基于全景视觉图像的实时目标检测方法

针对高分辨率输入下全景视觉图像目标检测速度难以达到实时的问题,提出一种以YOLOv3为基础的轻量化网络模型,该模型在牺牲部分检测精度的条件下实现了较好的检测速度提升。为解决全景图像训练数据集样本数量不足的问题,提出一种适用于全景图像的数据增强方法来扩充训练数据集。实验结果表明,利用YOLOv3验证扩充后的数据集以交并比(Io U)为0.5的条件下评估平均精度,与原始数据集相比检测精确度提高4.75%,改进的轻量化模型与YOLOv3相比,网络参数量减少65.08%,检测速度提升31.81%并达成实时检测。     

基于特征增强的SAR图像舰船小目标检测算法

针对合成孔径雷达(SAR)图像中小目标舰船检测困难的问题,提出基于单次多盒检测器的一种特征增强小目标检测算法.首先提出一种混合多特征提取模块,采用并行的普通卷积、不同空洞率的空洞卷积以及非对称卷积形成与舰船目标相匹配的感受野,以提高浅层网络对复杂形状小目标的特征提取能力;然后提出一种邻近多特征融合模块,将特征信息进行更科学的深层次融合,对小目标特征进一步增强;最后根据SAR图像单通道的特性,缩减特征提取网络VGG-16的冗余特征通道.在公开的SSDD数据集上与其他检测算法进行对比实验,实验结果表明,所提出方法将平均精确度提升至93.44%,检测速度提升至41.8FPS,参数量减少为18.74M,综合性能优于其他检测算法.     

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%.     

空基红外小目标检测与跟踪系统

近些年,红外成像技术快速发展,红外图像具有背景复杂、信杂比低、目标尺寸小等特点,为多运动目标的实时检测跟踪带来了挑战。该空基红外小目标检测与跟踪系统的构建包含三个部分：数据集制作、小目标检测和多目标跟踪。首先使用条件对抗生成网络和图像融合算法生成的仿真数据与真实数据相结合,搭建了红外小目标数据集;其次,小目标检测方面,采用了基于YOLOv3-tiny检测器进行红外小目标检测;多目标跟踪方面,采用了基于卡尔曼滤波算法和匈牙利算法的多目标跟踪方法;最终,在满足实时性的要求下,系统取得了较好的效果。     

基于YOLOv3算法的训练集优化和检测方法的研究

YOLOv3是一种单步目标检测算法,不需要产生区域候选网络(RPN)来提取目标信息,相对于双步目标检测算法具有更快的检测速度。但是,现有算法在小目标检测上存在精度不高和漏检现象的问题,为此提出了一种基于YOLOv3算法的训练集优化和图层处理的检测方法。首先在标准数据集VOC2007+2012和自建的举手行为数据集上采用K-means算法做聚类分析,以得到适应数据集训练尺寸的anchor大小;然后通过调整训练参数及选择合理的标签标注方式进行训练;最后对输入图像进行图层处理并进行目标检测。实验结果表明,聚类分析后VOC2007验证集的平均准确度(mAP)提高了1.4%,并有效解决了原算法在检测过程中较高卷积层上感受野小的问题,从而使YOLOv3算法在小目标物体的检测上精度提高,漏检率也相对下降。     

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.     

一种改进的SSD网络车载图像检测方法

对行人和车辆的检测识别是无人驾驶领域的重要组成部分,为满足该领域对相关模型检测精确度的需求,以传统单发多框检测器(single shot multibox detector,SSD)为基础,提出了一种车载图像识别改进算法。鉴于传统SSD目标检测算法不能充分利用局部特征和全局语义特征、目标定位和识别存在矛盾等缺陷,提出了SSD检测模型相关特征层的融合方法,从而重新生成模型的目标检测金字塔(object detection pyramid,ODP)。改进算法将输入图像中待检测目标的低层次细节特征与高层次语义特征结合起来,降低了待检测目标定位与识别间的矛盾,达到了提升模型检测精确度的目的。利用行车记录仪获得的车载图像数据集进行训练,实验结果表明,改进的SSD算法在相关图像数据集的测试集上可以达到79.2%的精确度,与传统的SSD算法相比精确度提高了2.3%。     

重构SPPCSPC与优化下采样的小目标检测算法

针对小目标图像检测中存在相互遮挡、背景复杂和特征点少的问题，基于YOLOv7提出一种重构SPPCSPC与优化下采样的小目标检测算法。在骨干网络的SPPCSPC模块中裁剪CBS层、引入SimAM注意力机制并缩小池化核，以提高关注密集目标区域，提取更多相互遮挡的小目标特征；在颈部网络中，将下采样结构中的SConv替换为SPD Conv，再添加一个四倍下采样分支，以减少小目标特征丢失，提高复杂背景下小目标特征捕获量；把网络模型的损失函数由CIoU替换为Wise IoU，聚焦一般质量瞄框，提升收敛速度。在公开数据集VisDrone2021上做对比实验和消融实验，该算法与原始YOLOv7算法相比，mAP提升5.09个百分点，FPS值达到40，参数量减少2.5 MB，表明小目标检测精度显著提升，同时保持了推理速度并减少了参数量；在公开数据集VOC2007+2012上做泛化实验，mAP提升3.35个百分点，表明该算法具有通用性。     

