Faster R-CNN模型在遥感图像飞机目标检测中的应用

针对遥感图像飞机目标检测问题,探讨了深度卷积神经网络模型Faster R-CNN在遥感图像中对飞机目标检测的应用。针对训练样本不足的问题,构建了Airplane-2018数据集,基于该数据集采用迁移学习的方式对Faster R-CNN模型进行训练,并在测试集上进行验证,在查全率达到95%的情况下,查准率可以达到85%。实验结果表明,Faster R-CNN模型在采用迁移学习方法训练后,在遥感图像飞机目标检测问题上具有可行性。     

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

深度学习在绝缘子红外图像异常诊断的应用

绝缘子的红外图像分析一般采用图像处理的方法,易受背景环境和数据量的影响,准确率和效率均较低,本文提出一种深度学习的异常诊断方法,基于改进的Faster R-CNN方法搭建检测网络,开展不同类型的绝缘子测试.研究结果表明:相对于神经网络(Back Propagation,BP)、Faster R-CNN方法,本文方法可高...     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法.该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的"亮线"特征进行检测.与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势.最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性.     

近场毫米波三维成像与异物检测方法

主动式毫米波阵列3维成像系统是人体安检成像系统的研究热点,该文对主动式毫米波阵列3维系统工作模式、信号模型和成像算法进行了介绍,并将深度学习中的卷积神经网络(CNN)热图检测方法和边框回归检测技术应用于人体安检成像异物检测。研究表明,基于热图的检测方法和基于YOLO的检测方法均可实现异物检测。基于热图的检测方法网络结构简单、易训练,但由于需要遍历整幅待检测图像,运算时间长,且生成的检测框尺寸固定,无法适应异物尺寸变化。基于YOLO的检测算法网络结构复杂、训练耗时长,但该方法在检测速度与检测框精度上优势明显,更利于机场安检等对实时性要求较高的检测应用。      

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

基于CNN的车辆目标检测与车型分类研究

车辆检测与分类是智能交通系统的重要任务。解决这些任务的传统方法由于受到车辆图像视角受限的影响从而导致粗粒度的识别结果。近年来深度学习成功应用于图像分类任务,并受其最新成果的启发,本文提出了一种基于卷积神经网络的车辆检测与分类方法,该方法包括车辆区域检测和车型分类两部分。在检测和分类实验中,我们详细对比分析几种典型的网络模型,如R-CNN,Faster R-CNN,AlexNet,VggNet,Googlenet和Resnet。本文提出的算法能够准确,实时地识别车辆类型,品牌等信息。利用构建的原始数据集,该算法在7种车型分类的平均准确率约为89%。     

基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

使用Lp归一化权重的红外目标检测网络压缩

针对红外图像相比于RGB图像纹理较少的特性,提出一种使用Lp归一化权重的红外目标检测网络压缩方法,旨在改进基于卷积神经网络的目标检测方法对红外图像场景的适应性,在压缩网络规模的同时提升其泛化能力。首先阐述了Lp归一化权重的稀疏性可以通过调节p进行精确控制这一现象。基于该现象,提出了一种目标检测网络稀疏化训练方法。该方法分别使用Lp球面梯度下降与经典梯度下降训练主干网络和检测器,以平衡网络规模与拟合精度。仿真红外数据集测试结果表明,其在网络规模和目标检测精度方面均优于稠密模型:在网络规模上,稀疏化方法将Faster R-CNN、(Single Shot multibox Detector,SSD)与YOLOv3的有效参数分别减少了52%、78%和66%;在检测精度上,稀疏化方法将Faster R-CNN、SSD和YOLOv3的(mean Average Precision, mAP)分别提高了0.1%、0.3%和0.2%,验证了所提出方法的有效性。     

红外目标检测网络改进半监督迁移学习方法

针对红外数据集规模小,标记样本少的特点,提出了一种红外目标检测网络的半监督迁移学习方法,主要用于提高目标检测网络在小样本红外数据集上的训练效率和泛化能力,提高深度学习模型在训练样本较少的红外目标检测等场景当中的适应性。文中首先阐述了在标注样本较少时无标注样本对提高模型泛化能力、抑制过拟合方面的作用。然后提出了红外目标检测网络的半监督迁移学习流程:在大量的RGB图像数据集中训练预训练模型,后使用少量的有标注红外图像和无标注红外图像对网络进行半监督学习调优。另外,文中提出了一种特征相似度加权的伪监督损失函数,使用同一批次样本的预测结果相互作为标注,以充分利用无标注图像内相似目标的特征分布信息;为降低半监督训练的计算量,在伪监督损失函数的计算中,各目标仅将其特征向量邻域范围内的预测目标作为伪标注。实验结果表明,文中方法所训练的目标检测网络的测试准确率高于监督迁移学习所获得的网络,其在Faster R-CNN上实现了1.1%的提升,而在YOLO-v3上实现了4.8%的显著提升,验证了所提出方法的有效性。     

