基于[KG-*9]Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。     

基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

基于单阶段网络模型的目标检测改进算法

针对目前单阶段目标检测算法中存在的误检、漏检以及检测精度不够高等问题,提出一种基于单阶段网络模型的目标检测改进算法。该算法使用深度残差网络对基础网络进行替换,提取更优秀的特征;增加一层用于检测小目标的底层特征图;结合反卷积和特征融合的方法,对提取出的高层特征图与底层特征图进行融合,使新的特征图中包含更丰富的上下文信息;设计更密集的检测框且在每层卷积层后都添加批规范化操作以提升模型训练速度,防止过拟合。仿真实验结果表明,改进算法在PASCAL VOC2007数据集上较原始算法检测精度提升1.3%,检测效果更加准确,同时改进算法显著改善了误检、漏检等问题;但由于网络复杂度过高,导致检测速度有所下降。     

基于注意力机制的残差网络超分辨率重建方法

针对现有方法在图像超分辨率重建中高频信息遗漏的问题,提出一种基于注意力机制的多层嵌套残差网 络超分辨率重建方法,对不同的频次信息采用不同的特征提取方案。利用跨越残差网络结构将前端的特征信息利用 恒等映射连接直接传送到后端的注意力机制模块,添加注意力机制的多层嵌套残差网络来捕捉原始图像中隐含的特 征信息,通过深度并行残差网络结构融合图像特征信息。实验结果表明,改进后算法可有效提高图像超分辨率重建 精度。     

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明：对于SSDD+,当交并比为0.5时平均精度均值mAP_0.5达到了0.841;对HRSID进行迁移测试时,mAP_0.5能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_0.5为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。     

基于改进残差网络的高光谱图像分类算法研究

针对高光谱图像在训练样本较少时无法构建有效的深度学习分类模型的问题,对传统的残差块(residual block)模型进行改进,提出一种“金字塔”残差块分类算法。设计一种包含数十个卷积层的深度学习网络,与传统残差模型相比大大减少了参数量,且可以充分提取高光谱图像的深层空间-光谱特征;在2种开源数据集Indian Pines和University of Pavia上进行实验,同时选取了3种经典的分类方法作为对比。实验结果表明：该算法表现效果最佳,可以有效提高高光谱图像的分类精度。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用

针对合成孔径雷达（SAR）图像舰船目标检测领域舰船数据获取成本较高、数据集稀少的问题,提出一种基于像素对像素（pix2pix）生成式对抗网络(GAN)的数据增广技术。制作一个用于pix2pix GAN的数据集,通过对GAN网络的训练和测试得到800张新的SAR舰船样本,并对生成的典型样本进行了客观评价;针对传统SAR舰船目标检测算法鲁棒性差、易受斑点噪声影响的缺点,提出一种基于改进单次多盒检测器(SSD)的SAR舰船检测算法,通过在SSD加入Inception模块增强其对多尺寸目标适应性,提高检测器性能;将pix2pix GAN生成的SAR舰船数据进行标注后加入改进的SSD中,在SAR舰船检测数据集上进行大量对比实验。实验结果表明：当将生成的样本加入原SSD后,检测精度比原SSD检测算法提高了4.3%;当将生成的样本加入改进的SSD后,检测精度相比改进的SSD提高了1.9%;检测器中没有加入生成样本的情况下,改进SSD算法相比原SSD检测算法,检测精度提升了4.7%.     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

基于感知编组的SAR图像建筑物检测算法

针对合成孔径雷达(SAR)图像自动解译的需求,研究了高分辨率的SAR图像建筑物检测技术。由于人造目标按照某种方式有组织的构成,而机器视觉可以模拟人类视觉的感知编组能力获取图像的相关组织和结构,并可以根据特定的准则将提取到的图像特征编组成为更高层的结构,利用该特性,将感知编组方法用于检测建筑物,通过边缘检测和霍夫变换提取直线段基元,结合感知编组和建筑区在SAR图像上表现的亮度特征,提出了一种平行适应度函数辅助建筑物检测。基于对实测SAR图像的实验结果表明,该检测算法可靠,定位准确,并能有效地降低虚警率。     

无人机空中回收视觉导航技术

针对无人机空中回收过程中的导航问题,提出一种利用深度学习进行目标检测并配合双目视觉进行位姿 估计的技术。设计空中回收视觉导航系统,通过改进原有目标检测算法YOLOv3 框架提高回收过程中的检测精度和 速度;通过双目视觉系统对特征点进行3 维位姿解算,返回无人机和回收锥套中心相对位置信息。实验结果表明： 改进后的检测算法平均精度比YOLOv3 提高了3.2%,检测速度提高到73 FPS,检测速度明显提升;双目视觉算法 的位姿解算精确度高,两者同时满足导航系统精确性和实时性的要求。     

YOLOv4-tiny 及其改进算法在航空机务维修照相管理中的应用

针对飞机机务维修照相管理存在工作量大、不精确等问题,提出一种利用深度学习YOLOv4-tiny 算法 来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型,为解决开口销螺母及其他背景干扰,引入 注意力机制模块以改进YOLOv4-tiny。测试结果表明：准确率(precision,P)相较原YOLOv4-tiny 提高了5%,召 回率(recall,R)提高约8%,平均准确率均值(mean average precision,mAP)提高了4.9%,照片识别精度和定位精 准性方面都有较优表现,满足照相管理中对目标精准识别与比对的要求。