基于注意力机制和跨尺度特征融合的摩托车头盔检测算法

在道路交通摩托车事故中，未佩戴头盔是导致骑乘人员受到致命伤害的主要原因。针对目前头盔检测中由于黑色头发、帽子和头盔的颜色和形状相似存在误检和漏检问题，提出了一种具有三重注意力机制和双向跨尺度特征融合的摩托车头盔检测算法。首先，在YOLOV5s的主干网络中引入三重注意力机制，提取了不同维度之间的语义依赖，消除了通道和权重的间接对应关系，通过关注相似样本的差异从而提升检测精度。其次，采用EIOU边框损失函数优化对遮挡和重叠目标的检测效果。最后，在特征金字塔中采用加权双向特征金字塔网络结构，实现高效的双向跨尺度连接和加权特征融合，增强了网络特征提取能力。实验结果表明，改进算法实现了98.7%的mAP@0.5、94.0%的mAP@0.5：0.95，与原算法相比，改进算法的mAP@0.5提升了3.9%以及mAP@0.5：0.95提升了7.6%，具有更高的精度和更强的泛化能力。     

嵌入CBAM结构的改进YOLOV3超宽带雷达生命信号检测算法

为了提高超宽带雷达生命信号检测准确率,提出了一种改进型YOLOV3检测算法。考虑到超宽带雷达探测的人体呼吸信号成像后宽高相差较大,采用多尺度训练时网络对宽高的敏感程度不一样,因此在设计损失函数时,对宽高损失给予不同的权重系数。为了提高网络通道以及空间特征表达能力,使得网络能够扩大对目标特征区域的感知范围,因此将通道注意力与空间注意力结构(CBAM)嵌入到YOLOV3基础网络Darknet53的每个shortcut层,得到CBAM-YOLOV3网络结构。对比改进前后的算法。实验结果表明,改进后的算法在IoU阈值为0.5时,mAP为98.09%,提升3.90%,在阈值为0.75时,mAP为76.49%,提升16.48%。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

基于改进CenterNet的自动驾驶小目标检测

自动驾驶领域主流目标检测算法对小目标检测效果差,给行车安全带来了威胁,对单阶段无描框CenterNet算法进行改进以解决此问题。首先,替换原主干网络为具有分裂注意力机制的ResNeSt50网络,并将ReLU激活函数升级为FReLU,以极少的额外计算开销强化了特征提取效果;然后提出轻量级网络PASN融合不同尺度的语义特征,并在浅层特征输入端引入空间池化金字塔(SPP)模块强化小目标信息的表达;最后在Kitti数据集进行随机多尺度输入训练。验证集结果表明改进后算法的FPS达到37.7满足实时性要求,小目标检测精度较原算法提12.9%,平均检测精度提升13.9%,同时检测速度与精度均高于主流算法Yolov4;在实车上每秒可检测31帧图像,为自动驾驶技术发展提供有力支持,具有工程应用价值。     

UAST-RCNN:遮挡行人的目标检测算法

为解决行人检测中对遮挡行人的检测度低,漏检率较高的问题,提出一种基于注意力机制的 UAST-RCNN 网络,其在 Faster-RCNN 网络的基础上进行改进。 首先,选用 Swin-Transformer 作为骨干网络,通过采用一种窗口多头自注意力机制提升全 局感受野;然后,通过层级重采样模块,改进特征金字塔提升特征样本的质量,并且引入渐进式焦点损失函数平衡正负样本;最 后,在实验预处理阶段采用改进的数据预处理扩充 City Persons 数据集进行多尺度训练。 实验结果表明该算法对比原模型在遮 挡行人检测上有了明显提升,其中在检测精度(AP)提升了 6. 3%,漏检率(MR)下降了 4. 1%。 验证了所提算法在行人检测的 可行性,可满足遮挡行人场景的检测要求。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

