基于改进YOLOv3网络的非机动车检测

中国目前的交通主体主要由机动车、非机动车和行人构成.非机动车在日常的交通参与中占据了相当大的比例,同.时随着无人车自动驾驶技术和机动车驾驶辅助技术的不断突破与升级,非机动车检测成为了路况信息获取中的重要一环.由于非机动车数量大,在视频中的所占面积小,极易互相遮挡等原因,容易出现检测不准确和漏检等问题.针对该问题,基于YOLOv3算法,本文提出了一种改进模型,通过采用双重特征提取网络,同时在辅助网络和骨干网络的特征信息融合采用注意机制提高检测精度.实验结果表明,所提出的改进模型在公开数据集中取得了优于YOLOv3的检测结果,将平均检测准确率由79.33％提高至83.26％.     

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。     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

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%。     

结合单双行人DPM模型的交通场景行人检测

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过LatentSVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.     

基于深度学习的轻量级口罩检测算法研究

基于当前大多数目标检测算法不能同时在实时性和检测精度上都获得良好的表现,本文对经典的YOLOv3目标检测算法进行改进,使最终的网络模型轻量化且具有较高的检测准确率。由于YOLOv3的骨干网络DarkNet53网络结构复杂,参数量较大,将其替换为EfficientNet系列网络中的EfficientNet-B1,通过简单的网络结构以及更少的网络参数量学习到较好的特征,为网络轻量化奠定基础;对骨干网络输出的3种不同尺度的特征图添加混合域注意力机制CBAM作为特征融合网络的输入,并将特征金字塔结构与CBAM结合,通过自上而下的特征信息融合以及混合域注意力机制使网络在训练时更加关注样本的有效区域,进一步提升模型的检测性能;使用Mosaic数据增强方式,有效提升模型的泛化能力。实验最终的模型评估结果表明,改进后的网络相对于YOLOv3网络而言,在mAP0.5降低2.73%的检测精度条件下,检测速度提升了3.93倍,而且模型大小仅为原网络的22%。     

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。     

基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

基于概率分布混合模型的遮挡行人检测算法

可变形部件模型在行人检测方面可以得到很好的检测性能,然而在处理遮挡问题时,容易出现遮挡造成检测信息的丢失,检测得分值将会下降至低于阈值而出现漏检问题。文中针对于行人检测的部分遮挡问题提出了概率密度混合模型,改善部分遮挡环境下的检测得分值,并在INRIA、遮挡INRIA以及ETHZ数据库进行对比实验,取得了良好的检测效果。     

基于多层级特征融合的行人重识别算法

针对行人遮挡、姿态变化等现象造成当前行人重 识别算法精度不高的问题,提出一 种基于多层级特征融合的行人重识别算法。首先通过自注意力机制骨干网络ResNeSt提取图 像特征中的短距离信息;其次通过多尺度 金字塔卷积(pyramid convolution,Pyconv) 分支网络提取图像中长像素关 联特征信息,提高模型表达能力;最后使用一种统一形式且可学习的广义均值池化 (generalized mean pooling,GEM) 替代传统平均池化层,达到关注不同区域特征差异性目的。测试阶段添加平均逆消极惩罚 (mINP)作为新评价指标。实验结果表明,本文所提算法在多个数据集上均展现出优势,在 DukeMTMC-ReID数据集上Rank-1达到了90.9%,mAP达到了89.8%。