改进yolov5s模型的航拍图像目标检测算法

针对yolov5对复杂背景下的无人机航拍图像目标的检测容易出现误检漏检等情况,本文提出了一种融合递归门控卷积和混合注意力的目标检测算法。首先对特征提取网络引入递归门控卷积C3模块,以获取丰富的语义和空间信息,提高算法的精准度;其次融合全维动态卷积以及混合注意力模块增强网络对航拍目标的辨识能力,排除杂质信息的干扰;最后改进损失函数来提高模型的收敛速度。在visdrone数据集上的实验表明,该方法的平均精度为46.6%,比基准模型yolov5s提升了13.6%,对目标的漏检和误检情况明显较少。相比于yolov5算法,该算法抗干扰能力得到提升,具有很好的鲁棒性,检测速度到112帧/s,符合航拍目标检测的实时要求。     

基于注意力机制和上下文信息的目标检测算法

针对目标检测过程中存在的小目标漏检问题,提出一种基于注意力机制和多尺度上下文信息的改进YOLOv5目标检测算法。首先,在特征提取结构中加入多尺度空洞可分离卷积模块（MDSCM）以提取多尺度特征信息,在增大感受野的同时避免小目标信息的丢失;其次,在主干网络中添加注意力机制,并在通道信息中嵌入位置感知信息,进一步增强算法的特征表达能力;最后,使用Soft-NMS(Soft-Non-Maximum Suppression)代替YOLOv5使用的非极大值抑制（NMS）,降低检测算法的漏检率。实验结果表明,改进算法在PASCAL VOC数据集、DOTA航拍数据集和DIOR光学遥感数据集上的检测精度分别达到了82.80%、71.74%和77.11%,相较于YOLOv5,分别提高了3.70、1.49和2.48个百分点;而且它对图像中小目标的检测效果更好。因此,改进的YOLOv5可以更好地应用到小目标检测场景中。     

改进YOLOv3在航拍目标检测中的应用

近年来,基于深度学习的航拍目标检测在无人驾驶、军事侦察、灾害检测等领域有着广泛的应用,更精确、高效的算法是目前航拍目标检测研究的热点与难点。提出一种基于改进YOLOv3算法的航拍目标检测方法,对航拍数据集进行目标先验框维度聚类、优化锚点参数,提高了网络对航拍目标的检测有效性。同时对原网络进行改进,减少部分卷积操作并引入跳跃连接机制降低特征冗余,提高了检测准确率,并降低了小目标的误检率与漏检率。实验结果表明,改进YOLOv3算法相较于原始YOLOv3算法的效果有明显提升,对于较高分辨率的航拍图像,加快了网络的收敛速度,并在保证实时性的前提下,将检测平均准确率（mean Average Precision,mAP）提高了12.7%。     

高阶深度可分离无人机图像小目标检测算法

当前无人机图像中存在小目标数量众多、背景复杂的特点, 目标检测中易造成漏检误检率较高的问题, 针对这些问题, 提出一种高阶深度可分离无人机图像小目标检测算法. 首先, 结合CSPNet结构与ConvMixer网络, 深度可分离卷积核, 获取梯度结合信息, 并引入递归门控卷积C3模块, 提升模型的高阶空间交互能力, 增强网络对小目标的敏感度; 其次, 检测头采用两个头部进行解耦, 分别输出特征图分类和位置信息, 加快模型收敛速度; 最后, 使用边框损失函数EIoU, 提高检测框精准度. 在VisDrone2019数据集上的实验结果表明, 该模型检测精度达到了35.1%, 模型漏检率和误检率有明显下降, 能够有效地应用于无人机图像小目标检测任务. 在DOTA 1.0数据集和HRSID数据集上进行模型泛化能力测试, 实验结果表明, 该模型具有良好的鲁棒性.     

