深度学习驱动的分布式遗留物检测优化研究

该资源是一篇关于基于深度学习的分布式遗留物检测的硕士研究生学位论文，适用于毕业设计、课程设计以及相关课题的研究参考。作者过斌，由南昌大学软件学院的闵卫东教授和林德钰讲师指导，专业领域为软件工程。论文详细探讨了在视频监控中遗留物检测的重要性，尤其是针对深度学习方法在处理复杂场景光影变化和分布式系统容错率不足的问题。 正文： 遗留物检测是视频监控系统的核心技术之一，它对于安全监控和智能城市等领域至关重要。传统的遗留物检测算法在处理光照变化和复杂环境时存在挑战，而基于深度学习的方法虽然在准确性上有显著提升，但网络模型的参数量大，可能导致计算资源消耗过高。为此，论文提出了一种结合深度学习的遗留物检测模型，利用高斯混合模型进行背景建模，通过分析移动与静止区域的分离来确定可疑静止区域，并将这些区域输入到改进的深层神经网络中进行识别。 改进的网络模型称为YOLO-G，它采用了GhostNet的幽灵模块整合到CSPDarknet53主干网络中，以减少参数量。同时，网络还融合了Squeeze-and-Excitation Network (SENet)，以增强特征提取能力，从而在不显著增加参数量的情况下提升检测精度。通过大量的对比实验，YOLO-G模型在遗留物检测任务上表现出了优于其他方法的性能。 另一方面，针对分布式遗留物检测系统在应对紧急情况（如服务器故障或区域性停电）时的容错率不足，论文提出了一种基于人流量优先的任务调度算法。当服务器资源紧张时，该算法能根据任务中包含的行人数量动态调整任务优先级，确保关键任务的执行，提高了系统的整体容错能力。 这篇论文不仅提供了深度学习在遗留物检测中的创新应用，还对分布式系统容错策略进行了深入研究，为相关领域的研究者和工程师提供了宝贵的理论基础和实践参考。读者通过研读这篇论文，可以了解到如何解决深度学习模型的复杂性和分布式系统中的故障恢复问题，同时也能获取到如何优化视频监控系统性能的思路。