基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

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。     

基于单阶段网络模型的目标检测改进算法

针对目前单阶段目标检测算法中存在的误检、漏检以及检测精度不够高等问题,提出一种基于单阶段网络模型的目标检测改进算法。该算法使用深度残差网络对基础网络进行替换,提取更优秀的特征;增加一层用于检测小目标的底层特征图;结合反卷积和特征融合的方法,对提取出的高层特征图与底层特征图进行融合,使新的特征图中包含更丰富的上下文信息;设计更密集的检测框且在每层卷积层后都添加批规范化操作以提升模型训练速度,防止过拟合。仿真实验结果表明,改进算法在PASCAL VOC2007数据集上较原始算法检测精度提升1.3%,检测效果更加准确,同时改进算法显著改善了误检、漏检等问题;但由于网络复杂度过高,导致检测速度有所下降。     

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%。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于特征增强与损失优化的水下遮挡目标检测算法

针对水下探测机器人在海洋作业时由于目标密集、形态重叠等原因容易产生误检、漏检的问题，提出一种基于特征增强与损失优化的水下遮挡目标检测算法。算法以YOLOv4骨干网络为基础，首先在随机通道上引入邻域融合的残差结构模块，通过通道注意力机制，提升通道的信息交互能力；其后，利用α-IoU优化CIoU-Loss损失函数，并采用真值排斥因子与预测排斥因子改进坐标回归损失函数，提高目标位置回归的精度；最后，针对水下图像数据干扰信息多的问题，采用基于密集度引导的自适应非极大值抑制方法完成对输出信息的处理，提升目标检测的召回率。通过对水下海洋生物的检测实验，算法在通用场景与密集遮挡场景下目标探测的mAP值分别提高了1.43%和4.4%,验证了算法的有效性。     

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。     

基于通道校正卷积的真彩色微光图像增强

针对现有真彩色夜视相机所成图像亮度低、对比度低、噪声和色彩失真等问题，提出基于通道校正卷积的神经网络算法。通道校正卷积的上分支引入通道注意力块分析RGB通道之间的特征，用来代替U-Net网络中的传统卷积，实现颜色恢复并保留更多图像信息；在传统损失函数中增加Sobel损失函数和色彩损失函数，抑制噪声的同时并保护图像细节，减小色差、增强对比度。采集真实场景下的图像数据集，提升对实际数据的处理效果。实验结果表明：该算法能同时处理低照度图像的亮度、对比度、噪声和色差问题，增强效果优于目前主流算法；与传统卷积的U-Net网络相比，降低了模型复杂度，提高了运行速度，计算量减少了13.71%,参数减少了13.65%,PSNR值提升了29.20%,SSIM值提升了7.23%,色差减少了10.46%,兼顾了成像质量与成像速度。     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

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。     

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。     

用于弹载线阵红外与激光扫描成像引信的轻量化卷积神经网络目标识别方法

为了进一步提高末敏弹在复杂战场环境下对地面装甲目标的识别概率,提出了一种基于轻量化卷积神经网络的红外图像与距离像复合探测识别方法。网络设计考虑了弹载环境对实时性的要求,将网络划分为特征提取、特征融合2个阶段。在特征提取阶段,对不同源的图像进行了分布式卷积,提高了网络的并行性,降低了网络参数量与计算量; 为了弥补分布式卷积带来的特征损失,将距离像与红外图像的融合图像也一并作为网络输入; 在特征融合阶段利用深度可分离卷积实现了进一步的轻量化设计。通过仿真缩比实验环境获得的数据集进行实验验证,实验结果表明,网络具有较小计算复杂度的同时能够对复杂背景环境下的装甲目标进行有效识别。