改进YOLOv3算法及其在航拍图像车辆检测中的应用

针对航拍图像中的车辆目标尺度小、特征不明显导致目标检测困难的问题,提出一种改进YOLOv3的航拍车辆目标检测方法。将空间金字塔池化模块引入到特征提取网络中,丰富卷积特征的表达能力;设计4个不同尺度的卷积特征金字塔,并通过卷积特征融合机制来实现对多层级卷积特征的融合,在融合后的卷积特征金字塔上进行目标检测。在航拍图像车辆目标检测数据集上的测试结果表明,与原YOLOv3相比,改进后的算法能够有效地提高对航拍图像中车辆目标检测效果的查全率以及查准率,并将平均均值精度(mean average precision, mAP)提升了4.5百分点。     

基于改进YOLOv2和迁移学习的管道巡检航拍图像第三方施工目标检测

针对传统目标检测算法应用在无人机航拍图像上第三方施工目标检测和违章占压建筑检测的数据集少、检测率低等问题,提出基于Aerial-YOLOv2和迁移学习的航拍图像目标检测算法。首先,利用结合数据增强的迁移学习策略训练的网络来扩大数据集规模,并利用K均值聚类分析得到符合所提数据集特点的锚点框数量和尺寸;其次,通过自适应对比度增强的方法对图像进行预处理;最后,提出改进卷积模块替代YOLOv2中的卷积块并结合特征融合的多尺度预测方式进行目标检测。用不同的算法和训练策略在无人机航拍图像上进行对比实验,实验结果表明,Aerial-YOLOv2算法结合多种训练策略后,其准确率、召回率分别能达到95%、91%,每张图像检测时间为14 ms。由此可知,该算法适用于无人机航拍图像第三方施工目标及违章占压建筑的智能检测。     

DY-YOLOv5：基于多重注意力机制的航拍图像目标检测

针对无人机航拍图像中目标小、尺度不一和背景复杂等导致检测精度低的问题,提出一种基于改进YOLOv5的无人机航拍图像目标检测算法DY-YOLOv5。该算法在检测头部分利用具有多重注意力机制的目标检测头方法Dynamic Head,提升检测头在复杂背景下的检测表现。在原模型neck部分增加一次上采样和Concat操作,并执行一个包含极小、小、中目标的多尺度特征检测,提升模型对中、小目标的特征提取能力。引入密集卷积网络DenseNet,将其与YOLOv5s主干网络的C3模块进行融合,提出C3＿DenseNet模块,以加强特征传递并预防模型过拟合。在VisDrone2019数据集上应用DY-YOLOv5算法,平均精度均值（mAP）达到了43.9%,较原YOLOv5算法提升了11.4个百分点。召回率（Recall）为41.7%,较原算法提升了9.0个百分点。实验结果证明,改进算法显著提高了无人机航拍图像目标检测的精度。     

基于非对称卷积的多车道线检测方法

针对车道检测的准确性和实时性之间不平衡的问题,构建一个基于Lanenet算法和图像增强技术的多车道线检测网络,旨在更全面地利用图像中的特征信息,提高检测精度和速度。使用多尺度Retinex算法对输入图像进行色彩增强、降噪等;设计采用一种双边多尺度融合网络实现浅层特征与深层特征之间的信息交互,获取上下文语义。提出一个新的非对称卷积金字塔模块,将非对称卷积融合到不同扩张率的空洞卷积层中,提高网络的特征提取能力,减少计算量。实验结果表明,该方法与现有的深度学习算法相比,能够在遮挡和阴影条件下更有效地检测车道线,具有更高的精度,更低的误检率和漏检率。     

自适应融合多尺度特征的无锚框遥感图像目标检测算法

针对遥感图像内容丰富且复杂,具有目标种类多、密集分布和尺寸变化剧烈等特点,导致遥感图像中目标多尺度尤其是小目标难以检测的问题,提出一种基于自适应多尺度特征融合(AMFF)和注意力特征增强(AFE)的无锚框遥感图像目标检测算法.首先将主干网络提取的图像特征输入AMFF,自适应地融合多个尺度的特征,增加特征复用,提升网络的多尺度特征表达能力;然后将AMFF输出的特征输入到加入了AFE模块的检测头中,AFE通过结合多分支空洞卷积与注意力机制,在提高网络对目标尺度的泛化能力的同时增强有效特征信息;最后进行分类和回归,得到检测结果.在DIOR和NWPU VHR-10公开数据集上,与多种主流目标检测算法的实验结果表明,所提算法在2个数据集上的平均检测精度分别为72.4%和87.4%,较基线网络分别提升9.4和13.5个百分点,比次优结果分别提升6.3和1.7个百分点;平均检测精度高于主流目标检测算法,较基线网络的平均检测精度显著提高,能够更加准确地检测小尺度目标,同时有效地提升多尺度目标的检测精度.     

