基于改进SSD的航拍飞机目标检测方法

针对航拍图像中对于小尺度的飞机目标出现漏检、错检的问题，在SSD(Single Shot MultiBox Detector)模型的基础上提出了一种改进SSD的航拍图像目标检测模型。首先，针对SSD模型中浅层特征图中缺乏语义、细节信息的问题，设计了一种特征融合机制，通过添加细节信息补充特征层和添加由递归反向路径获得的语义信息补充特征层来丰富浅层特征图的语义、细节信息。然后，针对SSD模型对通道以及空间信息的关注能力不足的问题，引入了结合通道和空间的混合注意力模块来提高模型整体的关注能力。最后，针对SSD模型中先验框与小尺度目标不匹配的问题，对先验框的比例进行了调整。使用自制的航拍图像数据集进行验证，结果表明改进后的模型检测精度为95.7%，相较于原模型提高了7.5%，检测速度达到30.8 FPS。     

基于深度学习的旋转目标检测技术研究

针对传统目标检测算法未考虑物体角度信息而出现的漏检、错检问题,提出了一种基于YOLOv5s的改进算法。在原始YOLOv5s的基础上,首先结合环形平滑标签技术（CSL）及对损失函数的改进,让网络有了对角度预测的能力;其次增加目标检测层提升了网络对小目标检测的能力,接着融合CBAM注意力机制让网络重点关注对有用信息的学习;最后采用迁移学习的策略初始化网络各层参数。为了验证算法的有效性,自制了标签数据集LDS并做了算法对比试验,实验结果表明,在LDS数据集上,改进后的YOLOv5s算法检测精度达89.94%,相较于原始网络,在检测速度没有下降的基础上检测精度提升了4.80%。     

基于改进SSD的X光图像管制刀具检测与识别

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。     

基于深度学习面向中小目标的检测研究

现有的网络模型在复杂场景中暴露出针对中小目标检测能力不足的问题,本文针对该问题对目标检测领域较流行的SSD网络模型进行了改进。有以下两方面:(1)针对浅层卷积层的语义信息丰富度不足和浅层信息丢失问题,采用残差网络方法对Conv4卷积单元进行改进,并将Conv4_3和Conv5_3的特征图进行了特征融合,设计了新的SSD网络模型。(2)针对Conv7层的特征图细节信息丢问题,将其与Conv3_3特征图融合,并对SSD模型的输出采用区域映射放大机制。文章分别对两次改进的模型进行实验验证。     

基于改进YOLOv4的中小型绝缘子检测

为解决中小型绝缘子在检测目标时出现的漏检、错检问题,提出一种改进YOLOv4算法的中小型绝缘子检测方法.首先,通过增加特征融合层、引入SE注意力机制的方式改变YOLOv4网络结构,以发掘更有用的中小型绝缘子特征信息.其次,在模型结尾增加负例挖掘模块,抑制复杂背景干扰,提高绝缘子检测准确度.最后,使用改进k-means+...     

基于深度学习的目标检测研究综述

目标检测是计算机视觉领域内的热点课题,在机器人导航、智能视频监控及航天航空等领域都有广泛的应用.本文首先综述了目标检测的研究背景、意义及难点,接着对基于深度学习目标检测算法的两大类进行综述,即基于候选区域和基于回归算法.对于第一类算法,先介绍了基于区域的卷积神经网络（Region with Convolutional Neural Network,R-CNN）系列算法,然后从四个维度综述了研究者在R-CNN系列算法基础上所做的研究：对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究.对第二类算法分为YOLO（You Only Look Once）系列、SSD（Single Shot multibox Detector）算法及其改进研究进行综述.最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下,展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点.     

