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。     

融合注意力机制的多尺度红外目标检测

针对红外图像存在细节纹理特征差、对比度低、目标检测效果差等问题,基于YOLOv4(You Only Look Once version 4)架构提出了一种融合通道注意力机制的多尺度红外目标检测模型。该模型首先通过降低主干特征提取网络深度,减少了模型参数。其次,为补充浅层高分辨率特征信息,重新构建多尺度特征融合模块,提高了特征信息利用率。最后在多尺度加强特征图输出前,融入通道注意力机制,进一步提高红外特征提取能力,降低噪声干扰。实验结果表明,本文算法模型大小仅为YOLOv4的28.87%,对红外目标的检测精度得到了明显提升。     

基于MobileNet的多尺度感受野特征融合算法

针对轻量化网络在目标检测中检测精度低的问题，提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性，采用基于轻量化扩充感受野模块(RFB)的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时，针对复杂注意力模块导致计算量大的问题，在主干特征提取网络添加有效通道注意力机制模块(ECA)，提高卷积神经网络的性能。实验结果表明，相较于MobileNet，所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点，模型大小分别为50.3 MB和48.5 MB，平均检测速度为34 frame·s^-1。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

基于改进SSD的合成孔径声呐图像水下多尺度目标轻量化检测模型

针对轻量化目标检测模型SSD-MV2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点。与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-MV2ESK,并为其选择了合理的扩张系数和多尺度系数。在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-MV2ESK在模型参数基本相等的条件下,检测精度比SSD-MV2提升4.71%。实验结果表明,SSD-MV2ESK适用于合成孔径声呐图像水下多尺度目标检测任务。     

基于改进SSD的合成孔径声呐图像水下多尺度目标轻量化检测模型

针对轻量化目标检测模型SSD-MV2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点.与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-MV2ESK,并为其选择了合理的扩张系数和多尺度系数.在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-MV2ESK在模型参数基本相等的条件下,检测精度比SSD-MV2提升4.71％.实验结果表明,SSD-MV2ESK适用于合成孔径声呐图像水下多尺度目标检测任务.     

融合多尺度信息和跨维特征引导的轻量行人检测

针对复杂道路场景下行人检测精度与速度难以提升的问题,提出一种融合多尺度信息和跨维特征引导的轻量级行人检测算法。首先以高性能检测器YOLOX为基础框架,构建多尺度轻量卷积并嵌入主干网络中,以获取多尺度特征信息。然后设计了一种端到端的轻量特征引导注意力模块,采用跨维通道加权的方式将空间信息与通道信息融合,引导模型关注行人的可视区域。最后为减少模型在轻量化过程中特征信息的损失,使用增大感受野的深度可分离卷积构建特征融合网络。实验结果表明,相比于其他主流检测算法,所提算法在KITTI数据集上达到了71.03%的检测精度和80 FPS的检测速度,在背景复杂、密集遮挡、尺度不一等场景中都具有较好的鲁棒性和实时性。     

基于FAttention-YOLOv5的水下目标检测算法研究

针对目前现有算法不能很好适用于水下目标检测,同时为提高水下目标检测的实时性和准确性,提出一种基于F-CBAM注意力机制的YOLOv5水下目标检测网络模型FAttention-YOLOv5.模型采用单阶段目标检测网络模型YOLOv5作为基础模型,在模型中嵌入提出的F-CBAM注意力机制,通过在CBAM结构中引用FReLU激活函数,在激活函数阶段通过二维空间捕捉复杂的特征分布情况,实现像素级的空间信息建模能力,提高模型准确率;采用F-CBAM中的通道注意力机制和空间注意力机制提高目标物体的通道权重以及扩大目标对原图的感受野,提高目标检测模型对特征的学习能力;并在FAttention-YOLOv5模型中融合递归网络特征金字塔,通过特征递归使网络充分学习不同尺度的图像特征,从而提高小目标的检测精度;最后对改进模型的损失函数进行优化,避免新模型梯度消失或爆炸.实验结果表明：所设计的水下目标检测模型FAttention-YOLOv5,可以提高模型的特征提取能力,从而有效提高水下目标检测的准确度,为海洋生物捕捉提供新型解决方案和技术辅助.     

