改进YOLOv4的密集遥感目标检测

基于遥感目标在密集分布和背景复杂场景中因特征提取和表达能力的不足而存在漏检和检测效果不佳的问题,提出了改进YOLOv4的遥感目标检测算法.对用于检测目标的锚框(anchor)用K-means聚类算法重新聚类来减少网络计算量;改进特征提取网络结构,引入残差连接取缔网络中连续卷积操作来提高密集目标特征提取能力;在特征提取网络中激活函数加入自适应激活与否的特征激活平滑因子,而在PANet特征融合网络结构中采用Mish激活函数,增强网络对非线性特征的提取能力,从而提升网络的特征提取能力,提高遥感目标在密集分布场景中的检测效果.将所提算法和原始的YOLOv4目标检测算法在遥感图像数据集上进行对比实验,改进YOLOv4算法在实验选用的遥感图像测试数据集上的平均准确率均值(mAP)达到85.05％,与YOLOv4算法相比,mAP提升了5.77个百分点.实验结果表明,在单目标密集分布和多目标混合分布等背景复杂条件下,改进YOLOv4算法具有更好的检测效果.     

改进YOLOv4的密集遥感目标检测

基于遥感目标在密集分布和背景复杂场景中因特征提取和表达能力的不足而存在漏检和检测效果不佳的问题,提出了改进YOLOv4的遥感目标检测算法.对用于检测目标的锚框(anchor)用K-means聚类算法重新聚类来减少网络计算量;改进特征提取网络结构,引入残差连接取缔网络中连续卷积操作来提高密集目标特征提取能力;在特征提取网络中激活函数加入自适应激活与否的特征激活平滑因子,而在PANet特征融合网络结构中采用Mish激活函数,增强网络对非线性特征的提取能力,从而提升网络的特征提取能力,提高遥感目标在密集分布场景中的检测效果.将所提算法和原始的YOLOv4目标检测算法在遥感图像数据集上进行对比实验,改进YOLOv4算法在实验选用的遥感图像测试数据集上的平均准确率均值(mAP)达到85.05％,与YOLOv4算法相比,mAP提升了5.77个百分点.实验结果表明,在单目标密集分布和多目标混合分布等背景复杂条件下,改进YOLOv4算法具有更好的检测效果.     

基于改进YOLOv3的教室内人物识别

针对教室内人物目标的识别场景,研究了目标检测算法YOLOv3的改进及测试。通过分析教室内人物目标识别的特点和YOLOv3网络特征提取架构,运用K-means++算法对anchor box进行宽高聚类,增大特征输出层anchor box数量,增加YOLOv3网络架构中104×104尺寸的特征输出层,得到改进后的YOLOv3目标检测网络。经数据集训练并测试,改进后的YOLOv3网络模型的识别精度提高了19.11%,而识别速度有所下降。     

多目标小尺度车辆目标检测方法

车辆目标检测是智能交通系统中的重要环节,针对传统车辆目标检测方法效率低、小目标检测效果不好、漏检率高等问题,提出一种基于改进的YOLOv3网络车辆目标检测算法.为了提高车辆检测的效率,利用轻量化模型MobileNetv2代替原YOLOv3中的特征提取网络,使得网络计算量相比原算法有所降低.为了有效提高网络对小尺度车辆目标的检测能力,网络将由高到低不同尺度的特征层融合之后进行目标检测.为了得到更丰富的语义特征信息和提高网络预测能力,增加了特征增强模块.同时针对车辆目标检测的特定应用,利用K-means方法对锚框重新聚类以满足车辆目标检测的特定需求.结合以上改进获得车辆目标检测网络YOLOv3-M2,实验结果表明,与YOLOv3相比,改进方法平均检测准确率增加约9%, 时间减少约一半,能够同时提高检测效率和小目标检测能力.     

基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

改进YOLOv3的道路小目标检测方法

为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.     

基于改进YOLOv4的汽车钢铁零件表面缺陷检测

针对YOLOv4在自建的汽车钢铁零件表面缺陷数据集中检测精度不足的问题,利用深度学习的优势,提出一种基于改进YOLOv4的汽车钢铁零件表面缺陷检测方法。首先采用加权K-means算法确定初始anchors预选框,增强anchors框和特征图尺寸的匹配精度,提高检测效率;然后在YOLOv4主干网络的残差单元中引入SE模块,增加有用特征的权重,抑制无效特征的权重来提高检测精度;最后在76×76的特征图后连接RFB-s模块,增强对小目标信息的特征提取能力。实验结果表明,针对自建汽车零件表面缺陷数据集有无缺陷单类检测问题,改进算法比原始YOLOv4的mAP50值提高了4.3个百分点,对小目标具有更好的检测效果。这说明改进算法能满足针对特定的汽车钢铁零件表面缺陷检测问题下的检测速度和精度要求,有效解决了实际问题。针对COCO数据集多分类问题,改进后模型的mAP50值比原始YOLOv4提高了0.2个百分点,FPS值达到20,说明改进算法能够迁移到其他数据集,验证了该算法的泛化性。     

基于多尺度特征融合网络的交通标志检测

传统交通标志检测方法检测速度慢,且现有深度神经网络对小尺寸交通标志检测精度低。对此提出一个基于YOLOv3的新型端到端卷积神经网络。以YOLOv3为检测框架,对特征提取网络和特征融合网络加以改进,并应用K-means聚类算法生成更适合交通标志的锚点框。充分利用多尺度特征实现了对小尺寸交通标志检测性能的提升。在TT100K (Tsinghua-Tencent 100K)和GTSDB (German Traffic Sign Detection Benchmark)交通标志数据集上进行实验,获得的mAP分别为82.73%和92.66%,运行时间分别为0.037 s和0.033 s。实验结果验证了改进网络的有效性,表明了改进网络的整体性能优于其他检测方法。     