基于Faster-RCNN的结核杆菌自动检测方法研究与应用

染色处理可使结核杆菌在显微镜拍摄的医学图像中显现,医生通过检测图像中的 结核杆菌辅助诊断结核病。近年来卷积神经网络(CNN)在目标检测上取得了突破性进展,但结 核杆菌存在图像上尺度小,构造标注数据难,不适用迁移学习等问题,使得基于 CNN 的目标 检测方法在结核杆菌检测方面尚存在一定的困难。为此,以 Faster-RCNN 目标检测算法为基 础,研究在医学图像上的结核杆菌检测问题。针对结核杆菌尺度小,提出重叠子图划分策略; 针对标注数据构造难,提出分块、迭代标注策略。实践证明,该方法有较高的准确度以及可 接受的速度,已构建了 13 261 个结核杆菌的训练数据,应用于合作单位的医疗检测产品,能 满足实际应用需求。     

改进YOLOv4在遥感飞机目标检测中的应用研究

针对遥感图像中飞机目标检测精度低、检测速度慢、背景复杂等问题,提出了一种基于深度学习的改进YOLOv4目标检测算法。改进YOLOv4的主干特征提取网络,保留高分辨率的特征层,去除了用于检测大目标的特征层,减少语义丢失。在卷积神经网络中使用DenseNet（密集连接网络）加强对飞机目标的特征提取,减少梯度消失问题。对数据集使用[K]-means算法得到效果最佳的先验框数量和尺寸。在RSOD（Remote Sensing Object Detection）数据集和DIOR（Detection In Optical Remote sensing images）数据集上的实验表明,该算法满足实时性的需求,且该算法的精确度达到95.4%,较原算法提升了0.3个百分点;召回率达到86.04%,提升了4.68个百分点;mAP值达到85.52%,提升了5.27个百分点。     

基于深度学习的实时吸烟检测算法

在公共场所内吸烟,不仅对自身、他人身体健康造成潜在的危害,还存在造成火灾等现象的隐患。因此,出于健康和安全方面的考虑,为机场、加油站、化工仓库等严禁吸烟的场所,设计了一种基于深度学习的能快速发现和警告吸烟行为的检测模型。该模型使用卷积神经网络对摄像头所拍摄的视频流输入帧进行处理,经过图像特征提取、特征融合、目标分类以及目标定位等过程,定位烟头的位置,进而判断出吸烟行为。常见的目标检测算法针对小目标物体检测效果不甚理想,检测速度亦有待提高。通过设计的一系列卷积神经网络模块,不但减少了模型计算量,加快了推演速度,满足实时性要求,而且提高了小目标物体(烟头)检测准确率。此外,运用了一些模型训练的技巧,提升了模型的鲁棒性。由于缺乏现有数据集,自制了一个与吸烟行为相关的数据集。对比实验证明了提出的算法在本数据集以及一些公开数据集上有着更好的检测效果。     

注意力机制改进轻量SSD模型的海面小目标检测

目的 海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multiBox detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法 在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果 为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论 本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。     

边缘环境中目标检测算法的应用研究

为了满足对安防图像数据安全准确高效的处理需求,在低延迟、高可靠性的边缘计算环境中设计了一种实时性目标检测框架,按层次分为终端网络层、边缘服务器层与云层。在终端网络层采用BING（Binarized Normed Gradients）算法区分图像的目标区域与背景区域,对不同区域采取选择性压缩以减少数据传输量。在边缘服务器层,针对安防图像中小目标易漏检的问题提出了基于SSD（Single Shot Multibox Detector）的改进算法2FSSD,将SSD主干网络中具有高语义信息的深层特征与低层特征进行融合,形成新的特征提取层进行目标检测。实验表明,2FSSD算法在VOC数据集中检测精度可达79.5%,检测速度为27.3 frame/s。因此该研究方法可以在保证检测准确度的同时满足安防图像处理的实时性要求。     

Deep convolution neural network with scene-centric and object-centric information for object detection

In recent years, Deep Convolutional Neural Network (CNN) has shown an impressive performance on computer vision field. The ability of learning feature representations from large training dataset makes deep CNN outperform traditional hand-crafted features approaches on object classification and detection. However, computations for deep CNN models are time consuming due to their high complexity, which makes it hardly applicable to real world application, such as Advance Driver Assistance System (ADAS). To reduce the computation complexity, several fast object detection frameworks in the literature have been proposed, such as SSD and YOLO. Although these kinds of method can run at real-time, they usually struggle with dealing of small objects due to the difficulty of handling smaller input image size. Based on our observation, we propose a novel object detection framework which combines the feature representations learned from object-centric and scene-centric datasets with an aim to improve the accuracy on detecting especially small objects. The experimental results on MSCOCO dataset show that our method can actually improve the detection accuracy of small objects, which leads to better overall results. We also evaluate our method on PASCAL VOC 2012 datasets, and the results show that our method not only can achieve state-of-the-art accuracy but also most importantly presents in real-time.     