融合多尺度特征与注意力的脑白质病变分割

针对目前磁共振脑影像上的脑白质病变分割精度较低、小病灶易漏识的问题,提出一种结合多尺度信息与注意力机制的U-Net改进模型用于脑白质病变分割.首先,引入多尺度卷积模块以拓展网络宽度,提升特征捕获能力.其次,引入混合下采样模块,对粗、细两种粒度的下采样特征进行融合以减少下采样过程中的信息损失;同时,引入跨层融合模块,通过对跳跃连接两端的编、解码信息进行融合,降低对等层间的语义差异.最后,在编码阶段采用分散注意力模式,根据深、浅层的不同特点分别设计空间注意力模块和通道注意力模块,以增强网络对病灶区域的关注度.在MICCAI2017 WMHs分割挑战赛提供的公开数据集上与同任务的其它文献算法进行对比,本文算法在召回率和相似系数的性能评估上均获得了有效提升,分别达到了0.834和0.803,这表明本文算法是一种有效的脑白质病变自动分割算法.     

基于注意力机制的改进YOLOX行人跌倒检测方法

针对现有行人跌倒检测算法在复杂场景下存在漏检、检测精度低等问题，提出一种基于注意力机制的行人跌倒检测方法 YOLOX-s-EsE。改进的模型在骨干网络中引入SimAM注意力模块，在Bottleneck和特征融合模块增加ECA通道注意力模块，以进一步提取特征层的关键信息，损失函数采用EIo U，可以更有效地计算出预测框和真实框的差距，提升模型的精度。实验结果表明，改进后的算法在复杂环境下目标的检测效果有了明显的提升，相比原YOLOX-s模型，算法的mAP提高了约1.8%，达到了89.23%，精度提高了约4.6%，达到了91.79%。     

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。     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet v3等轻量网络在YOLO v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

基于改进YOLOV4的铁轨裂缝目标检测算法

针对铁轨表面裂缝的小目标特征及传统检测方法精度低,速度慢等问题,提出一种基于改进YOLOV4的目标检测算法。首先,使用改进的RFB(receptive field block)模块替换空间金字塔池化(spatial pyramid pooling, SPP)结构,以获取特征图更大的有效感受野区域,提升算法的检测精度;其次,采用深度可分离卷积结构替代网络模型中的普通卷积结构,使网络轻量化、提升检测速度;同时,利用K-means++算法重新获取锚框,再对得到的锚框进行线性尺度变化,解决原锚框不适合小目标检测的问题。结果表明改进的YOLOV4算法,平均精度均值(mean average precision,mAP)达到84.8%,相对于原YOLOV4算法提高了3.4%;检测速度(frames per second,FPS)为62.39帧/s,提高了4.07帧/s。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution

Objects that occupy a small portion of an image or a frame contain fewer pixels and contains less information. This makes small object detection a challenging task in computer vision. In this paper, an improved Single Shot multi-box Detector based on feature fusion and dilated convolution (FD-SSD) is proposed to solve the problem that small objects are difficult to detect. The proposed network uses VGG-16 as the backbone network, which mainly includes a multi-layer feature fusion module and a multi-branch residual dilated convolution module. In the multi-layer feature fusion module, the last two layers of the feature map are up-sampled, and then they are concatenated at the channel level with the shallow feature map to enhance the semantic information of the shallow feature map. In the multi-branch residual dilated convolution module, three dilated convolutions with different dilated ratios based on the residual network are combined to obtain the multi-scale context information of the feature without losing the original resolution of the feature map. In addition, deformable convolution is added to each detection layer to better adapt to the shape of small objects. The proposed FD-SSD achieved 79.1% mAP and 29.7% mAP on PASCAL VOC2007 dataset and MS COCO dataset respectively. Experimental results show that FD-SSD can effectively improve the utilization of multi-scale information of small objects, thus significantly improve the effect of the small object detection.     

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。