基于反卷积和特征融合的SSD小目标检测算法

由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差。为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法。先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层conv11_2的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合。通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率。     

分段反卷积改进SSD的目标检测算法

针对当前SSD算法低层特征图语义信息不足导致存在小目标漏检以及误检的问题,提出一种基于分段反卷积改进SSD的目标检测算法SD-SSD(Segmented Deconvolution-Single Shot MultiBox Detector).根据SSD模型低层特征图语义信息提取不足,高层特征图边缘信息丢失过多,本文重...     

基于空洞卷积与特征增强的单阶段目标检测算法

基于卷积神经网络目标检测算法的浅层特征图包含丰富的细节信息,但缺乏语义信息,而深层特征图则相反.为充分利用浅层和深层特征图特征,解决多尺度目标检测问题,提出一种新的单阶段目标检测算法(AFE-SSD).以SSD算法为基础,分别对该算法中相邻的2个特征图进行特征融合,从而丰富浅层特征层的语义信息.通过对并行空洞卷积机制进...     

基于环境上下文和语义特征融合的小目标检测算法

针对现阶段目标检测领域中小目标由于特征信息匮乏而难以检测的问题,提出了一种基于SSD(Single Shot multibox Detector)算法的改进小目标检测算法（CS-SSD）。首先,以特征金字塔中不同大小的感受野表达出的不同特征信息为基础,在SSD算法的主干框架上增加了环境上下文特征融合模块以及自顶向下的语义特征融合模块,为小目标提供环境上下文和语义特征信息;然后,在SSD算法的检测层上增加基于残差结构的检测头,从而充分利用融合后的特征以提高检测精度;最后,使用一种受人类学习方式启发的分阶段网络训练算法来缓解小目标与中大型目标在网络训练中损失不平衡问题。在VOC07+12数据集上进行实验,CS-SSD算法的平均检测精度（mAP）达到了82.00%,相较于SSD算法提升了2.08个百分点;同时小目标平均检测精度相较于SSD算法提升了7.87个百分点。实验结果表明,CS-SSD算法能充分融合网络中的环境上下文和语义特征信息以达到提高小目标检测精度的效果。     

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。     

基于注意力机制和特征融合的SSD目标检测算法

为提高SSD算法对于小目标的检测能力和定位能力,本文提出一种引入注意力机制和特征融合的SSD算法。该算法在原始SSD模型的基础上,通过将全局池化操作作用于高层的不同尺度的特征图上,结合注意力机制筛选出需要保留的信息。为提高对小目标的检测精度,本文引入反卷积和特征融合的方式,提高对小目标的检测能力。通过在PASCAL VOC数据集上的实验表明,该算法有效的提升了对小目标识别的准确率,改善了漏检的情况,大幅度提升了检测精度和算法的鲁棒性。     

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。     

基于卷积特征融合的通用目标检测方法

针对现有目标检测算法在检测时易受到图像尺度变化、目标间遮挡或截断等因素影响的问题,对卷积神经网络（convolutional neural network,CNN）中不同层次的特征进行了研究,提出了一种融合深度网络卷积特征的目标检测算法。算法采用多阶段的特征复用和特征融合减少特征间相关性的损失,最终在PASCAL VOC 2007测试数据集上达到了84.21%的mAP （mean average precison,平均精度均值）值;与未使用特征融合方法以及使用传统特征融合的方法相比,提出的方法分别提高了4.41%和2.71%。     

基于多尺度特征融合的小目标行人检测

针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使用VGG16,而非更深层的ResNet101。为了加强对小目标的检测,将VGG16中的Conv3_3改进为特征层加入训练。融合后的网络相对于SSD较为复杂,但基本保证实时性,且成功检测到大部分SSD网络漏检的小目标,检测精度相比于SSD模型也有提升。在选择框置信度得分阈值为0.3的情况下,基本检测到SSD漏检小目标。在VOC2007+2012中相对于SSD行人检测的Average Precision值从0.765提升为0.83。     

采用卷积核金字塔和空洞卷积的单阶段目标检测

目的 在基于深度学习的目标检测模型中,浅层特征图包含更多细节但缺乏语义信息,深层特征图则相反,为了利用不同深度特征图的优势,并在此基础上解决检测目标的多尺度问题,本文提出基于卷积核金字塔和空洞卷积的单阶段目标检测模型。方法 所提模型采用多种方式融合特征信息,先使用逐像素相加方式融合多层不同大小的特征图信息,然后在通道维度拼接不同阶段的特征图,形成具有丰富语义信息和细节信息的信息融合特征层作为模型的预测层。模型在锚框机制中引入卷积核金字塔结构,以解决检测目标的多尺度问题,采用空洞卷积减少大尺寸卷积核增加的参数量,合理地降低锚框数量。结果 实验结果表明,在PASCAL VOC2007测试数据集上,所提检测框架在300×300像素的输入上检测精度达到79.3% mAP（mean average precision）,比SSD（single shot multibox detector）高1.8%,比DSSD（deconvolutional single shot detector）高0.9%。在UCAS-AOD遥感数据测试集上,所提模型的检测精度分别比SSD和DSSD高2.8%和1.9%。在检测速度上,所提模型在Titan X GPU上达到21帧/s,速度超过DSSD。结论 本文模型提出在两个阶段融合特征信息并改进锚框机制,不仅具有较快的检测速度和较高的精度,而且较好地解决了小目标以及重叠目标难以被检出的问题。     

融合特征增强和自注意力的SSD小目标检测算法

SSD是一种多尺度目标检测算法,由于浅层特征图缺乏语义信息,导致小目标的检测准确率低.针对这个问题,提出一种融合特征增强和自注意力的SSD小目标检测算法FA-SSD.该算法在SSD基础上构建一条自深向浅的递归反向路径,此路径包含三个模块:深层特征增强模块利用路径深层多尺度特征图生成的上下文信息和最深层特征图的语义信息,...     