基于FasterR-CNN算法的自主空中加油锥套识别

随着无人机技术的发展,自主空中加油技术增加了无人机飞行半径和有效载荷,提升了无人机的作战效能。本文针对复杂环境下无人机软管式空中加油的精确引导技术,在无人机自主空中加油近距离对接阶段过程中,对油机锥套识别这个关键环节展开研究。利用深度学习和图形处理,提出一种基于 Caffe 框架的 Faster R-CNN 神经网络深度学习的新方法。为了保证该方法的鲁棒性和广泛应用,采用软管式空中加油的真实数据,制作了一个图像的深度学习数据集。 根据实验数据验证了基于 Caffe 框架的 Faster R-CNN 锥套识别算法的鲁棒性和识别精度,并通过对比实验证明了在复杂的无人机加受油环境中,该识别算法也具有较好的锥套识别能力。     

基于膨胀卷积的多尺度焊缝缺陷检测算法

本文针对焊缝缺陷尺度变化不一导致的检测率效果不理想,提出了一种基于更快地区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN) 对焊缝缺陷检测的改进算法。算法利用膨胀卷积在不同扩张率下进行特征融合,结 合不同感受野下的卷积核更全面地提取不同尺度的特征信息,来提升目标的检测精度。同时 利用深度可分离卷积,来对模型进行压缩,提高检测速度。实验表明,改进后的网络在保证 运行速度的同时,能够提高检测速度,检测精度可以达到72%。     

基于改进Faster R-CNN的车辆乘员数量检测方法

针对现有以雷达技术和红外热成像技术为代表的HOV（High occupancy vehiclelane）车道车辆乘员数量检测方法可靠性差、准确率低等问题，提出一种基于多光谱红外图像与改进Faster R-CNN（Region-Convolutional Neural Networks）的车辆乘员数量检测方法。通过多光谱红外成像系统获得汽车内部空间图像，结合Faster R-CNN深度学习算法实现乘员数量检测，通过采用全卷积网络结构、多尺度特征预测、使用ROI-Align代替ROI-Pooling等方式增强网络的泛化能力。通过对样据进行K-means聚类得到目标框长宽几何比例先验分布，提高区域生成（region proposal network，RPN）网络训练速度和位置回归准确性。测试结果表明，获得的汽车内部空间图像较为清晰，算法可以实现对乘员数量的检测。经过改进，网络的泛化能力得到增强，单乘员检测的准确率达到88.6%，相比于改进前提高了13.8%，能够满足行业规定大于80%的要求。     

基于改进候选区域网络的红外飞机检测

为较好地解决防空武器成像系统对空中红外飞机的检测问题。首先简要地概括了卷积神经网络的兴起和应用,其次在引入基于深度学习的目标检测模型Faster R-CNN的基础上,详细地介绍了经典K-means聚类算法的工作原理、实现流程、存在的弊端以及该算法的主要改进手段,并利用K-means聚类算法对Faster R-CNN锚点框的生成方式进行了改进。最后在CAFFE框架平台下进行了多次仿真实验,测试集来源于自建的专用于空中红外飞机检测任务的数据集,实验结果表明本文采用的改进手段可以在保证较高平均准确率AP的同时提高检测速度,并且给出了最适用于本文自建数据集利用聚类算法的k值。     

基于卷积神经网络的空中红外飞机检测

在传统的空中目标检测算法中,需要进行人工设计特征来满足不同天空背景下的目标检测需求,对未来防空作战体系要求的自动化和智能化提出了挑战。为此本文在防空武器成像系统应用背景下,参照PASCAL VOC2007数据集格式建立了空中红外飞机数据集,将基于卷积神经网络的Faster R-CNN算法与R-FCN算法应用到空中红外飞机检测问题中,其次在Caffe框架平台下利用Faster R-CNN+VGG16/ResNet-101模型、R-FCN+ResNet-101模型,分别对自建数据集中测试集进行了检测。实验结果表明,在应对远距离弱小目标、云层遮挡、对比度低、目标截断等较难检测情况时,Faster R-CNN和R-FCN算法均能够有效地检测出空中红外飞机。本文良好的检测效果为解决空中红外飞机检测问题提供了更加简洁的思路。     

融入频域特征的航天复合材料缺陷智能检测北大核心CSCD

针对传统人力无损检测识别方式存在的准确度与可靠性不足,且处理缺陷种类单一的问题,本文提出了一种融入频域特征的航天复合材料缺陷检测算法。首先,为了提高缺陷图像的特征提取效果,在特征提取骨干网络中添加图像的频域输入信息;其次,为了提高缺陷的可视化效果和检测精度,提出信息专注模块,并在面具R-CNN(mask region-based convolutional neural network, Mask R-CNN)的基础上,改进分割掩模损失函数;最后,结合级联R-CNN(cascade region-based convolutional neural network, Cascade R-CNN)结构,形成了新的实例分割网络。此外,在航天复合材料缺陷X射线图像数据集中对提出的实例分割网络进行了实验验证,模型检测的平均准确度达到了95.3%,与Mask R-CNN、级联面具R-CNN(cascade mask region-based convolutional neural network, Cascade Mask R-CNN)等实例分割算法相比,取得了更为优良的效果。该研究成果已应用于实际工业生产中几种常见航天复合材料缺陷的智能检测。