基于深度学习的灾后人员检测算法研究

这是一篇关于灾后人员检测,YOLOv4,轻量化,全局上下文建模,K-means++的论文, 主要内容为近年来,各类自然灾害和人为灾害频频发生,严重威胁到了人类的生命财产安全。将深度学习目标检测算法部署到移动机器人上可以协助人类完成救援任务。然而受限于硬件设备有限的计算资源,以及灾后救援现场被困人员往往会存在掩埋遮挡、尺度不一以及重叠干扰等问题,当前主流的目标检测算法难以在高实时性检测的基础上实现高精度检测。基于上述问题,本文选取YOLOv4(You Only Look Once)目标检测算法作为基准网络,对其做了轻量化改进、注意力精度弥补以及全局上下文建模强化特征信息等优化。具体工作如下:首先,针对基准网络检测速度较慢的问题,将YOLOv4的主干特征提取网络替换成轻量级神经网络Mobile Net V2,以缩减网络层级提高计算效率。通过对比实验证明,本文提出的轻量化网络模型在检测速度上有了明显提高,同时较大程度减少了对计算机内存资源的消耗。然后,针对轻量化后精度损失的问题,将带有位置信息的通道注意力机制Coordinate Attention嵌入到改进后YOLOv4的主干网络Mobile Net V2中,使得主干网络提取到的最终特征图包含浅层特征层中的位置信息,减少了位置特征的丢失。相较于原YOLOv4网络在有了检测速度的提升下,又进一步提高了检测精度。针对灾后救援较高的时间效率要求,将YOLOv4中路径聚合模块的常规卷积替换成深度可分离卷积,先对特征图的各通道拆分以进行区域信息提取,然后再将单独的通道进行堆叠以融合不同通道间的特征信息,改进后的网络在不增加计算量的基础上进一步提高了网络的检测速度。针对图像特征信息在神经网络各层级之间流动时出现的特征损失问题,在主干网络和路径聚合网络之间添加全局上下文建模网络,使得网络在某一局部位置也可以获得全局相关特征,提高了网络对遮挡人员的检测能力。最后,针对原YOLOv4网络训练时收敛速度较慢的问题,使用K-means++算法对训练数据进行聚类处理,将聚类得到的锚框尺寸输入到改进后的网络。同时,为了提高网络对不同尺度大小人员的检测能力,对网络进行了多尺度训练。并且提出了一种改变图像RGB通道色差的数据增强方法,提高网络对在不同天气、不同光照采集到的图像的检测能力。

面向战术任务的事理图谱构建研究

这是一篇关于事理图谱,事件抽取,事件泛化,战术任务,K-means++的论文, 主要内容为战术任务是军事作战指挥中的重要部分,总结以往战术任务对于指导未来军事作战具有重要作用。战术任务是一种动态的事件知识,用于描述实体知识的知识图谱难以刻画事件对实体、事件对事件等动态且复杂的知识。随着信息技术的发展,智能化获取知识的需求也不断提高,构建一种描述事件之间演化规律及发展逻辑的知识载体成为人们进一步探索知识的迫切需要。因此,事理图谱应运而生。事理图谱是一个描述事件之间演化规律和模式的事理逻辑知识库。本文面向战术任务构建事理图谱。首先,针对军事领域缺少用于构建图谱的专用语料库的问题,定义了战术任务事件类型和事件关系,基于此标注了一定规模的原子任务和子任务语料;然后,基于构建的语料集研究了战术任务事件抽取和关系抽取。主要研究内容包括:(1)针对战术任务事件分布密集、触发词上下文噪声大的问题,本文首先运用预训练模型 BERT(Bidirectional Encoder Representation from Transformers)获取具有语义特征的句子向量,接着利用双向长短期记忆神经网络Bi-LSTM(Bi-directional Long Short-Term Memory)捕获句子上下文特征,最后利用条件随机场 CRF(Conditional Random Field)学习标注规则,从而实现从战术任务文本中抽取事件触发词和论元。通过实验结果对比分析,本文模型在战术任务的事件类型识别和论元抽取中均表现不错。(2)针对战术任务文本中缺少显示关系词的问题,提出了融合自注意力机制Self-Attention 与 Bi-LSTM 的事件关系抽取模型,该模型通过捕获句子上下文远距离的特征及深层语义信息提高了关系抽取的准确度。实验结果显示,本文模型的F1值分别达到了71%(原子任务语料集)、70%(子任务语料集),表明了该模型在实现战术任务事件关系抽取上的有效性。(3)针对原子任务事件存在较多语义相同表述不同的问题,利用改进K-means++算法对原子任务事件进行事件泛化。本文从两个方面改进了 K-means++算法:1)利用BERT模型替换传统TF-IDF方法进行事件句向量化表示;2)根据聚类对象为事件,通过计算事件相似度衡量两个样本点的距离。实验结果表明改进的K-means++算法对事件聚类效果有一定的改善,F值提升了 14.2%。本文基于上述研究方法抽取了登岛作战的战术任务事件及事件关系,并利用专家经验知识确定了子任务与原子任务之间的关系。最后,构建了战术任务事理图谱,利用Neo4j实现事理图谱的存储和可视化展示,并进一步分析了事理图谱在任务规划中的应用。