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%。      

基于空间-通道注意力的改进SSD目标检测算法

目标检测的任务是精确识别,有效定位出图像中目标物体,且预定义其类别.针对主流目标检测(single shot multibox detector,SSD)算法存在小目标检测准确度不高,检测效率较低等问题,提出一种基于空间-通道注意力机制的SSD目标检测算法(spatial and channel single shot multi-box detector,SC_SSD).通过在SSD深层网络引入空间-通道注意力机制增强高层特征图语义信息,提高算法获取目标物体的细节与位置信息的能力,从而降低漏检率及误检率,并提高小目标物体检测的准确度.此外,利用MobileNetV2中的深度可分离卷积对SSD主干网络(visual geom-etry group network,VGG-16)进行剪枝处理,降低参数量,从而减少训练与检测的时间.在PASCAL VOC 2007数据集上进行实验,本文算法检测的精确度与速度分别为78.9％与59.4 Fps,比SSD算法提升了 3.2％与26.7 Fps,满足实时性需求.算法也优于相比较的其他算法,是一种有效可行的目标检测算法.     

基于高分辨率类激活映射算法的弱监督目标实时检测

受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖。该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务。在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框。在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能。实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性。     

基于YOLACT与Transformer相结合的实例分割算法研究

为提高单阶段实例分割的检测精度和改善小目标漏检、错检情况,提出一种基于YOLACT改进的YOLACTR算法。该算法首先利用CNN与Transformer相结合,设计一种新的头部预测网络,对特征进一步提取,并使用双向注意力来关联同一实例的掩码信息并区分不同实例之间的掩码特征,注重特征点周围的关联信息,使得检测框的预测更加准确;然后利用多级上采样和设计的CS注意力模块结合形成掩码分支,使其融入多种不同尺度信息,并利用CS注意力来关注不同的尺度信息。在MS COCO数据上,YOLACTR算法与YOLACT算法相比,其边框和掩码检测精度分别提升了7.4%和2.9%,在小目标检测上分别提升了18.9%和13.5%。实验表明,YOLACTR算法可以在多目标复杂场景下,提升检测和分割精度以及分类的准确度,改善小目标和重叠目标漏检、错检的问题。     

引入自上向下特征融合的小目标检测算法

针对原始SSD(Single Shot Multibox Detector)算法未充分利用各特征层之间关系导致浅层特征层缺乏小目标语义信息的问题,为了提高对小目标的检测能力,提出了一种结合PANet多尺度特征融合网络和自上向下特征融合路径的TTB-SSD(Top to Bottom SSD)改进算法。首先,使用PANet多尺度特征融合网络对特征进行反复提取,从而获得丰富的多尺度语义信息;然后,使用一种深层特征融合模块将浅层特征层的空间信息传递到深层特征层,进而更准确地对小目标进行定位;最后,为了增强浅层特征层的语义信息,构造了自上向下的特征融合路径,从而强化浅层对小目标检测的准确率。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到80.5%,对目标的mAP较原始SSD提高了5.7%,证明了该算法对小目标检测的有效性。     

基于注意力机制的单发多框检测器算法

单发多框检测器SSD是一种在简单、快速和准确性之间有着较好平衡的目标检测器算法。SSD网络结构中检测层单一的利用方式使得特征信息利用不充分,将导致小目标检测不够鲁棒。该文提出一种基于注意力机制的单发多框检测器算法ASSD。ASSD算法首先利用提出的双向特征融合模块进行特征信息融合以获取包含丰富细节和语义信息的特征层,然后利用提出的联合注意力单元进一步挖掘重点特征信息进而指导模型优化。最后,公共数据集上进行的一系列相关实验表明ASSD算法有效提高了传统SSD算法的检测精度,尤其适用于小目标检测。     

结合目标特性和局部背景类别预测的红外小目标检测

探索了一种结合目标特性和局部背景类别预测的红外小目标检测算法。具体研 究了红外天空小目标检测中屏蔽地物虚警的问题。在复杂的红外场景中,地面物体由于复杂多变造成 的虚警会严重影响系统的探测灵敏度和鲁棒性。如果仅从目标特性入手,难以滤除地物虚警。首先利 用新 Top Hat 变换提取出潜目标。然后,对每个潜目标,一方面利用目标特性获得一种潜目标为真实目标的 可能性度量,另一方面考虑潜目标一定大小的邻域背景,根据对背景类别(天空或者地物)的预测获得 另一种可能性度量。最后,结合两种度量滤除虚假目标。实验表明,相比仅考虑目标特性的算法,本文 算法的探测性能有了很大提升。     

