针对人群异常行为检测任务中存在的算法复杂度较高, 重叠遮挡等带来的检测精度低等问题, 本文提出一种基于改进 SSD(Single Shot Multi-box Detector)的人群异常行为检测算法。首先采用轻量级网络 MobileNet v2代替原始特征提取网络 VGG-16, 并通过可变形卷积模块构建卷积层来增强感受野, 然后通过将位置信息整合到通道注意力中来进行特征增强, 能够捕获空间位置之间的远程依赖关系, 从而可以较好处理重叠遮挡问题。实验结果表明, 本文提出的算法对人群异常行为具有较好的检测效果。

鉴于深度学习在图像识别领域的重大进展，在无人直升机自主着舰的应用背景下，针对较为复杂的着舰环境和着舰标志设计，采用单级多区域检测(SSD)网络对着舰标志进行识别。针对SSD网络对小目标识别率低的缺点，基于深度残差网络和特征金字塔网络结构对SSD网络进行了改进，使用ResNet101代替VGG-16网络，并利用特征金字塔网络结构改进传统上采样结构，将检测网络的高层语义信息融入低层特征信息中，最后通过实验验证了改进网络的识别效果。

This paper proposes a method for the rapid detection of subsurface damage (SSD) of SiC using atmospheric inductivity coupled plasma. As a plasma etching method operated at ambient pressure with no bias voltage, this method does not introduce any new SSD to the substrate. Plasma diagnosis and simulation are used to optimize the detection operation. Assisted by an SiC cover, a taper can be etched on the substrate with a high material removal rate. Confocal laser scanning microscopy and scanning electron microscope are used to analyze the etching results, and scanning transmission electron microscope (STEM) is adopted to confirm the accuracy of this method. The STEM result also indicates that etching does not introduce any SSD, and the thoroughly etched surface is a perfectly single crystal. A rapid SSD screening ability is also demonstrated, showing that this method is a promising approach for the rapid detection of SSD.

针对行人头部易受光照变化和遮挡的影响而导致目标检测准确率较低的问题,提出一种基于多尺度融合的双通道SSD(Single Shot Multibox Detector)行人头部检测算法。首先在SSD网络上增加一条深度通道,将带有深度信息的头部特征与SSD网络的特征进行融合,形成双通道SSD网络;然后在双通道SSD网络的基础上,将具有丰富语义信息的高层特征图与低层特征图进行特征融合,实现更精确的头部定位;最后重新调整SSD的先验框以减少SSD网络的计算量。实验结果表明,在光照和遮挡的情况下,相比于传统SSD目标检测算法,改进后算法的检测精度提高了12.9个百分点,其可有效解决光照变化和遮挡对行人头部检测的影响。

针对应用于嵌入式设备的轻量级目标检测算法, 本文提出了一种基于特征融合的改进方案。针对目前MobileNetV2-SSD轻量级目标检测算法检测精度低、小目标检测效果差的问题, 结合FPN特征金字塔的特征融合思想, 选用了MobileNetV2-SSD中包含较多语义信息的3层特征层进行融合, 利用多尺度检测的原理, 将融合后的特征层重新生成特征金字塔进行目标检测。使用PASCAL VOC 2007数据集对改进后的目标检测模型和原模型进行对比测试, 其检测精度mAP相对原模型提高了3.9%, 达到了76.5%, 同时模型对于小目标的检测效果也有了显著提升。最后将模型部署至嵌入式设备Jetson AGX Xavier中进行测试, 改进后的模型在网络结构更加复杂的情况下检测速度接近原模型, 达到了22 FPS的检测速度, 可以实现嵌入式设备上的实时目标检测。

针对目前隧道内漏缆卡具检测数据量大、人工检测效率低的问题,提出了一种基于改进single shot MultiBox detector(SSD)算法的隧道漏缆卡具检测算法。该算法使用不同尺度的特征图检测卡具目标,并在网络宽度和网络深度上对SSD网络结构进行改进。结合Inception结构,增加网路宽度;采用残差结构,在提高网络深度的同时优化网络深度结构;使用深度可分离卷积和1×1卷积结构,减少模型参数量,改善模型结构,从而提高模型检测效率。将改进后的模型应用于隧道漏缆卡具图像检测,实验结果表明,该算法检测的平均准确率达到了86.6%,检测速度达到了26.6 frame/s,相较于原始SSD算法和MobileNet SSD算法,具有明显优势。

红外小目标检测因其探测距离远、抗干扰能力强等特点, 在空中目标探测与跟踪系统中得到了广泛的应用。针对目前红外小目标检测算法在复杂背景下检测准确率低、虚警率高等缺点。提出了一种基于多尺度特征融合的端到端红外小目标检测模型(multi-scale feature fusion single shot multibox detecto, MFSSD)。考虑到红外小目标的特点, 通过细化和融合特征图的方法提出了一种特征融合模块, 通过 SP模块提高特征图不同通道的相关性, 3种不同序列红外图像的实验结果表明, 该算法在红外小目标检测中的平均检测精度高达 87.8%。与传统的多尺度目标检测算法相比, 准确率和召回率都有显著提高。

提出了一种基于深度学习的门牌检测方法,以实现室内环境中移动机器人的全局定位。具体步骤为:基于MobileNet-SSD算法对单目相机获取的图像进行门牌区域检测;提出一种改进的旋转投影方法用于倾斜图像校正;通过kNN(k-Nearest Neighbors)算法进行门牌号识别;根据事先采集的各个门牌的正视模板图片进行SURF(Speeded Up Robust Features)特征点匹配,进而实现基于n点透视(PnP)问题的相机位姿求解;根据坐标变换实现移动机器人的全局定位。使用移动机器人在室内办公环境下进行定位实验,结果表明,基于该方法实现的平均位置误差约为7 cm,朝向误差为0.1712 rad,相较于只使用自适应蒙特卡罗方法时位置误差减小了约50%,朝向误差减小了约57%。