一种改进的YOLOv3嵌入式实时车辆检测算法

受制于嵌入式平台的性能和资源制约，基于深度学习的车辆检测算法在部署时面临网络参数量过大、模型复杂、移植困难等问题。提出一种基于MobileNetv3网络的YOLOv3改进目标检测算法，使用轻量级MobileNetv3网络替换传统主干特征提取网络Darknet53,修改FPN特征金字塔为FPN+PAN结构，同时引入注意力机制以提高算法的检测精度。在计算机平台和瑞芯微RV1126嵌入式平台上的实验结果表明，改进后的YOLOv3算法模型减小50%,检测精度提升0.85%,推理时间缩短50%。     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

融合SPP和改进FPN的YOLOv3交通标志检测

针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。     

树莓派的YOLOv3轻量化算法研究及应用

本文以树莓派为实际运行环境给出了一种轻量化算法EfficientNet YOLOv3。该算法基于YOLOv3算法,以EfficientNet主干特征提取网络替换原有的Darknet53主干特征提取网络,并对EfficientNet特征提取网络的输入图片及后续特征图的分辨率从228×228扩张至416×416。实验证明,EfficientNet YOLOv3算法的模型参数量较原YOLOv3算法减少了82.62%,在VOC数据集中的mAP较原YOLOv3算法提高了1.63%,在树莓派中运行时,对内存与CPU的占用分别减少了5%和15%,且运行速度可达到0.48 fps,满足了嵌入式平台的运行要求。     

基于改进YOLOv4的口罩佩戴检测算法

为解决YOLOv4在目标检测任务中检测速度低、模型参数多等问题,提出一种改进YOLOv4的目标检测算法。将YOLOv4主干网络中的CSPDarknet53替换成Mobilenet用以增强YOLOv4的特征提取网络,PANet原有的3×3标准卷积被深度可分离卷积取代,以降低计算负荷,从而提高识别速度,减少模型参数。然后使用K-means+〖KG-*3〗+算法对由8565张图像组成的数据集进行anchor维度聚类,以提升算法精度。同时,搭建行人口罩佩戴及人体测温拍摄系统用以在人群密集场所中执行疫情防控任务。在保证YOLOv4-Mobilenet网络精度的前提下,相较于原算法FPS提升200%、模型参数减少82%。改进后的模型平均每秒可检测67张图片,可以胜任实际应用中的口罩佩戴检测任务,结果表明该模型检测效果好、鲁棒性较强。     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

基于YOLOx残差块融合CoA模块的改进检测网络

YOLOx-Darknet53是以YOLOv3为基准增加各种技巧(trick)升级改进的检测网络, 但其仍然是以Darknet53为特征提取骨干网络(backbone), 因此网络的特征提取能力仍有欠缺. 本文依据CoTNet中的注意力机制改进得到CoA (contextual attention)模块, 并将其替代YOLOx骨干网络残差块里的3×3卷积, 得到融合注意力后的新残差块, 加强了骨干网络的特征提取能力, 并在Pascal VOC2007数据集上进行对比实验, 融合CoA模块的网络比原网络的平均精度均值AP@[.5:.95]高1.4, AP@0.5高1.4; 在改进骨干网络后的YOLOx检测头前加入无参3D注意力模块, 得到最终改进的检测网络, 进行上述对比实验, 结果表明比原网络的AP@[.5:.95]高1.6, AP@0.5高1.5. 因此, 改进后的网络比原网络检测更加精准, 在工业应用中能达到更好的检测效果.     

改进YOLOv3的交通标志检测方法研究

针对我国自动驾驶的辅助识别交通标志误差率大、检测速度慢、需人工参与等问题,提出一种基于改进YOLOv3的交通标志检测识别方法。通过改进Darknet53网络结构来减少网络迭代过程中前向推理计算,提升网络迭代速度。引入目标检测的直接评价指标GIoU指导定位任务来提高检测精度。使用[k]-means++聚类算法获取anchor尺寸并匹配到对应的特征层。实验结果表明,提出的方法相较于原始YOLOv3在标准数据集Lisa上的平均精度提升了8%,检测速度达到了76.9 f/s;在自制数据集CQ-data上平均精度可达94.8%,与传统识别以及其他算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有更好的鲁棒性,而且可以识别多种交通标志的类型。     

基于Swin Transformer的YOLOv5安全帽佩戴检测方法

针对目前施工现场的安全帽检测方法存在遮挡目标检测难度大、误检漏检率高的问题,提出一种改进YOLOv5的安全帽检测方法;首先,使用K-means++聚类算法重新设计匹配安全帽数据集的先验锚框尺寸;其次,使用Swin Transformer作为YOLOv5的骨干网络来提取特征,基于可移位窗口的多头自注意力机制能建模不同空间位置特征之间的依赖关系,有效地捕获全局上下文信息,具有更好的特征提取能力;再次,提出C3-Ghost模块,基于Ghost Bottleneck对YOLOv5的C3模块进行改进, 旨在通过低成本的操作生成更多有价值的冗余特征图,有效减少模型参数和计算复杂度;最后,基于双向特征金字塔网络跨尺度特征融合的结构优势提出新型跨尺度特征融合模块,更好地适应不同尺度的目标检测任务;实验结果表明,与原始YOLOv5相比,改进的YOLOv5在安全帽检测任务上的mAP@.5:.95指标提升了2.3%,满足复杂施工场景下安全帽佩戴检测的准确率要求。