一种改进的Faster R-CNN对小尺度车辆检测研究

针对传统Faster R-CNN算法对小尺度车辆检测效果不佳的问题,提出一种改进型网络进行车辆检测的方法。首先,通过改进经典全卷积网络和区域建议网络的结构,增强低层特征与高层特征之间的信息传递;其次,增加更小尺度的锚,从而改善Faster R-CNN对小目标的检测能力;最后,增加锚选择策略,通过平衡锚数量的差异,缓解区域建议网络生成的正负锚数量不平衡问题。文中实验分别在VOC2007、Kitti、真实数据集上对所提方法和传统Faster R-CNN算法进行比较,检测准确率分别提高了9%,8.1%,8.9%。     

基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

基于多阶段提议稀疏区域卷积网络的城市交通目标检测

针对城市交通场景多目标检测算法检测速度慢，检测精度低等问题，本文提出多阶段提议稀疏区域卷积网络算法（Multi-stage Proposal Sparse Region-based Convolutional Neural Network,MPS R-CNN）.算法主要有以下特点：提出了一种多阶段提议框过滤更新机制，提高算法检测精度；提出了一种双向并联特征金字塔网络（Bidirectional Parallel Feature Pyramid Network,BPFPN），增强了模型的特征融合能力；针对城市交通场景目标检测问题引入了CopyPaste数据增强方法和CIoU损失函数.实验结果显示，MPS R-CNN算法在Urban Object Dataset数据集上mAP达到了77%，算法检测速度保持在37 fps，优于目前其他城市交通场景目标检测算法.     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法。首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的改进,重新设置Anchor boxes的个数与尺寸;最后优化改进后Faster R-CNN的损失函数,提高检测算法的整体性能。通过对测试数据集进行分析实验,结果表明改进后的检测算法平均精确度达到83.98%,较之于原Faster R-CNN,精确度提升了3.95%。     

基于改进Faster R-CNN的车辆乘员数量检测方法

针对现有以雷达技术和红外热成像技术为代表的HOV（High occupancy vehiclelane）车道车辆乘员数量检测方法可靠性差、准确率低等问题，提出一种基于多光谱红外图像与改进Faster R-CNN（Region-Convolutional Neural Networks）的车辆乘员数量检测方法。通过多光谱红外成像系统获得汽车内部空间图像，结合Faster R-CNN深度学习算法实现乘员数量检测，通过采用全卷积网络结构、多尺度特征预测、使用ROI-Align代替ROI-Pooling等方式增强网络的泛化能力。通过对样据进行K-means聚类得到目标框长宽几何比例先验分布，提高区域生成（region proposal network，RPN）网络训练速度和位置回归准确性。测试结果表明，获得的汽车内部空间图像较为清晰，算法可以实现对乘员数量的检测。经过改进，网络的泛化能力得到增强，单乘员检测的准确率达到88.6%，相比于改进前提高了13.8%，能够满足行业规定大于80%的要求。     

基于改进CenterNet的水下目标检测算法

针对常规目标检测器检测水下目标时存在特征提取困难、目标漏检等问题,提出一种改进CenterNet的水下目标检测算法。首先,使用高分辨率人体姿态估计网络HRNet代替CenterNet模型中的Hourglass-104骨干网络,降低模型参数量,提升网络推理速度;其次,引入瓶颈注意力模块,在空间维度及通道维度进行特征增强,使网络关注重要目标特征信息,提高检测精度;最后,构建特征融合模块,融合网络内部丰富的语义信息和空间位置信息,并利用感受野模块增强融合后的特征,提高网络多尺度目标检测能力。在URPU水下目标检测数据集上进行实验,与CenterNet相比,所提算法的检测精度可达77.4%,提升1.5个百分点,检测速度为7 frame/s,提升35.6%,参数量为30.4 MB,压缩84.1%,同时与其他主流目标检测算法相比具有更高的检测精度,在水下目标检测任务上更具优势。     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

基于残差与注意力机制的原棉杂质检测北大核心CSCD

针对原棉杂质检测准确率不高的问题,以新疆棉花为研究对象,提出基于残差与注意力机制的原棉杂质检测算法。该算法为2阶段算法,准确率较高。首先,采集原棉杂质图象后对图像进行标注,再进行数据增广,可以避免训练过程中的过拟合现象,接着在原框架引入视觉注意力机制,通过改进算法结构来提高原棉杂质检测的准确率。其次,通过分析对比几种不同网络对原棉杂质检测的准确度,选取ResNet50为特征提取网络,该网络提高了算法的复杂特征提取能力。最后,采用RoI Align来减少量化误差,从而提高检测原棉杂质的准确性。实验结果表明,改进的算法虽然略微增多检测时间,但其整体检测准确率明显优于原算法,整体识别的准确率可达到94.84%,较改进前Faster R-CNN(faster region-based convolutional neural network)的识别率提高了5.58%。同时通过对比不同网络模型,结果显示改进后的Faster R-CNN对原棉杂质检测的效果更好。     

