为了提高校园监控系统对目标人物的识别准确度,从人脸检测算法与人脸识别算法两个模块对系统进行改进。一方面通过替换检测网络颈部结构中的常规卷积层为DO-Conv,并改进IOU损失函数,提高YOLOv5人脸检测算法的检测精度;另一方面通过引入h...为了提高校园监控系统对目标人物的识别准确度,从人脸检测算法与人脸识别算法两个模块对系统进行改进。一方面通过替换检测网络颈部结构中的常规卷积层为DO-Conv,并改进IOU损失函数,提高YOLOv5人脸检测算法的检测精度;另一方面通过引入h-swish激活函数与SE注意力机制,提高Mobile Face Net人脸识别算法的识别效果。实验证明,所提改进人脸检测算法,在保持YOLOv5算法较快运算速度的情况下,提高了算法的精确度,检测精度达到91%,综合性能最佳;所提改进人脸识别算法的识别精度同样在保证较小的参数量与较快的运算速度的同时,提高了算法的识别精度,相较于原始Mobile Face Net算法与SphereFace算法,提高了0.11%和0.16%,具有更好的识别结果。基于改进人脸检测算法与改进人脸识别算法搭建的校园安全监控系统,对目标人物的识别准确率较高,平均准确率达到913.31%,符合校园安全监控需求,值得进一步研究和推广。展开更多
林地在全球生态系统中扮演着至关重要的角色。但传统监督学习方法在林地提取上存在特征选择不精确与未能充分利用像元间的上下文关系等缺陷,导致林地提取精度不理想。针对上述问题,本文提出了一种基于改进PSPNet(Pyramid Scene Parsing ...林地在全球生态系统中扮演着至关重要的角色。但传统监督学习方法在林地提取上存在特征选择不精确与未能充分利用像元间的上下文关系等缺陷,导致林地提取精度不理想。针对上述问题,本文提出了一种基于改进PSPNet(Pyramid Scene Parsing Network)模型的高分辨率遥感影像林地提取方法。首先,利用高分二号遥感影像与全国第三次土地调查数据,制作高分辨率林地数据集。其次,通过在原始PSPNet模型的基础上加入SE(Squeeze and Excitation)注意力模块,改进PSPNet模型。实验结果表明,本文所改进的PSPNet模型的各项精度指标均优于其他方法,具有较高的提取精度。展开更多
文摘为了提高校园监控系统对目标人物的识别准确度,从人脸检测算法与人脸识别算法两个模块对系统进行改进。一方面通过替换检测网络颈部结构中的常规卷积层为DO-Conv,并改进IOU损失函数,提高YOLOv5人脸检测算法的检测精度;另一方面通过引入h-swish激活函数与SE注意力机制,提高Mobile Face Net人脸识别算法的识别效果。实验证明,所提改进人脸检测算法,在保持YOLOv5算法较快运算速度的情况下,提高了算法的精确度,检测精度达到91%,综合性能最佳;所提改进人脸识别算法的识别精度同样在保证较小的参数量与较快的运算速度的同时,提高了算法的识别精度,相较于原始Mobile Face Net算法与SphereFace算法,提高了0.11%和0.16%,具有更好的识别结果。基于改进人脸检测算法与改进人脸识别算法搭建的校园安全监控系统,对目标人物的识别准确率较高,平均准确率达到913.31%,符合校园安全监控需求,值得进一步研究和推广。
文摘林地在全球生态系统中扮演着至关重要的角色。但传统监督学习方法在林地提取上存在特征选择不精确与未能充分利用像元间的上下文关系等缺陷,导致林地提取精度不理想。针对上述问题,本文提出了一种基于改进PSPNet(Pyramid Scene Parsing Network)模型的高分辨率遥感影像林地提取方法。首先,利用高分二号遥感影像与全国第三次土地调查数据,制作高分辨率林地数据集。其次,通过在原始PSPNet模型的基础上加入SE(Squeeze and Excitation)注意力模块,改进PSPNet模型。实验结果表明,本文所改进的PSPNet模型的各项精度指标均优于其他方法,具有较高的提取精度。