高频增强网络与FPN融合的水下目标检测

针对水下目标检测中目标对比度低以及水下图像多尺度问题，提出了高频增强网络与特征金字塔(FPN)融合的水下目标检测算法，以提高对水下目标边缘、轮廓信息以及目标底层信息的提取。首先引入八度卷积将卷积层的输出特征按频率分解，将主干网络提取到的特征图进行高、低频信息分离，鉴于水下目标的轮廓信息和噪声信息均包含于高频特征中，在高频信息通道中引入通道信息具有自适应增强特点的通道注意力机制，形成了一种高频增强卷积，以达到增强有用轮廓特征信息和抑制噪声的目的；其次，将增强的高频特征分量融入FPN的浅层网络中，提高原FPN对水下多尺度目标的特征表示能力，缓解多尺度目标漏检问题。最后，将所提方法与基线算法Faster R-CNN融合，在全国水下机器人大赛提供的数据集中进行实验。结果表明：改进算法识别准确率达到78.83%,相比基线提升2.61%,与其他类型目标检测算法相比，依然具备精度和实时检测优势，证明了从特征图频域角度提升前景和背景对比度的有效性。     

基于改进YOLOv3的酒瓶盖瑕疵检测算法

在智能酿酒工艺中,对酒瓶外包装进行瑕疵检测是质检环节重要的一环。本文基于改进YOLOv3目标检测算法,将其应用到酒瓶盖瑕疵检测的环节中,最终结果符合工厂生产线对瑕疵检测精度和速度的要求。该方法在YOLOv3主干Backbone网络的残差模块中引入SENet Module,应用注意力机制加强对特征的提取,在Neck特征金字塔网络中引入自适应特征融合网络（ASFF）,融合不同尺度的特征信息,提高模型的预测能力,同时引入Focus Loss损失函数解决正负样本不均衡问题,加速损失函数的收敛速度。改进后的YOLOv3-ASFL在自制酒瓶盖瑕疵数据集上mAP达到92.33%,单张图像检测时间仅为0.085s,比原始YOLOv3在相同数据集上的mAP提升了6.59%。改进后的YOLOv3模型性能更好,符合酒瓶包装生产线对瑕疵检测的需求。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位，同时防止车辆代检的问题，建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题，提出了一种基于YOLOv5m的轻量化车脸检测方法。首先，将原网络的卷积块替换为改进型跨阶段深度可分离卷积块，以减少网络整体的参数量和计算量。其次，提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块，从而提升网络的目标检测精度。最后，在颈部特征增强网络中修改上采样方法，并提出上下层特征融合模块，以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明，改进后的算法相较于原YOLOv5m模型大小减少了48%，每秒检测帧数提高了约10帧，且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

融合混合注意力和改进YoloX的铁路落石检测方法

铁路周边危岩落石侵入铁路限界内会严重危害旅客生命财产与铁路行车安全。针对传统检测方法对复杂动态环境识别误检高、小目标识别准确率较低等问题,提出一种基于视频的铁路落石侵限检测深度学习方法。首先,融合混合注意力模块,增强网络对与背景相似落石检测能力。其次,改进YoloX部分网络结构为双向特征金字塔网络,加强了不同层级特征的相互交流,提升小目标识别能力。同时采集大量不同场景模拟落石数据,构建模拟落石数据集,并在训练中使用Mosaic数据增强方法,增强方法的泛化能力。实验结果表明,本文方法随着改进模块的添加,识别精度不断提高。对比多种主流目标检测方法,取得了最高识别准确度,不同大小目标识别稳定,证明了本文算法在实际铁路场景的应用价值。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

基于特征增强 YOLOv4 的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。 对此,提出一种基 于特征增强的 YOLOv4 目标检测方法—FEM-YOLOv4。 首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充 分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积 层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构, 突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用 K-means++算法对无人机目标候选框 的尺寸进行聚类分析。 与 6 种目标检算法进行对比,实验结果表明,FEM-YOLOv4 算法的 mAP 和 Recall 分别达到 89. 48%、 97. 4%,优于其他算法,且平均检测速度为 0. 042 s。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于改进 YOLO 及 NMS 的水果目标检测

为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标...