基于改进YOLOv5的PCB小目标缺陷检测研究

面对印刷电路板(print circuit board,PCB)小型化、多层化、高集成化的趋势,针对目前PCB缺陷检测方法存在漏检、特征提取困难、误检率高以及检测性能差等问题,本文提出了基于改进YOLOv5算法的PCB小目标缺陷检测方法。该方法先针对PCB小目标缺陷特点采用DBSCAN(density-based spatial clustering of applications with noise) +二分K-means聚类算法以找到更适合的锚框;然后对YOLOv5的特征提取层、特征融合层以及特征检测层进行改进,增强关键信息的提取,加强深层信息与浅层信息的融合;从而减少PCB缺陷的误检率、漏检率,以提高网络的检测性能;最后在公开PCB数据集上进行相关对比实验。结果表明,改进后模型的平均精度(mAP)为99.5%,检测速度为0.016 s。相比于Faster R-CNN、YOLOv3、YOLOv4网络模型,检测精度分别提升了17.8%、9.7%、5.3%,检测速度分别提升了0.846 s、0.120 s、0.011 s,满足PCB缺陷在实际工业生产现场的高精度、高速度检测要求。     

YOLOv3-A:基于注意力机制的交通标志检测网络

为了解决已有YOLOv3算法对于存在小目标问题和背景复杂问题的交通标志检测任务会有较多的误检和漏检的问题,在YOLOv3算法的基础上,提出了目标检测的通道注意力方法和基于语义分割引导的空间注意力方法,形成YOLOv3-A算法.YOLOv3-A算法通过对检测分支特征在通道和空间2个维度进行重新标定,使网络聚焦和增强有效特...     

改进型卷积神经网络焊点缺陷识别算法研究

为了同时对多种焊点缺陷类型进行快速识别,解决现有焊接异常图像识别算法误检率与漏检率偏高的问题,设计了基于改进型卷积神经网络的深度学习算法。利用自组织映射分类技术,提高了卷积神经网络的数据选择自适应性,结合自适应矩估计分析, 约束了焊接异常图像中特征集合的收敛条件。实验中将5种常见焊接异常图像以等比例随机分布的形式放入训练集、验证集和测试集中,再分别用传统识别算法(canny算法和k均值算法)和该算法进行测试。结果表明,对于桥连缺陷,3种方法均无误检、无漏检;对于小球缺陷,3种方法均符合要求,而canny算法的检出能力最优;对于偏球缺陷, 3种算法的误检率分别是12.4%, 7.3%和与1.4%,漏检率分别是13.3%, 6.5%和1.1%;对于虚焊和少锡缺陷,该算法相比传统算法精度高约1个数量级。该算法在对多种焊点缺陷类型识别中具有明显优势。     

一种改进的DSOD目标检测算法

针对DSOD目标检测算法对小目标检测能力较弱的问题,提出在DSOD中引入RFB_a网络模块和Atrous卷积层予以改进。首先,该算法将DSOD网络的第二个转接层产生的特征图输入到RFB_a网络模块中,经过RFB_a网络不同采样步长的Atrous卷积提取具有不同感受野的特征,为后续检测小目标步骤提供所需特征;其次,为了增加特征图的语义信息,在第二个无池化转接层后加入采样步长为6的Atrous卷积层;最后,在损失函数中加入IOG惩罚项,防止在预测密集的同类型目标时出现同类预测框重叠,从而避免在NMS后处理时出现漏检。实验表明,该算法相对于原DSOD算法具有更高的检测精度,提高了对小目标的检测能力,同时降低了训练网络的硬件设备要求。     

改进的SSD算法在智慧交通中的应用

针对智慧交通管理系统中交通车辆监控、车流量统计、违法车辆追踪等问题,为了提高目标车辆检测的准确率和效率,提出了一种改进的SSD( Single Shot MultiBox Detector)目标检测算法.该算法将相邻的卷积层进行特征信息融合,提高准确率;通过减少部分卷积层的深度,提高计算效率;为了提高泛化能力,在减少1...