基于改进YOLOv5s的可回收垃圾检测与应用研究

这是一篇关于垃圾回收,YOLOv5s,轻量化网络,SE注意力,K-means++,迁移学习,Jetson Nano的论文, 主要内容为垃圾回收的好处很多,其有助于保护水土资源,提高居民的生活环境质量,加快绿色循环经济发展。然而传统的垃圾回收需要大量人力和物力。为了获得更高的精度,目标检测模型通常带有巨大的参数量和复杂的结构。本研究提出了一个更轻量和高效的YOLOv5s改进模型,将其用于对可回收垃圾的分类和定位,并结合可回收垃圾检测的应用开发进行相关的实践。主要的工作如下:1、对原YOLOv5s网络中,参数量较大的问题、计算复杂的部分,合理结合Shuffle Net V2基本单元、深度可分离卷积与Hard-Swish激活函数对YOLOv5s结构进行改进,降低网络的冗余性,使得结构更加紧凑。2、在原YOLOv5s网络中,对特征图通道数目较多的结构但是没有区分不同通道重要性的问题,通过嵌入轻量级的SE注意力机制,使得网络能区分不同通道的重要性,给予不同的权重。3、采用遗传算法和K-means++聚类算法,重新获得更准确的可回收垃圾锚框,便于网络边框回归调整。4、为了提高可回收垃圾检测模型的性能,采用迁移学习的方式,迁移学习选择的数据集为COCO数据集,使其预先学习COCO数据集中80个类别的丰富特征。5、针对于可回收垃圾检测模型的实际嵌入式应用开发,选用常见的Jenson Nano与树莓派4B作为微型的嵌入式平台,并进行实际的运行速度对比研究,且为了便于使用者的操作、观察效果和调节阈值,使用Pyqt5库创建图形化界面,实现可回收垃圾检测的便捷操作。6、为了研究实现在网络上的可回收垃圾检测任务,采用Flask后端与VUE前端构建了可回收垃圾检测的WEB平台。实验结果表明,改进的模型参数量压缩为原始模型参数量的60.3%,模型内存也压缩了59.2%。在输入分辨率为640×640时,在精度上,改进模型的m AP为96.43%,比原始YOLOv5s高出4.34%,在速度上,改进模型提高了在GPU平台上的并行度,通过在Jetson Nano硬件上进行部署,改进模型的前向推理速度比原始YOLOv5s加快了13.1%。另外,与目前主流的目标检测模型对比,提出的改进模型也具有很好的可回收垃圾特征表达能力,可为可回收垃圾检测的轻量化开发提供参考。

