图像分类是对地观测领域的关键技术之一。近年来,研究人员提出利用深度神经网络对光学遥感图像进行分类,针对部分网络模型存在特征提取不充分的问题,本文提出了一种基于场景上下文感知和注意力增强的Scefficientnet遥感图像分类方法。该方法设计了场景上下文信息感知模块(SCDM)建模目标及其周围邻域的空间关系,利用场景上下文特征增强原始特征表示,引入卷积块注意力模块(CBAM),根据通道和空间的重要性对特征图进行加权,并结合深度可分离卷积结构提取目标判别性信息,提出了ScMBConv卷积结构。在上述工作的基础上,利用基于场景上下文感知与注意力增强的Scefficientnet网络模型进行遥感图像分类识别。实验结果表明,Scefficientnet在AID数据集上实现了96.8%的分类准确率,较efficientnet提升了3.3%,参数量为5.55 M,整体性能优于VGGNet19、GoogLeNet和ViT-B等图像分类算法,验证了Scefficientnet网络模型的有效性。

摘要：目的 恶意的图像拼接篡改给名誉、法律、政治等带来一系列的挑战,而现有的图像拼接检测算法通常采用参数固定的高通滤波器提取滤波特征进行预处理,没有考虑图像之间的差异。方法 本文设计自适应残差模块(adaptive residuals module, ARM)凸显拼接篡改痕迹,将卷积运算后的残差多次拼接,且每次拼接后再利用注意力机制实现通道间的非线性交互。然后,使用通道注意力SE(squeeze and excitation)模块以减少由ARM提取残差特征产生的通道之间信息冗余,并以在图像分类领域获得卓越性能的efficientnet(high-efficiency network)为骨干网络,提出一种新的图像拼接检测算法。结果 实验结果表明,所提算法在CASIA I(CASIA image tampering detection evaluation database),CASIA II,COLUMBIA COLOR,NIST16(NIST special database 16)和FaceForensic++这5个公开数据集上分别取得98.95%,98.88%,100%,100%,88.20%的检测准确率,获得比现有算法更高的准确率。提出的ARM将骨干网络efficientnet在CASIA II数据集的准确率提高了3.94%以上。结论 提出的基于自适应残差的图像拼接检测算法充分考虑图像之间的差异,凸显篡改区域与未篡改区域之间的区别,并获得更好的拼接检测结果。

摘要：针对现有多目标跟踪算法参数量和计算量大,难以满足移动设备实时性要求的问题,本文通过改进JDE跟踪算法,提出了一种道路车辆多目标跟踪算法。首先,设计关联融合网络来解决JDE算法中多任务学习存在的竞争问题,提高算法的跟踪精度,减少身份切换次数;其次,使用改进的efficientnetv2重新构建YOLOv5的特征提取网络,降低模型复杂度,提高模型实时检测速度;最后,使用改进的YOLOv5检测算法与JDE跟踪算法结合,实现道路车辆多目标跟踪。实验结果表明,提出的方法相比原JDE跟踪算法,MOTA提高0.3个百分点、跟踪速度提高约43.2%,可以满足实际自动驾驶场景中对车辆跟踪的速度要求。

摘要：现有加密恶意流量检测方法需要利用大量准确标记的样本进行训练,以达到较好的检测效果。但在实际网络环境中,加密流量数据由于其内容不可见而难以进行正确标记。针对上述问题,提出了一种基于迁移学习的加密恶意流量检测方法,首次将基于ImageNet数据集预训练的模型efficientnet-B0,迁移到加密流量数据集上,保留其卷积层结构和参数,对全连接层进行替换和再训练,利用迁移学习的思想实现小样本条件下的高性能检测。该方法利用端到端的框架设计,能够直接从原始流量数据中提取特征并进行检测和细粒度分类,避免了繁杂的手动特征提取过程。实验结果表明,该方法对正常、恶意流量的二分类准确率能够达到99.87%,加密恶意流量细粒度分类准确率可达到98.88%,并且在训练集中各类流量样本数量减少到100条时,也能够达到96.35%的细粒度分类准确率。

摘要：当前,基于Deepfakes等深度伪造技术生成的“换脸”类伪造视频泛滥,给公民个人隐私和国家政治安全带来巨大威胁,为此,研究视频中深度伪造人脸检测技术具有重要意义。针对已有伪造人脸检测方法存在的面部特征提取不充分、泛化能力弱等不足,提出一种基于多尺度Transformer对多域信息进行融合的伪造人脸检测方法。基于多域特征融合的思路,同时从视频帧的频域与RGB域进行特征提取,提高模型的泛化性;联合efficientnet和多尺度Transformer,设计多层级的特征提取网络以提取更精细的伪造特征。在开源数据集上的测试结果表明,相比已有方法,所提方法具有更好的检测效果;同时在跨数据集上的实验结果证明了所提模型具有较好的泛化性能。

摘要：中国拥有种类繁多的鱼类,外形是其分类的重要依据。但目前主要采用人工识别方法进行分类,为解决鱼类人工识别存在的问题,提出一种基于深度学习的鱼类智能识别系统的设计,以实现对中国1400种鱼类的智能识别。系统首先采用卷积神经网络的Efficient模型,将含有1400种鱼类,50万张鱼类图片的数据集进行训练,最终得到的模型识别精度达到了95%,单张图片识别时间仅为0.2 s,模型大小为74.5 MB。系统前端使用微信小程序,后端采用Spring+SpringMVC+Mybatis的SSM架构,调用训练好的模型文件进行识别,实现了鱼类识别、页面呈现、统计分析和相邻种类推荐等功能。该系统所提出的设计和实现方法对鱼类智能识别技术在移动端的应用提供了一种可行的思路,对海洋科研人员和开发人员有一定的借鉴作用。

摘要：针对传统航拍视频图像CNN模型天气分类效果差、无法满足移动设备应用以及现有天气图像数据集匮乏且场景单一的问题,构建了晴天、雨天、雪天、雾天4类面向多场景的无人机航拍天气图像数据集,并提出了基于轻量级迁移学习的无人机航拍视频图像天气场景分类模型.该模型采用迁移学习的方法,在ImageNet数据集上训练好两种轻量级CNN,并设计3个轻量级CNN分支进行特征提取.特征提取首先采用ECANet注意力机制改进的efficientnet-b0作为主分支提取整幅图像特征,并使用两个MobileNetv2分支分别对天空和非天空局部独有的深层特征进行提取.其次,通过Concatenate将这3个区域进行特征融合.最后,使用Softmax层对4类天气场景实现分类.实验结果表明,该方法应用于移动等计算受限设备时对于天气场景分类的识别准确率达到了97.3%,有着较好的分类效果.