基于密集模块与特征融合的SSD目标检测算法

通过对原SSD(Single Shot Multibox Detector)模型的研究与分析,针对其对小目标检测能力较弱的问题,提出了一种基于密集模块与特征融合操作的改进模型。该模型以Inception-ResNet-V2与DenseNet为基础,吸取了inception模块中稀疏连接与密集网络中密集连接的研究思路,将两种方法融合在一起,提出了Inception-Dense特征提取结构。在多尺度检测的部分,借鉴并改进了特征金字塔的特征融合模块来加强对中小目标的检测能力。根据改进模型及实验数据集的相关特性,对默认框的映射机制也进行了重新设定。结果表明:该方法在Kitti数据集上的平均测试精确度(mAP)为83.8%;识别率相比于原SSD模型的72.8%,提升了11个百分点。FPS方面也有接近38%的提升,从原来的39提升到了54。     

多尺度特征图分类再提取的目标检测算法

为提高SSD算法检测目标的能力,提出了一种对多尺度特征图进行分类再提取的目标检测算法.该算法将SSD特征金字塔中多个不同尺度的特征图分为低层和高层两类特征图.针对低层特征图所处位置网络深度不够导致的特征表示能力不足,设计了SFE(Shallow Feature Enhancement)模块提取特征从而增加网络深度,最终...     

基于SSD的小目标检测改进算法

目标检测算法因数据存在分辨率较低、噪声等干扰,不能有效利用特征图中目标的边缘纹理和语义信息,导致小目标检测效果较差.为此,本文提出一种基于SSD的小目标检测改进算法.首先,采用普通卷积和深度可分离卷积进行同步特征学习并融合,获得信息丰富的浅层特征.然后,在固有的5个尺度的特征层后添加通道和空间自适应权重分配网络,使得模...     

基于Bi-SSD的小目标检测算法

针对目前目标检测技术中小目标检测困难问题,提出了一种基于SSD (Single Shot multibox Detector)改进的小目标检测算法Bi-SSD (Bi-directional Single Shot multibox Detector).该算法为SSD的浅层特征设计了小目标特征提升模块,在网络的分类和回归部分结合多尺度特征融合方法和BiFPN (Bi-directional Feature Pyramid Network)结构,设计了6尺度BiFPN分类回归子网络.实验结果表明,在PASCAL VOC和MS COCO目标检测数据集上Bi-SSD相比原始的SSD算法有更好的检测性能.其中VOC2007+2012上Bi-SSD算法的mAP指标达到了78.47%相较SSD算法提升了1.34%,在COCO2017上Bi-SSD算法的m AP达到26.4%提升了接近2.4%.     

融入特征融合与特征增强的SSD目标检测

针对SSD算法在目标检测过程中对小目标检测的不足,提出了一种基于SSD算法的一阶段目标检测器——FIENet（feature integration and feature enhancement network）。在FIENet中设计了两个模块,一是特征融合模块,该模块对SSD浅层的特征映射信息进行融合以提高小目标检测能力;二是特征增强模块,该模块采用了残差网络（Res2Net）以及注意力机制（attention）,对特征融合后的模块以及SSD中的深层特征映射进行增强。为了更好地检测小目标,还调整了浅层特征映射先验框的数量。为了评价FIENet的有效性,在PASCAL VOC2007以及MSCOCO数据集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上检测精度（mAP）较SSD提高3.1个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了3.6、9.5、5.4、5.5个百分点。在COCO数据集上达到29.4%的检测精度（mAP）。实验结果证明FIENet网络在保持实时性的同时可以达到较高的检测精度。     

基于深度分割模型的小目标检测

小目标检测广泛应用于视频监控等各种任务,在各领域均有着重要作用.由于待测目标尺寸小、特征弱等原因,目前的检测算法对小目标的检测性能仍值得进一步提升.现有基于设计特征的传统方法在复杂背景的应用场景下检测精度低、鲁棒性弱,基于深度学习的检测算法存在数据集难获取、小目标特征难提取等问题.面向解决低信杂比图像中小目标因面积占比小导致的特征提取难的问题,提出了一个深度分割模型用于小目标检测.为进一步提升检测性能、降低漏检率,充分应用多波段图像信息,设计了一个基于深度分割模型的多波段融合小目标检测方法.在仿真数据集上的实验结果表明,该方法有效提高了小目标检测的准确率,为小目标检测的后续研究提供了新的思路.     

改进YOLOv7的视频监控小目标检测

小目标检测作为目标检测中一项极具挑战性的项目, 广泛分布于日常生活中, 在视频监控场景中, 距离摄像头约20 m远处的行人人脸就可以被认为是小目标. 由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响, 现有的目标检测模型在这类小目标上的性能劣于中大型目标. 针对此类问题, 本文提出了改进后的YOLOv7模型, 添加了高分辨率检测头, 并基于GhostNetV2对骨干网络进行了改造; 同时基于BiFPN和SA注意力模块替换PANet结构, 增强多尺度特征融合能力; 结合Wasserstein距离改进了原来的CIoU损失函数, 降低了小目标对锚框位置偏移的敏感性. 本文在公开数据集VisDrone2019以及自制的视频监控数据集上进行了对比实验. 实验表明, 本文提出的改进方法mAP指标在VisDrone2019数据集上提高到了50.1%, 在自制视频监控数据集上高于现有方法1.6个百分点, 有效提高了小目标检测的能力, 并在GTX1080Ti上达到了较好的实时性.