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%。      

基于深度学习的雷达交通目标检测研究

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5-KFCS模型。首先提出基于K-means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题。实验结果表明,改进后的YOLOv5-KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法。     

改进YOLOv5s算法的地铁场景行人目标检测

地铁场景行人目标存在大小不一、不同程度遮挡以及环境过暗导致目标模糊等问题，很大程度影响了行人目标检测的准确性。针对上述问题，本研究提出了一种改进YOLOv5s目标检测算法以增强地铁场景行人目标检测的效果。构建地铁场景行人数据集，标注对应标签，进行数据预处理操作。本研究在特征提取模块中加入深度残差收缩网络，将残差网络、注意力机制和软阈值化函数相结合以增强有用特征信道，削弱冗余特征信道；利用改进空洞空间金字塔池化模块，在不丢失图像信息的前提下获得多尺度、多感受野的融合特征，有效捕获图像全局上下文信息；设计了一种改进非极大值抑制算法，对目标预测框进行后处理，保留检测目标最优预测框。实验结果表明：提出的改进YOLOv5s算法能有效提高地铁场景行人目标检测的精度，尤其对小行人目标和密集行人目标的检测，效果提升更为显著。     

基于样本迭代融合的海洋生物检测

海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题，提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先，选用改进后的深度空洞残差结构作为特征提取网络，提升了网络的特征提取能力；然后，结合海洋生物图像目标遮挡、密集的特点，改进损失函数避免发生误检、漏检现象；最后，为了进一步解决目标遮挡、数据不平衡的问题，提出样本迭代融合方法，生成模拟图像扩充训练集，提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明，所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%，检测准确率和速度高于现有目标检测算法。     

基于改进PointPillars的激光点云三维目标检测

针对复杂场景下三维目标检测算法对小目标物体识别精度不高、容易出现错检漏检问题,提出一种基于改进PointPillars的三维目标检测算法,利用锥形点云获取物体的边界信息,抑制环境噪声造成的干扰;设计一种空间自注意力模块,捕获点云支柱间的全局上下文信息和空间信息,扩大点云特征感知范围,提升小目标物体识别在复杂场景下的鲁棒性;改进主干网络的下采样模块,采用ConvNeXt v2模块增强网络的特征提取能力。在KITTI数据集上的测试结果表明,相比PointPillars原始网络,改进算法在汽车、行人、骑行者类别上的平均检测精度分别提升了3.73%、5.89%、5.7%,证明了所提出方法的有效性。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

多尺度上下文融合的交通标志识别算法研究

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基础上加入上下文模块,重新分配交通标志特征图中的上下文信息权重,加强目标特征信息的复用;使用融合预测目标置信度的网络损失函数来进行端到端的训练。在中国交通标志数据集TT100K上试验75类小型交通标志获得了56.93%的平均精度均值,相比于YOLOv3算法,所提算法精度提高了9.19%,验证了所提算法的有效性,表明了在小目标和多目标的环境下所提算法检测效果提升明显。     

基于X-Ray图像的锂电池电极检测方法

针对锂电池X-Ray图像中电极排布密集且模糊导致工业生产中难以高效检测的问题,提出了一种锂电池电极位置检测的方法。首先通过调整YOLOv5的骨干网络来增强模型对于目标特征的提取能力;其次,针对目标排布密集且像素占比较小的问题,增加目标检测层来提升模型对于小目标的检测性能;同时由于图像中的阴阳极特征较弱,引入注意力机制来进一步加强网络的特征提取能力;最后选取CIoU损失函数来提高定位精度。实验结果表明,提出的方法与主流目标检测方法YOLOv3、YOLOv4、RetinaNet、YOLOv5、TPH-YOLOv5相比,在性能上具有优势,与原始YOLOv5算法相比,mAP提高了约15.2%。提出的方法可以有效改善锂电池电极位置检测的准确性,有助于提高工业生产中锂电池缺陷检测的效率。     

基于YOLOv3的光学遥感图像目标检测算法

针对目前算法对遥感图像中背景复杂、目标小而密集的复杂场景下的目标检测精度低的问题,提出了一种基于YOLOv3的改进算法,在YOLOv3的基础上,结合了密集连接网络,利用密集连接块来提取深层特征,增强特征传播,同时引入Distance-IoU(DIoU) loss作为坐标预测的损失函数,使边界框的定位更加准确,此外针对目标间相互遮挡的情况,改进了传统的非极大值抑制算法,使用DIoU代替IoU来克服虚假抑制的问题.对所提算法在三个经典的遥感数据集上进行了测试,实验结果证明,所提方法具有更高的检测精度.     