面向大数据的分布式K-means算法研究和应用

这是一篇关于Spark,Apache Beam,K-means,大数据,聚类分析,K-means++,推荐系统的论文, 主要内容为随着移动设备和传感器的大量使用,世界上每天产生的数据量越来越多,如何处理大数据成为一个热门的问题。K-means算法因为其简单、运行速度快而广泛应用于数据的分析和处理,但是由于算法初始质心的随机性导致算法容易陷入局部最优解,而传统串行K-means在处理大数据的情况下不可行,故需要和大数据框架结合。本文重点对K-means算法在大数据场景中进行改进和应用。首先针对K-means由于初始质心的随机性导致的算法不稳定问题,参照K-means++提出Init Max Furthest Manhattan K-means(IMFM K-means)算法。新算法使用标准化后的数据,首先选择离原点最远的数据点作为初始质心,随后选择距离已选质心最远的数据点作为剩余质心,并将曼哈顿距离应用于初始质心的选择。然后基于Spark将IMFM K-means算法与K-means、K-means++和提出的另外3个算法进行对比,实验结果证明了IMFM K-means能有效减少算法迭代次数和运行时间,运行结果也更加稳定。然后用Apache Beam框架实现了IMFM K-means算法,并对其做了一系列实验。第一个实验是Spark K-means和Apache Beam K-means在5个数据量、数据维度不同的人工数据集上进行对比,实验结果证明Apache Beam K-means运行速度比Spark K-means更快。第二个实验是将Apache Beam IMFM K-means和Apache Beam K-means在上述5个人工数据集上进行实验,实验证明在相同迭代次数下,Apache Beam IMFM K-means比Apache Beam K-means有更好的结果,最好的情况下,其SSE几乎是Apache Beam K-means的一半。第三个实验是将Apache Beam IMFM K-means和Apache Beam K-means在3个UCI真实数据集上进行实验,实验结果证明在相同的迭代次数下,Apache Beam IMFM K-means准确率可以和Apache Beam K-means持平或者更高,在最好的情况下,可以提升30%的准确度。第四个实验是将Apache Beam IMFM K-means和Apache Beam K-means在不同集群节点个数上进行实验,实验结果证明Apache Beam IMFM K-means的运行时间可以随着计算节点的增加而减少,有较好的扩展性。最后基于Spring Boot、My SQL、My Batis、Spark开发了一个简单的书籍推荐原型系统,将算法IMFM K-means应用于系统的推荐模块,经过测试,IMFM K-means能有效聚类书籍并完成书籍推荐功能。所有实验相关代码已上传到Git Hub:https://github.com/keeper-jie/Apache Beam Kmeans.git。

改进YOLOv5小目标检测方法在智慧矿山中的应用研究

这是一篇关于智慧矿山,小目标检测,多层融合,子像素卷积,K-means++,SIoU损失函数的论文, 主要内容为在露天矿作业场景中,使用激光云台对生产过程进行监控,在监控画面中通常存在大量的人和车辆等小目标。然而,这些小目标分布密集、分辨率低且尺度不均匀,导致目标检测算法的检测难度大,可能造成漏检或误检的情况,将给露天矿安全开采带来隐患。针对上述问题,本文提出了一种基于改进YOLOv5的小目标检测算法(Multi Layer Fusion and Super-resolution Network,MS＿Net),旨在满足露天矿作业场景中小目标的检测需求,实现矿山智能检测。具体的改进内容如下:(1)针对露天矿作业场景中小目标分布密集的问题,本文提出了多层融合模块(Multi-layer Fusion,MLF)。MLF模块融合了PANet的三个输出层和保留大量小目标位置信息的F1特征图,综合利用不同层所提供的位置信息和语义信息,增强模型对小目标的识别和定位能力,有效解决露天矿作业场景中小目标分布密集的问题。(2)针对露天矿作业场景中小目标分辨率低的问题,本文采用超分辨率方法中的子像素卷积作为模型的上采样方法。相比于双线性插值进行上采样,子像素卷积在提高分辨率的同时,可以最大限度地保留特征图的细节信息,减少特征丢失。(3)针对露天矿作业场景中小目标尺度不均匀的问题,本文使用K-means++算法自适应确定最佳的锚框数量和大小,可以更好地适应不同尺度目标的检测需求,提高模型的检测精度和鲁棒性。K-means++算法还可以减少训练时间和空间消耗。(4)为了更准确地评估小目标预测框和真实框之间的匹配程度,本文采用SIo U损失函数作为模型的定位损失函数。相比于CIo U损失函数,SIo U损失函数考虑到所需回归之间的向量角度,重新定义了惩罚指标,从而提高模型的稳定性和鲁棒性,特别是在小目标检测方面具有较好的效果。MS＿Net模型在VOC数据集上的m AP@0.5为79.4%,FPS为59;在矿山数据集上的m AP@0.5为80.2%,FPS为64.5。消融实验结果表明,MS＿Net模型提出的四种优化策略可以有效增强YOLOv5在露天矿作业场景中小目标的识别和检测能力。MS＿Net模型部署到Deep Stream平台中的检测效果和实际应用分析表明,MS＿Net模型能快速、准确、高效地检测出露天矿作业场景中的车辆和作业人员等小目标。

