基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

基于[KG-*9]Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。     

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

基于光电转台全局运动补偿与YOLOv3网络模型的运动目标检测算法

传统的动目标检测算法存在受噪声干扰大、背景建模时间长、无法识别目标类型等问题,并且背景建模等方法对全局运动存在限制要求.针对上述问题,提出新的运动目标检测算法,采用YOLOv3模型对观察序列中的视频进行检测,获得连续帧的目标识别结果;通过光电转台位置信息估算全局运动,对连续帧目标进行匹配获取一致性关系;计算目标像素速度与目标运动程度估值,判定目标运动状态.以车辆目标视频图像为研究对象,试验表明：算法在英伟达TX2与NX平台实现部署,单帧处理时间分别达到140 ms、36 ms,实现对多个运动目标的实时正确检测,并获取目标像素速度与运动方向等运动信息.     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法

针对坦克装甲目标的图像检测任务,提出一种基于分层多尺度卷积特征提取的目标检测方法。采用迁移学习的设计思路,在VGG-16网络的基础上针对目标检测任务对网络的结构和参数进行修改和微调,结合建议区域提取网络和目标检测子网络来实现对目标的精确检测。对于建议区域提取网络,在多个不同分辨率的卷积特征图上分层提取多种尺度的建议区域,增强对弱小目标的检测能力;对于目标检测子网络,选用分辨率更高的卷积特征图来提取目标,并额外增加了一个上采样层来提升特征图的分辨率。通过结合多尺度训练、困难负样本挖掘等多种设计和训练方法,所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

基于MCNN-GRU 的舰面目标碰撞预警方法

为提升甲板舰面目标的转运安全性,提出一种多个CNN-GRU(multiple CNN-GRU,MCNN-GRU)碰撞 预警网络模型。该网络融合了卷积神经网络(convolutional neural network,CNN)对单时间步信息特征的提取能力以 及门控循环单元(gate recurrent unit,GRU)对时序序列的记忆能力,通过多通道网络结构提升对多时间步信息特征的 处理性能;在数据集上,利用目标检测网络和关键点检测网络、位姿解算模型及碰撞检测方法制作舰面目标碰撞预 警数据集。通过不同网络在数据集上进行实验的结果表明：该模型对舰面目标的双机碰撞预警精度为92.44%,具有 较好的效果。     

一种误差梯度变化平滑的目标检测算法

在YOLOv5算法的基础上提出一种改进梯度变化的目标检测算法.该算法在YOLOv5的基础上,保留其骨干网络框架,在其特征处理部分中,对池化操作进行替换,将原本的最大池化操作替换为平滑池化操作,同时将特征处理部分的Leaky ReLU激活函数替换为Mish函数.经过上述修改后的检测算法在训练阶段的误差反向传播过程中能够令权重参数具有更加平滑的梯度变化.     

基于改进YOLO V3的海上弹着点水柱信号检测算法

在海上实弹射击训练的过程中，快速、准确地检测出弹着点处水柱信号对评估射击效果具有重要意义。针对传统的人工检靶方式效率低、误差大，且无法分辨重叠弹着点的问题，结合深度学习理论，提出了一种基于改进YOLO V3的目标检测算法。在网络输入端利用Mosaic数据增强方式，丰富了检测物体的背景和小目标，降低了网络训练门槛。将Mish函数作为网络基本组件中的激活函数，提高了网络泛化能力。构建新的检测模块，将输入的特征信息分为两个分支，通过特征压缩与拼接，实现通道间信息交互。同时，对不同尺度的特征进行融合，提高网络特征提取能力。目标数据集的实验结果表明，改进后的YOLO V3算法平均准确率提高了5.39%，达到了82.64%，检测速度由27.74 FPS提高到了29.61 FPS，可以更好地完成海上弹着点水柱信号检测任务。     

基于时空卷积特征记忆模型的坦克火控系统视频目标检测方法

视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征记忆模型,同时对多个视频帧中目标的表观特征及运动信息进行建模,以传递并融合视频帧中的目标信息。在特征提取网络以及检测子网络中结合可形变卷积,在检测过程中应用视频序列非极大值抑制,提高对形变以及遮挡目标的检测能力。构建一个包含多种目标类型、尺度、遮挡等条件的坦克火控系统视频目标检测数据集,为多种目标检测方法的测试提供依据。测试结果表明,与R-FCN、 D&T以及MANet等目标检测方法相比,所提方法的平均精度均值最高,能够更好地满足装备的应用需求。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

基于典型几何形状精确回归的机场跑道检测方法

在遥感探测领域,实现复杂环境条件下机场跑道类地物目标和轮廓的精确检测具有重要意义。以YOLOv3为代表的主流深度学习算法在目标检测领域取得了显著的成绩,但该方法只能以矩形框给出目标的粗略位置,检测结果具有一定的背景区域且无法准确得到角点位置。针对以上问题,提出一种基于典型几何形状精确回归的机场跑道检测方法。综合利用典型四边形角点回归策略、四边形锚框机制、四边形的非极大值抑制模块以及目标几何拓扑关系,通过网络的轻量化设计和模型压缩,实现对目标在仿射畸变下成像特征的学习,能够快速预测目标的角点坐标,并以目标的四边形轮廓给出其位置。仿真实验结果表明,该算法具备机场跑道目标类型区分和轮廓提取的功能,有效地解决了实际应用中的目标精确定位难题;在不损失精度基础上网络经压缩后较压缩前的检测速度提高了1倍,大幅提升了自动目标检测的准确性和高效性。     

基于视频的装甲车和飞机检测跟踪及轨迹预测算法

针对当前视频目标跟踪算法跟踪多目标容易跟丢的问题,以视频中的装甲车、飞机为研究对象,研究一种改进跟踪学习检测（TLD）的视频多目标检测跟踪算法。对于跟丢的目标,利用Kalman滤波算法的预测功能跟踪视频中典型目标的轨迹,并采用Kalman滤波算法跟踪的轨迹来弥补TLD算法丢失的部分,从而获得视频中典型目标的完整轨迹,以提高视频多目标跟踪的准确率。由于现有轨迹预测算法存在准确性较差的局限性,提出一种基于社交长短时记忆（Social-LSTM）网络的视频典型目标轨迹预测算法,将上下文环境信息和多个目标轨迹之间的相互影响关系融入Social-LSTM网络,预测待检测典型目标的轨迹序列。仿真实验结果表明,所提轨迹预测算法优于传统的LSTM算法、隐马尔可夫模型算法以及混合高斯模型算法,有利于提高视频典型目标轨迹预测的准确率。     

可分辨空间密集目标群跟踪算法研究

为了有效改善可分辨空间目标群的早期跟踪态势,提高高速目标群的跟踪处理速度和跟踪精度,提出了可分辨空间密集目标群跟踪算法。该算法首先通过全局聚类群分割、群关联和群跟踪,解决大量距离靠近、运动特征差异不明显的高速空间目标群早期连续稳定跟踪问题; 通过群跟踪掌握早期群整体信息,提高目标数据处理速度。在此基础上,边跟踪边分群,由群目标跟踪逐渐过渡到多目标跟踪,在群目标跟踪中通过结合空间动力学方程提高群内目标的跟踪精度,提升雷达系统对可分辨密集空间目标群的跟踪能力。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。