基于改进密集网络与二次回归的小目标检测算法

基于单激发探测器（SSD）的小目标检测算法实时性较差且检测精度较低。为提高小目标检测精度和鲁棒性,提出一种结合改进密集网络和二次回归的小目标检测算法。将SSD算法中骨干网络由VGG16替换为特征提取能力更强且速度更快的DenseNet,利用基于区域候选的检测算法中默认框由粗到细筛选的回归思想设计串级SSD网络结构,在区分目标和背景后进行常规目标分类和位置回归,以获取精确的默认框信息并达到小目标检测中正负样本比例均衡。在此基础上,使用特征图尺度变换方法在不增加参数量情况下完成特征图融合,同时通过K-means聚类方法得到默认框的最佳长宽比并重新设置其尺寸。实验结果表明,该算法的检测平均精度均值在PASCAL VOC2007公共数据集和自制航拍小目标数据集上分别为82.3%和87.6%,较改进前SSD算法分别提升5.1个百分点和9.5个百分点,检测速度达到58 frames/s,可有效实现小目标的实时性检测。     

深度学习目标检测方法综述

目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。     

基于深度卷积神经网络的小目标检测算法

针对YOLO目标检测算法在小目标检测方面存在的不足,以及难以在嵌入式平台上达到实时性的问题,设计出了一种基于YOLO算法改进的dense_YOLO目标检测算法。该算法共分为2个阶段:特征提取阶段和目标检测回归阶段。在特征提取阶段,借鉴DenseNet结构的思想,设计了新的基于深度可分离卷积的slim-densenet特征提取模块,增强了小目标的特征传递,减少了参数量,加快了网络的传播速度。在目标检测阶段,提出自适应多尺度融合检测的思想,将提取到的特征进行融合,在不同的特征尺度上进行目标的分类和回归,提高了对小目标的检测准确率。实验结果表明:在嵌入式平台上,针对小目标,本文提出的dense_YOLO目标检测算法相较原YOLO算法mAP指标提高了7%,单幅图像检测时间缩短了15 ms,网络模型大小减少了90 MB,明显优于原算法。     

小目标检测研究综述

随着计算机视觉和人工智能技术的快速发展,目标检测受到了更加广泛的关注。由于小目标像素占比小、语义信息少、易受复杂场景干扰以及易聚集遮挡等问题,导致小目标检测一直是目标检测领域中的一大难点。目前,视觉的小目标检测在生活的各个领域中日益重要。为了进一步促进小目标检测的发展,提高小目标检测的精度与速度,优化其算法模型,本文针对小目标检测中存在的问题,梳理了国内外研究现状及成果。首先,分别从小目标可视化特征、目标分布情况和检测环境等角度对小目标检测的难点进行了分析,同时从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面系统总结了小目标检测方法,并整理了在框架结构、损失函数、预测和匹配机制等方面发展的较为成熟的单阶段小目标检测方法。其次,本文对小目标检测的评价指标以及可用于小目标检测的各类数据集进行了详细介绍,并针对部分经典的小目标检测方法在MSCOCO(Microsoft common objects in context)、VisDrone2021(vision meets drones2021)和Tsinghua-Tencent100K等数据...     

改进YOLOv3在航拍目标检测中的应用

近年来,基于深度学习的航拍目标检测在无人驾驶、军事侦察、灾害检测等领域有着广泛的应用,更精确、高效的算法是目前航拍目标检测研究的热点与难点。提出一种基于改进YOLOv3算法的航拍目标检测方法,对航拍数据集进行目标先验框维度聚类、优化锚点参数,提高了网络对航拍目标的检测有效性。同时对原网络进行改进,减少部分卷积操作并引入跳跃连接机制降低特征冗余,提高了检测准确率,并降低了小目标的误检率与漏检率。实验结果表明,改进YOLOv3算法相较于原始YOLOv3算法的效果有明显提升,对于较高分辨率的航拍图像,加快了网络的收敛速度,并在保证实时性的前提下,将检测平均准确率（mean Average Precision,mAP）提高了12.7%。     

基于改进的YOLOv4高速公路车辆目标检测研究

针对高速公路场景下的车辆目标检测问题,提出了一种改进的YOLOv4网络对交通场景下车辆目标进行检测的方法;制作了一个多天候、多时段、多场景的车辆目标数据集,并依据数据集得到检测模型;提出多标签检测方法,并在多标签之间建立约束关系,得到更完善的车辆信息;提出了一个图像拼接检测方法,将多幅图像通过拼接层连接后进行车辆检测,以此提升网络的运行效率。实验结果表明,多样化数据集提高了车辆检测精度,减少了车辆目标的误检、漏检,同时改进的网络结构较大提升了检测速度,上述方法可以为高速公路场景下的车辆目标检测与实际应用提供参考。