面向大数据的分布式K-means算法研究和应用

这是一篇关于Spark,Apache Beam,K-means,大数据,聚类分析,K-means++,推荐系统的论文, 主要内容为随着移动设备和传感器的大量使用,世界上每天产生的数据量越来越多,如何处理大数据成为一个热门的问题。K-means算法因为其简单、运行速度快而广泛应用于数据的分析和处理,但是由于算法初始质心的随机性导致算法容易陷入局部最优解,而传统串行K-means在处理大数据的情况下不可行,故需要和大数据框架结合。本文重点对K-means算法在大数据场景中进行改进和应用。首先针对K-means由于初始质心的随机性导致的算法不稳定问题,参照K-means++提出Init Max Furthest Manhattan K-means(IMFM K-means)算法。新算法使用标准化后的数据,首先选择离原点最远的数据点作为初始质心,随后选择距离已选质心最远的数据点作为剩余质心,并将曼哈顿距离应用于初始质心的选择。然后基于Spark将IMFM K-means算法与K-means、K-means++和提出的另外3个算法进行对比,实验结果证明了IMFM K-means能有效减少算法迭代次数和运行时间,运行结果也更加稳定。然后用Apache Beam框架实现了IMFM K-means算法,并对其做了一系列实验。第一个实验是Spark K-means和Apache Beam K-means在5个数据量、数据维度不同的人工数据集上进行对比,实验结果证明Apache Beam K-means运行速度比Spark K-means更快。第二个实验是将Apache Beam IMFM K-means和Apache Beam K-means在上述5个人工数据集上进行实验,实验证明在相同迭代次数下,Apache Beam IMFM K-means比Apache Beam K-means有更好的结果,最好的情况下,其SSE几乎是Apache Beam K-means的一半。第三个实验是将Apache Beam IMFM K-means和Apache Beam K-means在3个UCI真实数据集上进行实验,实验结果证明在相同的迭代次数下,Apache Beam IMFM K-means准确率可以和Apache Beam K-means持平或者更高,在最好的情况下,可以提升30%的准确度。第四个实验是将Apache Beam IMFM K-means和Apache Beam K-means在不同集群节点个数上进行实验,实验结果证明Apache Beam IMFM K-means的运行时间可以随着计算节点的增加而减少,有较好的扩展性。最后基于Spring Boot、My SQL、My Batis、Spark开发了一个简单的书籍推荐原型系统,将算法IMFM K-means应用于系统的推荐模块,经过测试,IMFM K-means能有效聚类书籍并完成书籍推荐功能。所有实验相关代码已上传到Git Hub:https://github.com/keeper-jie/Apache Beam Kmeans.git。