改进YOLOv5的机场跑道异物目标检测算法

针对机场跑道异物(foreign object debris,FOD)在图像中目标占比小,特征不明显,经常导致误检、漏检的问题,提出一种改进YOLOv5的FOD目标检测算法。改进多尺度融合与检测部分,融合高分辨率特征图增强小目标特征表达,移除大目标检测层以减少网络推理计算量;引入轻量高效的卷积注意力模块(CBAM),从空间与通道两个维度提升模型关注目标特征的能力;在特征融合阶段采用RepVGG模块,提高模型特征融合能力的同时提高了检测精度;采用SIoU Loss作为损失函数,提升了边框回归的速度与精度。在自制FOD数据集上进行对比实验,结果表明：该方法在满足实时性的条件下,实现了95.01%的mAP50、55.79%的mAP_50:95,比原算法YOLOv5分别提高了2.78、3.28个百分点,有效解决了传统FOD检测误检、漏检问题,同时与主流目标检测算法相比,提出的改进算法更适用于FOD检测任务。     

改进Mask R-CNN在航空影像目标检测的研究应用

针对通用目标检测算法在检测航空影像目标所表现的性能缺陷,提出一种改进Mask R-CNN算法用于航空影像的目标检测。该算法增加图像融合网络,将可见光图像与红外图像进行融合,消除目标被阴影遮蔽对检测造成的影响;同时改进了特征金字塔结构,使特征提取过程中的高层语义特征和低层定位信息得到充分融合,各尺度目标的检测精度得到提升;为解决小目标检测精度低和定位难度高的问题,该算法采用新型区域建议网络SD-RPN,在不同深度的卷积层设置合理大小的滑动窗口,用以检测不同尺度类型目标,使建议区域更加精准。实验结果表明,相比较主流检测算法,该算法在VEDAI数据集上表现出色,检测精度提升较大,尤其是小目标检测的精度提升显著。     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。     

改进LDS_YOLO网络的遥感飞机检测算法研究

为解决遥感飞机检测算法网络计算复杂、检测精度低的问题,以主流网络YOLOv4为基础,从提高精度和简化模型两个方面进行改进研究,提出一种轻量级多尺度监督网络LDS_YOLO（light dense supervision YOLO）。针对遥感飞机目标细节信息提取不足的问题,改进三组多尺度融合预测层结构,在每一个支路第一次上采样前的四个卷积块之间设计密集连接方式,可以增强融合不同尺度飞机,丰富特征细节信息,提高预测准确率;针对目标特征关联度低的问题,引入一致性监督损失函数,通过监督分类网络辅助预测的同时提高检测精度;通过增加包含全局平均池化层、全连接层和特征映射层的轻量化模块,调整通道结构减少权重模型的特征冗余,降低网络参数量。在保证检测率的基础上将模型参数量降低为3.6×106,计算量为77?MFLOPs,测试检测率比原始模型损失不到2.3%,速度达到17?frame/s;通过与主流检测算法进行对比,分析轻量化后算法模型的抗过拟合能力和鲁棒性,证明轻量化遥感飞机目标检测算法的有效性和可行性。     

基于改进R-FCN的车辆目标检测方法

针对传统方法对实际环境中车辆检测精度不高的问题,提出基于深度学习中R-FCN模型进行车辆检测的方法。基于全卷积网络,结合多尺度训练使模型能够学习到不同尺寸车辆的抽象特征,在训练过程中引入可变形网络提高模型对目标变换的自适应能力,使用软化非极大值抑制的方法减少复杂环境中目标的漏检率。利用Udacity数据集进行训练和测试,实验结果表明,提出方法与R-FCN模型相比,检测的平均准确度提高了4.3%,对实际场景下的车辆有着良好的检测效果,网络具有一定的鲁棒性。     