红外交通场景下遮挡行人目标检测算法研究

针对交通十字路口等视野盲区往来行人间存在遮挡情况,如何高效准确地检测复杂道路中目标行人具有实际意义。为了实现夜间交汇路口场景行人检测,提出一种基于改进YOLOv5的行人目标检测算法,采用Non local和PSA模块对YOLOv5原网络的Bottleneck CSP进行改进,能够有效弥补遮挡中行人特征的帧间信息交互过程,增强长程范围通道特征依赖关系。设计更深的160×160检测层和自适应anthor,提升夜间行人检测的边界回归精确度。实验结果表明,针对夜间下交通路口场景,压缩改进后模型对行人检测鲁棒性高,相较于原始算法mAP_0.5和mAP_0.5:0.95值分别提升了14.2和12.7,说明所提算法对夜间行人检测的有效性。     

基于S3-YOLOv5s的矿井人员防护设备检测算法研究

针对复杂矿井环境下光照度低、目标尺度变化大、目标间遮挡严重,现有的目标检测网络特征提取困难、检测效果差等问题,提出了改进的S3-YOLOv5s的矿井人员防护设备检测算法。在主干网络中加入无参注意力模块(SimAM),提升网络的特征提取能力;引入尺度均衡特征金字塔卷积,加强多尺度特征融合;最后采用SIoU作为边框回归损失函数并使用K-means++算法进行先验锚框聚类,提高边框检测精度。实验表明,相比现有的YOLOv5s算法,所提算法在所有类别的平均检测精确度从89.64%提升到了92.86%,在复杂矿井环境条件下对人员防护设备有优良的检测能力,验证了所提方法的有效性。     

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+...     

重参数化大核卷积的光学黑色素瘤图像检测算法

针对皮肤镜采集的光学黑色素瘤图像,由于其背景信息复杂,干扰信息过多,导致检测精度较低,容易出现误检、漏检等问题,提出一种重参数化大核卷积的光学黑色素瘤图像检测算法。首先,在主干部分设计一种融合大核卷积与C3的新模块C3＿RepLK,以增大模型的感受野,提取更多的有效信息。其次,引入感受野模块RFB,融合不同尺度的特征信息,减少错检。颈部网络中采用混合密集稀疏卷积GSConv和轻量化上采样算子CARAFE,使得网络能够捕捉到丰富的上下文信息,抑制漏检。最后,在算法中融入二阶通道注意力模块SOCA,加强特征之间的关联性,关注更有用的特征。实验表明,所提检测算法较原YOLOv5算法,所有类别平均精度从85.0%提升至89.4%,证明所提出的算法对于检测黑色素瘤的有效性。     

基于改进YOLOv4的车型检测算法研究

针对车型检测任务中存在错检、漏检的问题,提出一种改进YOLOv4的车型检测算法。首先,使用CBAM-DenseNet-BC网络代替原始特征提取网络CSPDarKNet53,加强网络对车型重要特征信息的提取能力,从而提高特征信息的利用率;然后将SPPNet替换成ASPPNet,增大网络感受野的同时减少网络计算量,并使得特征图分辨率的降低速度变缓;其次,为加快模型推理速度,将原始算法检测模块中负责检测小目标的分支裁剪;最后,为检测车型类别信息的同时关注其位置信息,在检测模块YOLO-Head之前添加CBAM模块。实验结果表明改进后的算法的mAP值为95.22%,比原始算法提高了1.93%。改进后的算法能够有效地检测出车型,准确率相对于其它算法有所提高。     

基于YOLOv5s和注意力机制的车辆检测改进算法

文中针对道路光线条件复杂、被遮挡目标物体特征不完整等问题,以 YOLOv5s 为车辆检测的基础模型,提出了一种融合 FunelCBAM 注意力机制的检测模型 FCBAMYOLOv5s。针对交通场景中车辆检测种类多、多尺度目标混杂、小目标易漏检等问题,文中还提出了一种融合加权双向跨尺度特征金字塔 BiFPN 与KLLoss损失函数的车辆检测方法。该方法可融合多尺度图像问题的特征,提高检测图像的鲁棒性,强化了网络对小物体的检测性能;然后在检测损失函数中融合 KLLoss,有效提高了模型的检测精度。实验结果表明,该方法的精度与实时性符合实际应用。     

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

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。     

用于卫星遥感图像的多尺度目标检测算法

为解决在卫星遥感图像的多尺度目标检测中出现的背景混乱、小目标检测精度低、漏检率高等问题，提出一种用于卫星遥感图像的多尺度目标检测算法。在主干网络中使用通道和空间注意力模块，并重新设计特征融合网络，实现上采样-下采样-上采样的多重融合，并在其中加入通道权重参数，让网络更加关注重要的层次，实现不同层次特征信息的充分利用，使细节特征信息得到增强。在DIOR数据集中的实验结果表明，所提算法不仅显著提升对小目标的检测效果，而且提高对复杂场景中目标的检测精度，与YOLOv5m相比，对部分较小或者复杂的目标检测效果提升明显，精度提升4.5个百分点以上，整体精度提升3.1个百分点。     

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征,并抑制干扰特征,提高了算法的检测能力。在TT100K交通标志数据集上的实验表明,所提算法对小目标检测性能的改善尤为明显,相比于YOLOv3算法,所提算法的精度和召回率分别提升了1.9%和2.8%。     

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。