基于膨胀卷积的多尺度焊缝缺陷检测算法

本文针对焊缝缺陷尺度变化不一导致的检测率效果不理想,提出了一种基于更快地区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN) 对焊缝缺陷检测的改进算法。算法利用膨胀卷积在不同扩张率下进行特征融合,结 合不同感受野下的卷积核更全面地提取不同尺度的特征信息,来提升目标的检测精度。同时 利用深度可分离卷积,来对模型进行压缩,提高检测速度。实验表明,改进后的网络在保证 运行速度的同时,能够提高检测速度,检测精度可以达到72%。     

深度学习在受电弓弓头故障检测与分类中的应用

针对因受电弓弓头形变与损坏而影响列车的安全可靠运行,提出基于深度学习的检测方法。通过采集到的列车运行中受电弓的监控视频以及实验室模拟的受电弓视频经滤波后制作数据集,任务中受电弓弓头的分类为三类,包括弓头完整,弓头残缺与弓头变形。采用基于YOLOv4与Faster R-CNN的目标检测算法对受电弓弓头进行检测。其中YOLOv4算法mAP为93.58%,Faster R-CNN算法mAP为96.85%。考虑到实际工程应用中相机采集位置与受电弓位置相对固定,所以提出另一种通过截取受电弓弓头区域再使用分类网络进行分类的方法,分类网络包括ResNet152、VGG16和MobileNetv2。三个分类网络的正确率、准确率、召回率几乎都能达到90%以上。     

基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分。交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题。文章使用结合Darknet53的YOLOv3网络,增加对于小型目标的检测能力,并且提升网络的整体检测速度。用本文的网络对交通标志进行检测,并与Faster R-CNN做对比实验,得出YOLOv3的准确率比Faster R-CNN高出59%,并且最大的FPS可达到24.5。实验结果显示出本文算法的可行性,具有卓越的实用价值。     

基于改进RetinaNet的宫颈异常细胞检测算法

宫颈异常细胞特征细微难以提取、小目标容易漏检、细胞边界回归不准确导致异常细胞检测精度不高，鉴于此，本文提出了一种结合注意力的全尺度特征融合RetinaNet(AFF-RetinaNet)宫颈异常细胞检测算法。首先，采用ResNeSt-50作为特征提取网络提取宫颈异常细胞的细微特征；其次，引入平衡特征金字塔（BFP）结构，对所有特征层进行全尺度融合，增强小目标的语义信息，并利用BFP中的非局部注意力模块获取图像的全局信息，以进一步增强特征空间的语义信息；最后，采用CIoU Loss作为回归分支的损失函数，以提高对异常细胞边界回归的准确率。另外，针对实际应用场景，基于AFF-RetinaNet算法实现了全视野宫颈细胞病理学图像（WSI）推理流程，并基于该推理流程对WSI中的异常细胞进行了检测。AFF-RetinaNet在宫颈异常细胞数据集上的平均精度均值（mAP）为83.4%，其中对小目标的mAP值（mAP-s）达到了24.4%，相较于基准RetinaNet算法分别提高了3.2个百分点和10.8个百分点。基于AFF-Retina的WSI推理结果在感兴趣区域中的mAP为70.8%。实验结果表...     

基于深度学习的可见光舰船目标检测与识别

目标检测技术是计算机视觉中的重要任务,舰船的目标检测是保证海面安全不可或缺的技术,提出了一种改进Faster R-CNN的可见光舰船图像目标检测方法.针对Faster R-CNN网络舰船目标检测时出现的尺度较为单一及ROI池化造成的精度损失问题,通过引入特征金字塔模块实现多尺度特征融合,并将ROI池化的下采样策略优化为...     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。      

基于改进YOLOv3算法的行人检测研究

YOLOv3算法在单一物体目标检测时使用Darknet53作为主干,网络出现冗余现象,导致参数过多,检测速度变慢,传统的边界框损失函数影响检测定位准确性。针对这一问题,文中提出了改进YOLOv3算法的行人检测方法。通过构造以Darknet19为主干网络多尺度融合的新型网络,加快训练速度和检测速度,还通过引入广义交并比损失函数来提高检测精确度。实验结果表明,在行人检测数据集如INRIA行人数据集中,相比于原始算法,文中所提算法的精确度提高了5%。和Faster R-CNN相比,在保证准确率的情况下,采用文中算法使单张图片的检测速度达到了每张0.015 s。     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

地面小目标快速检测算法研究

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。      

基于改进SSD的铁路障碍物检测研究

铁路安全问题中由障碍物造成的安全事故占比大,后果严重。目前,铁路障碍物的检测方法存在检测精度低、实时性差的问题,并且需要耗费大量人力。为此,文中将目标检测技术应用到铁路障碍物检测中,通过实时监控预警辅助人工巡检,提高检测效率。首先选取Faster R-CNN和SSD两种目标检测算法,根据特征提取网络性能对比,选择两种性能较好的特征提取网络VGG-16和MobileNet-v2,完成4种目标检测模型的搭建;然后通过修正参数训练,对两种模型进行对比,确定最佳模型为SSD＿VGG-16;最后在此基础上,从反卷积特征融合方面入手,对模型进行改进。测试结果表明：改进后的New＿SSD＿VGG-16模型的平均精度（mAP）为82.4%,单张图片平均检测时间为0.071 s;相较于Faster R-CNN及未改进的SSD＿VGG-16模型,文中模型在保证一定检测准确率的同时,还可以提升检测速度。     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。