一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

基于FCOS神经网络的制动主缸内槽缺陷检测方法

针对主缸内槽缺陷检测存在干扰因素复杂、检测精度低等难点,提出了一种基于全卷积单阶段神经网络(FCOS)的主缸内槽缺陷检测算法。利用特征融合金字塔网络进行特征提取并逐像素预测,得到缺陷种类,实现凹槽缺陷的自动检测。实验结果表明,FCOS网络对制动主缸内槽砂眼、划痕、振刀纹缺陷检测的平均精度均值分别为85.2％、87.5％、90.1％,精确度分别为0.98、0.89、0.95。实验结果与Mask R-CNN网络和Faster R-CNN网络的实验结果进行对比,FCOS网络具有更高的准确率,学习时长大幅度缩短,且满足实时检测要求。     

改进FCOS的二阶段SAR舰船检测算法

近年来无锚框的目标检测算法逐渐被应用于SAR舰船检测,其中FCOS算法摆脱了对锚框参数设置的依赖,对多尺度、多形态舰船检测的鲁棒性更好,但仍存在两个问题：第一、该算法直接进行逐像素点回归,因搜索空间过大、目标回归困难导致检测不够准确;第二、其中特征金字塔对低层特征利用仍有不足导致小目标大量漏检。针对上述问题基于FCOS进行改进,通过增加特征增强网络构建了二阶段无锚框检测算法。该网络作为第一阶段对检测过程进行精细化引导,同时增强了舰船特征表达能力。通过引入更多特征并增加跳跃连接改进特征金字塔,提高了低层特征利用率。在数据集SSDD和SAR-Ship-Dataset上的实验结果表明,平均准确率（mAP）相比FCOS分别提高9.5和3.4个百分点,相比其他主流舰船检测算法分别提高3.6和1.0个百分点,充分验证了所提算法的有效性。     

基于改进GhostNet-FCOS的火灾检测算法

针对现有火灾检测算法检测精度不佳和算法模型复杂度过高的问题,提出基于改进GhostNet-FCOS的火灾检测算法. 该算法以目标检测网络FCOS为基础,降低通道维数并选用GhostNet作为特征提取网络,以实现轻量化火灾检测算法. 引入动态卷积,在不增加网络宽度和深度的情况下优化主干网络的基础模块,提高对形态多变的火焰图像的特征提取能力. 增加空间注意力模块,优化网络空间特征的表达. 改进正负样本定义和回归损失函数,优化训练过程中算法模型对标注框内不同区域的关注程度. 在自建火灾数据集和公开数据集中的实验结果表明,该算法在检测精度和模型复杂度方面具有优势. 该算法在自建火灾数据集中的检测精度为90.9%,参数量为4.58×10⁶,浮点计算量为31.45×10⁹.     

基于关键点的Anchor Free目标检测模型综述

目标检测是计算机视觉应用的基础, 基于锚框的一些目标检测算法已难以满足目标检测中对目标处理的效率、性能等诸多方面的要求, 而anchor free方法逐渐广泛应用于目标检测. 本文首先重点介绍了CornerNet、CenterNet、FCOS模型的一系列基于关键点的anchor free目标检测方法, 综述了算法思路及其优缺点; 然后分别对基于锚框和基于关键点的目标检测算法在同一个数据集上作了性能比较和分析; 最后对基于关键点的目标检测进行了总结, 并展望了目标检测的未来发展方向.     

改进FCOS网络的海洋鱼类目标检测

鱼类的探索与保护是保持海洋生态环境平衡的重要一环,然而水下环境复杂,受光照、水质以及遮挡物的影响,造成水下捕捉鱼类图像成像模糊识别困难,制约水下鱼类目标的检测速度以及检测精度.针对以上问题,提出了一种基于改进FCOS的海洋鱼类识别模型.首先,该模型以一阶段算法FCOS为基本架构,使用轻量级的Mobile Netv2作为骨干网络,既保证检测准确度,还可以提高检测;其次,引入自适应空间特征融合(adaptively spatial feature fusion, ASFF)模块,避免尺度特征的不一致性,提高检测精度;最后,将center-ness分支引入到回归分支中,引入联合交并比损失(GIoU loss, generalized intersection over union)提高检测的性能.实验数据集使用公开数据集Fish4Knowledge (F4K)中的图片以及视频帧截取图片,选取训练性能最优模型进行评估.结果表明,提出的新模型在以上数据集的平均检测精度分别为99.79%、99.88%,相较于原模型以及其他检测模型本文提出模型的检测精度与识别速度更高,可为海洋鱼类识别提供参考依据.     

基于DATE-FCOS的空中目标检测研究

航空图像中目标的检测是当前研究的热点之一,高效、准确的探测在军事和民用领域具有很高的价值。但由于高空环境复杂和空中目标尺度形状多变,不同用途的飞行器进行改装和涂装使得空中目标在检测中难度较大;所以提出了一种改进的一阶端到端的空中目标检测算法;算法采用 DATE-FCOS(Dual Assignment for End-to-End Fully Convolutional One-Stage Object Detection)为基本框架,用CIoU替代GIoU加入到边界框回归损失函数中,并在此基础上,利用可形变卷积模块对其骨干网络进行了改进并且在FPN结构之后加入CBAM(Convolutional Block Attention Module)模块。通过实际实验测试,所提方法在 FGVC aircraft数据集上提高了检测的平均检测精度,达到 77.8%,对比原模型提升11%,满足空中目标检测的应用。