检索结果

Select

1. 同一场景下超大尺度差异物体的识别和定位方法

王一婷, 张柯, 李捷, 郝宗波, 段昶, 朱策

计算机应用 2020, 40 (12): 3520-3525. DOI: 10.11772/j.issn.1001-9081.2020040466

摘要（354）

PDF （1355KB）（428）

近年来，深度学习在物体检测方面取得了非常好的效果和突飞猛进的发展，但在某些特殊场景下，如要求同时检测尺度相差极大的目标物体（相差大于100倍）时，现有的物体识别方法的性能急剧下降。针对同一场景下超大尺度差异物体识别与定位问题，对YOLOv3框架进行了改进，结合图像金字塔技术来提取图像的多尺度特征；并在训练过程中，针对不同尺度的目标提出采用动态交并比（IoU）的策略，此策略可以更好地解决样本不均衡的问题。实验结果表明，该模型对同一场景下超大超小物体的识别能力有了明显的提升。将之应用于机场环境，取得了较好的应用效果。

参考文献 | 相关文章 | 多维度评价

Select

2. 卷积神经网络研究综述

李彦冬, 郝宗波, 雷航

计算机应用 2016, 36 (9): 2508-2515. DOI: 10.11772/j.issn.1001-9081.2016.09.2508

摘要（6105）

PDF （1569KB）（17456）

近年来，卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果，其强大的特征学习与分类能力引起了广泛的关注，具有重要的分析与研究价值。首先回顾了卷积神经网络的发展历史，介绍了卷积神经网络的基本结构和运行原理，重点针对网络过拟合、网络结构、迁移学习、原理分析四个方面对卷积神经网络在近期的研究进行了归纳与分析，总结并讨论了基于卷积神经网络的相关应用领域取得的最新研究成果，最后指出了卷积神经网络目前存在的不足以及未来的发展方向。

参考文献 | 相关文章 | 多维度评价

Select

3. 联合多特征的自动CamShift跟踪算法

卢璇雷航郝宗波

计算机应用 2010, 30 (3): 650-652.

摘要（1501）

PDF （484KB）（1192）

针对CamShift跟踪算法仅采用颜色作特征，易发生跟踪错误等问题，提出了一种基于特征融合的算法。采用改进的背景差分法自动检测目标，目标模型联合了颜色和梯度方向特征，并对特征的可信度进行加权处理，有效解决了CamShift算法在有颜色相近的干扰目标存在情况下跟踪可能失效的问题。实验表明，该算法提高了跟踪的准确性和稳健性。