面向战术任务的事理图谱构建研究

这是一篇关于事理图谱,事件抽取,事件泛化,战术任务,K-means++的论文, 主要内容为战术任务是军事作战指挥中的重要部分,总结以往战术任务对于指导未来军事作战具有重要作用。战术任务是一种动态的事件知识,用于描述实体知识的知识图谱难以刻画事件对实体、事件对事件等动态且复杂的知识。随着信息技术的发展,智能化获取知识的需求也不断提高,构建一种描述事件之间演化规律及发展逻辑的知识载体成为人们进一步探索知识的迫切需要。因此,事理图谱应运而生。事理图谱是一个描述事件之间演化规律和模式的事理逻辑知识库。本文面向战术任务构建事理图谱。首先,针对军事领域缺少用于构建图谱的专用语料库的问题,定义了战术任务事件类型和事件关系,基于此标注了一定规模的原子任务和子任务语料;然后,基于构建的语料集研究了战术任务事件抽取和关系抽取。主要研究内容包括:(1)针对战术任务事件分布密集、触发词上下文噪声大的问题,本文首先运用预训练模型 BERT(Bidirectional Encoder Representation from Transformers)获取具有语义特征的句子向量,接着利用双向长短期记忆神经网络Bi-LSTM(Bi-directional Long Short-Term Memory)捕获句子上下文特征,最后利用条件随机场 CRF(Conditional Random Field)学习标注规则,从而实现从战术任务文本中抽取事件触发词和论元。通过实验结果对比分析,本文模型在战术任务的事件类型识别和论元抽取中均表现不错。(2)针对战术任务文本中缺少显示关系词的问题,提出了融合自注意力机制Self-Attention 与 Bi-LSTM 的事件关系抽取模型,该模型通过捕获句子上下文远距离的特征及深层语义信息提高了关系抽取的准确度。实验结果显示,本文模型的F1值分别达到了71%(原子任务语料集)、70%(子任务语料集),表明了该模型在实现战术任务事件关系抽取上的有效性。(3)针对原子任务事件存在较多语义相同表述不同的问题,利用改进K-means++算法对原子任务事件进行事件泛化。本文从两个方面改进了 K-means++算法:1)利用BERT模型替换传统TF-IDF方法进行事件句向量化表示;2)根据聚类对象为事件,通过计算事件相似度衡量两个样本点的距离。实验结果表明改进的K-means++算法对事件聚类效果有一定的改善,F值提升了 14.2%。本文基于上述研究方法抽取了登岛作战的战术任务事件及事件关系,并利用专家经验知识确定了子任务与原子任务之间的关系。最后,构建了战术任务事理图谱,利用Neo4j实现事理图谱的存储和可视化展示,并进一步分析了事理图谱在任务规划中的应用。

