基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。     

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YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR(YOLO for Multi-scale IR image)。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

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。     

基于显著性与尺度空间的红外弱小目标检测

针对复杂的天空背景,提出了一种基于显著性与尺度空间的红外弱小目标检测算法.首先通过频域残差法对原始图像进行初步处理,缩小红外弱小目标的待识别目标区域;接着利用DoG算子得到预处理后图像的尺度空间并实行特征点检测,获得最佳尺度图像,再对特征图像进行加权融合;最后通过信息熵分割来实现红外弱小目标的检测.仿真结果表明,本文方法跟文献中所提的优秀算法相比,能有效地检测出红外弱小目标,提升了目标图像的信杂比.同时,能很好地适应不同复杂场景,为红外弱小目标的跟踪应用奠定了基础.     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

针对多尺度目标的轻量级红外目标检测算法

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题，提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础，采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构（simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略（Sim OTA）分别对Backbone、Neck和Head进行优化，最终得到模型大小为6.25 M，浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上m AP达到90.5%，在RTX2080Ti显卡上FPS达到99，与YOLOv3相比m AP提升了2.60%，模型大小为YOLOv3的1/10。     

基于多模态的车辆行人检测技术研究

针对单一传感器在复杂路况以及恶劣天气情况下车辆行人检测效果不佳,搭建了一套可见光、可见光偏振、短波红外和长波红外多模态数据采集系统,构建了一个多模态数据集,并提出了一种多模态车辆行人检测算法。首先,提出了一种基于改进型SIFT特征点的多尺度部分强度不变特征的异源图像配准算法;然后,提出基于YOLOv5多模态数据目标检测网络。最终实现了平均精度在日间数据集1.0%的提升,日间夜间混合数据集10.9%的提升。     

背景自适应的多特征融合的弱小目标检测

针对红外复杂背景下的弱小目标检测难题,提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先,通过对红外图像进行空域滤波去除孤立噪声点,并利用恒虚警率分割消除大面积平稳背景,获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征,消除疑似目标集中的大部分假目标,最后运用运动特征获取真实目标的轨迹,最终实现复杂背景下的红外弱小目标的检测。实验表明:该算法能实现复杂背景下低信噪比的红外弱小目标快速检测,具有检测概率高,算法速度快,鲁棒性好的特点。     

基于多尺度特征融合的红外小目标检测方法

红外小目标检测因其探测距离远、抗干扰能力强等特点,在空中目标探测与跟踪系统中得到了广泛的应用。针对目前红外小目标检测算法在复杂背景下检测准确率低、虚警率高等缺点。提出了一种基于多尺度特征融合的端到端红外小目标检测模型（multi-scale feature fusion single shot multibox detecto,MFSSD）。考虑到红外小目标的特点,通过细化和融合特征图的方法提出了一种特征融合模块,通过SP模块提高特征图不同通道的相关性,3种不同序列红外图像的实验结果表明,该算法在红外小目标检测中的平均检测精度高达87.8%。与传统的多尺度目标检测算法相比,准确率和召回率都有显著提高。     

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征；并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比；使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到9849,相较原始算法提升了124,有助于提升对机载红外弱小目标的检测准确率。     

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SCNN的红外弱小目标检测算法研究

提出了基于结构化特征卷积神经网络(Structural Feature convolution neural network,SCNN)的红外弱小目标检测算法。通过将红外弱小目标结构化特征引入CNN网络中,去除CNN网络的池化层、改变卷积扩展性、并加入分层融合机制,克服了CNN会损失小目标本身的信息和无法检测弱纹理小目标的问题。实验结果表明:本文提出的方法相比同类方法具有更高的检测率,并且对于不同场景具有较强的鲁棒性。     

基于混合融合策略的双波段红外小目标检测方法

双波段红外图像的小目标融合检测是红外自动寻的系统的关键技术和研究热点之一。为了建立有效的融合检测结构,对基于布尔逻辑的融合检测方法进行了分析,并从小目标红外成像原理出发,提出了一种基于与逻辑和局部灰度的混合融合检测算法。首先,分别对单波段的红外图像进行阈值分割;其次,对两个波段的检测结果进行与融合;再次,对与融合之外的目标点进行局部灰度判别,进一步提高检测概率;最后,根据融合结果调节第一步中局部检测器的分割阈值,以优化局部检测器。实验仿真结果表明,该算法有效地提高了双波段红外的检测能力,且算法结构简单、运算速度快,具有较强的实用性。     

基于YOLOv3的红外行人小目标检测技术研究

针对红外图像中行人小目标检测识别率低、虚警率高的问题,研究了当下效果最好的YOLOv3目标检测算法,在其基础上进行优化,提出了一种满足实时性要求的行人小目标检测算法。基于YOLOv3中分类准确率仍有不足的情况,借鉴SENet中对特征进行权重重标定的思路,将SE block引入YOLOv3中,提升了网络的特征描述能力。通过对自行收集实际复杂场景下的红外图像进行目标检测,试验验证了算法的可行性,实验结果表明本文提出的改进网络拥有更高的准确率和更低的虚警率,同时保持了原有算法的实时性。