融合非临近跳连与多尺度残差结构的小目标车辆检测

目的 基于深度卷积神经网络的目标检测模型易受复杂环境（遮挡、光照、远距离、小目标等）影响导致漏检、误检和目标轮廓特征模糊的问题，现有模型难以直接泛化到航拍场景下的小目标检测任务。为有效解决上述问题，提出一种融合非临近跳连与多尺度残差结构的小目标车辆检测算法（non-adjacent hop network you only look once version 5s multi-scale residual edge contour feature extraction strategy，NHN-YOLOv5s-MREFE）。方法 首先，设计4种不同尺度的检测层，根据自身感受野大小，针对性地负责不同尺寸车辆的检测。其次，借鉴DenseNet密集跳连的思想，构建一种非临近跳连特征金字塔结构（non-adjacent hop network，NHN），通过跳连相加策略，在强化非临近层次信息交互的同时融合更多未被影响的原始信息，解决位置信息在传递过程中被逐渐稀释的问题，有效降低了模型的误检率。然后，以减少特征丢失为前提，引入反卷积和并行策略，通过参数学习实现像素填充和突破每1维度信息量的方式扩充小目标细节信息。接着，设计一种多尺度残差边缘轮廓特征提取策略（multi-scale residual edge contour feature extraction strategy，MREFE），遵循特征逐渐细化的原则，构建多尺度残差结构，采用双分支并行的方法捕获不同层级的多尺度信息，通过多尺度下的高语义信息与初始浅层信息的逐像素作差实现图像边缘特征提取，进而辅助网络模型完成目标分类。最后，采用K-Means++算法使聚类中心分散化，促使结果达到全局最优，加速模型收敛。结果 实验结果表明，非临近跳连的特征金字塔与多尺度残差结构的多模态融合策略，在提升模型运行效率，降低模型计算资源消耗的同时，有效提升了小目标检测的准确性和鲁棒性。通过多场景、多时段、多角度的样本数据增强，强化了模型在不同场景下的泛化能力。最后，在十字路口、沿途车道双场景下包含多种车辆类型的航拍图像数据集上，对比分析4种主流的目标检测方法，本文算法的综合性能最优。相较于基准模型（YOLOv5s），精确率、召回率和平均精度均值分别提升了13.7%、1.6%和8.1%。结论 本文算法可以较好地平衡检测速度与精度，以增加极小的参数量为代价，显著地提升了检测精度，并能够自适应复杂的交通环境，满足航拍场景下小目标车辆检测的实时性需求，在交通流量、密度等参数的测量和统计，车辆定位与跟踪等场景下有较高的应用价值。     

基于密集连接卷积神经网络的道路车辆检测与识别算法

针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法.首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段的特征复用,实现对浅层复杂度较低的特征的利用;然后,在多尺度特征融合网络引入跳跃连接结构,强化...     

面向非对称特征注意力和特征融合的太赫兹图像检测

目的 太赫兹由于穿透性强、对人体无害等特性在安检领域中得到了广泛关注。太赫兹图像中目标尺寸较小、特征有限,且图像分辨率低,目标边缘信息模糊,目标信息容易和背景信息混淆,为太赫兹图像检测带来了一定困难。方法 本文在YOLO (you only look once)算法的基础上提出了一种融合非对称特征注意力和特征融合的目标检测网络AFA-YOLO (asymmetric feature attention-YOLO)。在特征提取网络CSPDarkNet53(cross stage paritial DarkNet53)中设计了非对称特征注意力模块。该模块在浅层网络中采用非对称卷积强化了网络的特征提取能力,帮助网络模型在目标特征有限的太赫兹图像中提取到更有效的目标信息;使用通道注意力和空间注意力机制使网络更加关注图像中目标的重要信息,抑制与目标无关的背景信息;AFA-YOLO通过增加网络中低层到高层的信息传输路径对高层特征进行特征融合,充分利用到低层高分辨率特征进行小目标的检测。结果 本文在太赫兹数据集上进行了相关实验,相比原YOLOv4算法,AFA-YOLO对phone的检测精度为81.15%,提升了4.12%,knife的检测精度为83.06%,提升了3.72%。模型平均精度均值(mean average precision,mAP)为82.36%,提升了3.92%,漏警率(missing alarm,MA)为12.78%,降低了2.65%,帧率为32.26帧/s,降低了4.06帧/s。同时,本文在太赫兹数据集上对比了不同的检测算法,综合检测速度、检测精度和漏警率,AFA-YOLO优于其他目标检测算法。结论 本文提出的AFA-YOLO算法在保证实时性检测的同时有效提升了太赫兹图像中目标的检测精度并降低了漏警率。     

改进YOLOV3算法在行人识别中的应用

为了避免人与物体之间相互遮挡，对小目标检测不准确，以及复杂光照强度对行人检测的影响，针对这一问题，提出了一种多尺度聚类卷积神经网络MK-YOLOV3算法，来实现对行人的识别与检测。该算法是对YOLOV3进行改进，首先通过简单聚类对图像特征进行提取，得到相应的特征图，再通过抽样[K]-means聚类算法结合核函数确定锚点位置，以达到更好的聚类。针对小目标的浅层特征信息进行多尺度融合，提高小目标的检测效果。仿真结果验证了该算法在VOC数据集上对小目标识别的精度和速度上有较大提高，以及视频智能分析中有较高的召回率和精确度。