当前位置: 编码机 >> 编码机资源 >> 床长人工智能教程50免费pdf下载论
.
声明:本人只是分享一些靠谱的床长人工智能教程相关免费pdf下载文档而已,并非床长人工智能网校的收费文章。尊重版权,支持原创!
论文题目
工地安全
安全帽检测
计算机视觉
卷积神经网络
反向渐进注意力机制
本文提出基于卷积神经网络的单阶段的系统自动检测是否带安全帽,并确认颜色是否正确。
提出了一个新的数据集,个片,包含各种情况。
通过反向渐进注意力机制将不同层提取的不同特征融合生成一个新的特征金字塔,用预测最终的检测结果。
采用端到端的训练方式。
输入片,达到
巴拉巴拉的套话
列举一下这些人在做类似的研究––––,––
––,–––
其中,基于视觉的,基于高成本传感器。
传统方法是,给一帧建筑工地的监控视频画面,基于视觉的技术检测安全帽分为三个部分,行人检测安全帽定位和安全帽检测。
––
目前的挑战
第一,背景变化较大和行人状态导致情况复杂,在特定场景下研究问题将起扩展到其他建筑工地困难。
第二,距离摄像头较远的小尺度个体很难从背景和其他遮挡中分辨出来。
第三,许多人出现在同一像区域彼此相互遮挡。
这些都导致了安全帽检测困难。
最后,目前没有一个公共开源数据集在不同的环境下研究和检测安全帽算法。
在本文中,我们将安全帽检测的任务定位到建筑工地。
目标是识别所有个体是否带有安全帽并且识别出安全帽的颜色。
上述提到任务的困难度在于提取任何类型的手工特征的多阶段过程。
为了解决这个问题,采用卷积神经网络,能够自动进行特征学习并且在计算机视觉领域与传统像处理过程相比有更优越的性能表现。
我们工作的动机在于,检测物体采用单个直接回归边框。
然而,检测小尺度目标物体通常会失败,因为它在高分辨率底层的弱特征的固有特性,即使它构建了金字塔特征层次结构。
为了有效检测小尺度安全帽,我们使用新型聚合框架,结合将语义强的特征传回底层。
采用这个方法,从底层提取特征,使检测对象和小尺度一致,有助于检测结果。
总结一下,本文的贡献
对比当前通用的多阶段方法,本研究提供了单阶段的解决方法自动识别建筑工地上的安全帽是否佩戴。
提出的系统是端到端训练的,在尺度变化,视角改变和拥挤场景中的遮挡环境下更加有效和鲁棒。
提出聚集多尺度卷积特征。
该方案在各个建筑工地的小规模安全帽检测显示了优越性。
提出了新的安全帽佩戴检测,共有张片,包含个安全帽实例。
这些片包含了多个场景和光照变化,也包括遮挡的情况。
在中每个实例都有标记好的类标签和。
该数据集叫做。
按照惯例,安全帽佩戴检测方法可以分为两类基于传感器检测和基于视觉检测。
传感器检测方法聚焦于远程定位和跟踪技术,像和。
具体介绍略,毕竟不是做传感器检测的。
视觉检测方法,计算机视觉和模式识别技术为安全帽佩戴检测打下基础。
提出一种基于颜色的混合描述符,由局部二进制模式不变量和颜色直方组成,用于提取不同颜色安全帽的特征。
然后利用分层支持向量机将特征分为四类红色黄色蓝色和非安全帽。
提出基于算法和人类分类框架的工人检测方法。
为了进行安全帽佩戴检测,裁剪了基于先验知识的头部区域,并利用颜色空间进行分类。
通过首先使用标准偏差矩阵检测运动物体,然后使用基于聚集通道特征的物体检测器对人进行分类,来监控安全帽佩戴的框架。
然后,基于方向梯度直方特征的级联目标检测器在被识别人员的上部区域搜索安全帽,将被输入到属中基于颜色的分类组件中,这些多阶段方法严重依赖手工制作的特征来检测建筑工地上的个体。
因此,在天气多变视角不同和遮挡复杂的场景中,它们可能会失败。
最近,基于深度学习的目标检测日益流行激发了基于的安全帽佩戴检测。
提出了用方法自动检测建筑工人没有戴安全帽的情况。
总共有片帧从不同的建筑工地被收集取训练模型。
在训练阶段,工人感兴趣区域被标注训练。
在测试阶段,工人会被检测剩下的区域会被当做背景。
识别安全帽的颜色在这个工作中无法实现。
安全帽的颜色预示在建筑工地上不同的身份角色,加强工地的安全管理。
同时,模型严重依赖顶层特征提取的信息而没有充分使用底层细节,根据,像中不同比例的工人可能会影响检测结果。
针对以往工作的局限性,提出了一种新的基于框架的安全帽磨损自动检测算法。
我们展示了这种方法的优越性发布了基准数据集,它具有为研究团体和工业应用开发新的卓越算法的优势。
从建筑工地上的摄像机收集的像可能涉及许多具有挑战性的问题,例如比例变化透视变形和部分遮挡。
现有的多级安全帽佩戴检测方法通常不能有效地推广到各种现场场景,因为手工制作的特征被设计用于处理特定的情况。
为了解决这个问题,在本文中,我们提出了一种基于框架的单阶段数据驱动有线电视新闻网方法。
我们的架构概述。
是一种通用的对象检测器,建立在以一些卷积层结束的主干网络之上。
的独到之处在于在不同的层中使用中间特征映射不同比例,用于检测高分辨率要素中相对较小的对象和低分辨率要素中较大的对象。
单阶段安全帽佩戴检测模型结构。
一个简化的网络被用到这里。
提供给多个的特征金字塔由不同阶段的模块生成。
对于每个模块,根据不同阶段感受野的大小卷积层使用不同尺度的卷积核。
最终结果通过安全帽分类和回归生成。
更多的检测细节可以看。
公式说明略。
对于小尺度的安全帽佩戴检测,由于池化和卷积这样的重复下采样操作,顶层对于小分辨率包含较少的检测特征。
相比之下,大分辨率的底层保留了丰富的空间细节,但包含语义较弱的特征。
为了加速定位安全帽区域同时识别安全帽的颜色,有必要将多级功能组合到一起。
然而,现有的方法不加区分地连接多级特征是有缺陷的,因为背景中冗余的细节和干扰。
在显著对象检测和语义分割中,学习加权每个像素位置处的多尺度特征的注意机制变得越来越普遍。
受注意力机制的启发,我们提出了反向渐进注意力机制,它对多层次的上下文信息进行渐进编码以生成安全帽佩戴检测的更抽象特征。
公式说明略。
我们的实验是基于,在数据集上预训练。
我们调整了简化版本的,使用初始学习率,动量,衰减率,设置为。
所有的实验基于。
数据和模型使用搭建,并公开在上。
数据集下载的网络片,搜索引擎采用关键字搜索,包含了场景变化,视角变化,照明变化,个人姿势变化和遮挡。
片数量,训练集和测试集分别为。
其中包。。。