机场使用对象检测进行安全围栏检查
安全检查是确保人民生命财产安全的第一道防线,智能安全检查是未来安全检查行业发展的必然趋势。针对 X 光图像检测过程中重叠检测对象、伪检测违禁品以及漏检的问题,提出了一种基于 YOLOv8s 的改进 X 光违禁品检测算法 CSS-YOLO。
Aug, 2023
该研究介绍了一种改进的 YOLOv5 架构,结合 FasterNet 和注意机制来增强对铁路和机场跑道上的异物的检测。还提出了一个新的数据集 AARFOD,该数据集旨在改善异物目标的识别能力。在大型数据集上的实验结果表明,该模型相比基准的 YOLOv5 模型,在精确率、召回率和 [email protected] 方面都有显著的性能提升,同时减少了约 25.12% 的参数和约 10.63% 的 GFLOPs。通过消融实验,发现 FasterNet 模块可以显著减少模型的参数数量,而注意机制的参考可以减缓轻量化带来的性能损失。
Mar, 2024
自动检测 X 射线图像中的违禁物品可以显著增加公共安全,提高机场、地铁、海关 / 邮局等地的安全人员的工作效率,并减轻其心理负担。研究表明,变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。
Oct, 2023
本文提出了一种改进的基于深度神经网络的自动化 X 射线图像检测方法,通过使用更高效的框和修改默认 NMS 算法实现更准确的物体检测,突显了大数据分析在提高公共安全方面的潜力。
May, 2023
本文提出了一种基于 YOLOV3 和 ShearLet 变换的机场检测方案,使用 MobileNet 和 ResNet18 作为基础网络并重训,同时考虑了 ShearLet 滤波器和新颖的检测子网络结构,实验结果在 DIOR 数据集上表现出明显的优越性。
Mar, 2022
评估和比较适用于识别卫星图像中飞机的一套先进目标检测算法,并使用 HRPlanesV2 数据集和 GDIT 数据集进行验证,研究表明 YOLOv5 是特定情况下从遥感数据中识别飞机的最佳模型,具有高精度和适应性。
Apr, 2024
提出了一种基于遮挡感知光流方法的图像去护栏算法,通过将图像去护栏问题划分为从单个图像自动分割栅栏,估计已知遮挡下的运动和来自捕获视频多帧的数据融合等任务,使用预训练的卷积神经网络在单个图像中分割栅栏像素,并为最终数据融合步骤在视频的遮挡帧中估计光流。通过模拟退火算法将去护栏问题建模为优化框架,反问题使用快速迭代收缩阈值算法(FISTA)解决,实验结果表明了该算法的有效性。
Sep, 2016
基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障,结果表明在较少的真实异常样本训练集下,该模型能够准确地识别绝缘子盘上的故障区域,但有一些错误预测。
Nov, 2023
该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统,结合了图像分割、增强和卷积神经网络等技术,可以在 8 秒内检测到目标,并使用合成数据生成和数据增强技术提高检测精度,这一解决方案有望帮助一线应对突发事件和搜救操作。
Apr, 2019
本文提出了一种独特的视频编辑技术,称作视频除栏技术,其利用图像差异的观测和优化像素选取,进行像素恢复和除栏, 并提出了相应的算法和工具,该算法在多个真实世界的除栏视频片段中进行了验证。
Oct, 2012