基于FAHP和K-means的软件工程教育云数据分析子系统的设计与实现

这是一篇关于软件工程,数据分析,能力评估,FAHP,K-means++的论文, 主要内容为近年来,因为互联网行业的势头仍然突飞猛进,越来越多的人尝试并努力进入软件工程领域。“互联网+”教育的形式,让更多的人能够轻松地接触并学习到不同领域的知识,如网易云课堂、中国大学MOOC、慕课网等。而SEEC(Soft Engineering Education Cloud)软件工程教育云正是在这样的环境下成长起来,为了帮助更多人学习软件工程领域能力。早期的SEEC系统集成了教育平台以及开发云平台的部分功能,能够让学生在系统中进行课程学习、课程管理、在线开发以及系统部署、测试等功能。随着SEEC系统的不断壮大,新增的需求及功能形成了不同的子系统,帮助学生在其中更好地进行学习以及自我提升。为了让学生的学习形成一个闭环,能够从上课、练习中得到反馈,从而进行自我补充以及约束管理,并且在学习的各个时期能够得到自己的软件工程能力评价,SEEC数据分析子系统从SEEC系统的各个子系统中收集到数据并进行统计分析,将分析结果呈现在学生眼前。学生可以查看自己的学习情况,获取自己的软件工程能力评估,从而调整自己的学习方法、学习状态和学习计划,帮助学生更好地进行软件工程领域学习。本文主要阐述了SEEC数据分析子系统的设计与实现。数据分析子系统从SEEC系统下的各个子系统中收集学生的学习数据以及行为数据,并进行二次分析处理。子系统设计了软件工程能力评价指标体系,并建立起软件工程能力评估模型。数据分析子系统可以根据分析后的数据对学生进行能力评估,将分析数据和评估数据用作可视化展示。SEEC数据分析子系统整体使用Spring Boot加上Vue框架进行前后端开发。本文通过FAHP模糊层次分析法划分出能力评价指标,建立各层级指标的权重排序,并利用收集分析后的学习数据计算指标评分,代入到模型中对学生软件工程能力进行评估。除此之外,系统还利用K-means++聚类算法对学生的单项能力进行聚类分析,获取学生在整体中的评级结果。在SEEC数据分析子系统的辅助下,学生可以根据自己能力数据进行专项训练或者方向选择,教师可以根据学生的学习数据调整教学计划以及教学重点,企业可以将学生的能力数据作为择才参考。

基于深度学习的小目标检测算法研究

这是一篇关于深度学习,小目标检测,K-means++,3-D注意力机制,ResNeXt的论文, 主要内容为随着深度学习的快速发展并在目标检测任务中脱颖而出,基于深度学习的目标检测技术已经被广泛应用于每个人的生活中,如自动驾驶、安防监控、医疗诊断等。如今,深度学习在常规尺寸目标检测领域中已经取得了较为可观的成绩,检测精度和检测效果已经切实可用。但与之相反的是,当前目标检测算法在小尺寸目标检测上力不胜任,存在着检测精度偏低、错检漏检现象突出等问题,已经成为目标检测领域中的短板。针对当前小目标检测领域不足的现状,本文开展基于深度学习的小目标检测算法研究,主要工作和创新性体现在以下几个方面:(1)分析小目标检测难点并建立了小目标数据集。从小目标数据集入手,针对当前小目标数据集欠缺的现状,建立一个具有极小目标的交通电子眼数据集(TEE)用于小目标检测算法的训练和测试,并对数据集中存在的数据不均衡、图像模糊等问题采用数据增强技术进行解决。选取具有一定比例小目标的公开数据集TT100K作为本文算法验证工作的基础,然后使用K-means++算法对训练和测试数据集进行anchor聚类。(2)提出一种改进的基于多分支注意力机制的YOLOv5主干网络。针对小目标特征信息不明显且易受背景信息干扰的问题,通过引入3-D注意力机制(Sim AM)和空间注意力机制(SAM),构建多分支注意力机制模块来解决。而后在YOLOv5主干网络中引入多分支注意力机制模块,增强主干网络对小目标特征信息的专注度,从而提取更多的小目标特征信息。(3)提出一种改进的基于ResNeXt和多分支注意力机制的YOLOv5主干网络。针对YOLOv5主干网络在面对小目标时出现特征提取能力不足的问题,本文在原有主干网络CSPDark Net53的基础上,参考ResNeXt思想引入分组卷积对原有的结构进行改进,并结合多分支注意力机制模块构建CSPDarknet-Xt S主干网络。然后在主干网络后结合双向加权多尺度特征融合网络(Bi FPN),增加浅层特征的融合和预测,进一步提高小目标的检测精度。实验结果表明,本文改进算法在多个小目标数据集中表现良好。在TEE数据集的实验中m AP@50达到了77.6%、识别精确率达到了83.4%、召回率达到了71.5%,相较于改进前算法在m AP@50上提高了12.6%。在公开数据集TT100K的实验结果中m AP@50取得了94.3%的较好成绩,与原有算法和最新文献方法相比有着更好的性能表现。此外,在实际的检测效果中本文算法对小目标的检出率更高,错检、漏检现象减少。