基于深度学习的商品图片检测算法

针对商品图像分类与检测中存在数据集应用场景单一,复杂图片检测准确率低等问题,提出了一种基于SSD目标检测网络的改进算法.首先,将原始SSD目标检测网络的主干网络由VGG16更改为ResNet50网络,同时,在网络结构中添加了ECANet注意力机制,提高了模型检测的准确率.其次,本实验自建商品图片数据集,通过爬取电商平台...     

基于深度学习的多视窗SSD目标检测方法

提出了一种基于深度学习的多视窗SSD （Single Shot multibox Detector）目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF （Average F-measure）为0.729,mAP （mean Average Precision）为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。     

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。     

基于SSD卷积网络的航拍图像目标检测方法

基于深度学习的目标检测算法是目前目标检测领域 最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航 拍图像,通常先采用滑窗法提取区域,再对提取的 区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物 体含有 大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算 法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据 集测试,对比评估了梯度聚类 SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD 方 法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame )为2.00,mAP(mean Average Precision) 为46.93,相比滑窗SSD方法,在损失11.72%的 检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。     

基于YOLOX-Tiny的轻量级遥感图像目标检测模型

为了解决高分辨率遥感图像目标检测存在的背景复杂多样、密集的物体分布及目标尺度差异大等问题，同时考虑到应用场景对模型资源的限制，提出了一种基于YOLOX-Tiny的轻量级遥感目标检测网络。首先采用多尺度预测方法增强对密集目标的检测能力；其次引入协同注意力模块提高重要特征关注度，抑制背景噪声；再者通过可变形卷积替换关键预测卷积层，强化空间建模能力；最后优化损失函数，改善遥感目标定位精度。在公开的遥感图像目标检测数据集DIOR上评估了所提算法的有效性，实验结果表明：相比基准算法（YOLOX-Tiny），所提算法在平均精度（AP）和AP50指标上分别提升4.1个百分点和4.42个百分点；在保持较高精度的前提下，每秒检测帧数（FPS）达到46，可满足实时检测的需求，优于其他先进算法。     

Faster-RCNN和Level-Set结合的高分遥感影像建筑物提取

目前Level-Set图像分割方法存在初始轮廓的确定受人为因素影响较大的问题，对目标被遮盖和目标与背景灰度值相近无法达到理想的分割效果。针对此问题，本文提出了利用Faster-RCNN网络模型确定目标初始轮廓和区域信息的先验水平集图像分割方法，搭建Caffe深度学习框架训练Faster-RCNN网络模型；通过有监督学习的方式在IAILD数据集上训练模型，检测出目标建筑物并初步提取建筑物的轮廓，并将其与形状先验的Level-Set算法结合。对比实验结果表明，本文方法解决了Level-Set算法中图像分割结果初始轮廓受人为标记框选的影响较大的问题，能够更好地完成被遮挡建筑物的分割，对于目标建筑和背景灰度值相近也能达到更好的分割效果。     

基于改进循环生成式对抗网络的图像风格迁移

图像间的风格迁移是一类将图片在不同领域进行转换的方法。随着生成式对抗网络在深度学习中的快速发展,其在图像风格迁移领域中的应用被日益关注。但经典算法存在配对训练数据较难获取,生成图片效果差的缺点。该文提出一种改进循环生成式对抗网络(CycleGAN++),取消了环形网络,并在图像生成阶段将目标域与源域的先验信息与相应图片进行纵深级联;优化了损失函数,采用分类损失代替循环一致损失,实现了不依赖训练数据映射的图像风格迁移。采用CelebA和Cityscapes数据集进行实验评测,结果表明在亚马逊劳务平台感知研究(AMT perceptual studies)与全卷积网络得分(FCN score)两个经典测试指标中,该文算法比CycleGAN, IcGAN, CoGAN, DIAT等经典算法取得了更高的精度。

     

基于目标检测网络的轮对踏面缺陷检测方法

针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。     

改进SSD的飞机遥感图像目标检测

针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题,提出了基于SSD(Single Shot MultiBox Detector)的飞机遥感图像目标检测算法。首先使用经过改进后的深度残差网络替换SSD的骨架网络,对于特征图之间缺少特征信息关联和特征通道间缺少差异性权重值的问题,设计了一种含有特征感受野增强模块与注意力机制模块的新型特征金字塔网络。该网络用以融合不同层级的特征信息和训练特征通道间的权重系数,使得深层网络和浅层网络都得到结构层次丰富的融合特征,为后续网络的分类与定位提供了良好的前提。另外,在改进后的SSD算法中还使用了聚焦分类损失函数来解决正负样本不平衡的问题。在飞机遥感数据集上进行相关实验,精度均值达到92.45%,每秒帧率为35.6。结果表明,改进后的SSD算法能够同时兼顾高检测精度和实时性。     

一种大场景SAR图像中舰船检测虚警抑制方法北大核心CSCD

针对进行实际大场景合成孔径雷达(SAR)图像舰船检测时容易出现众多陆地上的虚警问题,文中提出一种基于纯背景混合训练的方法来抑制大场景SAR舰船检测的虚警。该方法的核心是将不含有舰船的图像样本(纯背景样本)也输入到网络中进行训练,使网络能够学习纯背景样本特征,最终实现陆地上一些与舰船相似度高的强散射亮点的虚警抑制。由于现有公开的数据集缺少纯背景图像样本,为了便于验证该方法的有效性,文中还组建了由10幅Sentinel-1大场景SAR图像组成的纯背景混合训练SAR舰船检测数据集。在该数据集上,两种单阶段检测器(RetinaNet和SSD)和两种双阶段检测器(Faster R-CNN和Cascade R-CNN)的实验对比结果表明纯背景混合训练可以有效抑制大场景SAR图像中舰船检测的虚警。     

基于深度学习目标检测算法的滑坡检测研究

针对目标检测算法在诸多图像识别领域应用效果突出,而在遥感图像滑坡检测中应用较少的现象,本文对同一少量低分辨率遥感数据集运用目前应用广泛的基于深度学习的目标检测算法Faster RCNN、YOLO、SSD进行遥感图像滑坡检测,并对实验结果进行了比较和分析,探讨三种目标检测算法的特点及其在遥感图像滑坡检测中适应的配置参数和应用范畴,以获得更有效的滑坡检测效果。     

基于改进SSD的X光图像管制刀具检测与识别

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。     

融合视觉机制和多尺度特征的小目标检测算法

针对SSD(Single Shot MultiBox Detector)目标检测算法对小目标检测能力不足的问题,提出一种引入视觉机制和多尺度语义信息融合的VFF-SSD(Vision Feature Fusion SSD)改进算法。为了增大浅层网络的感受野提高特征提取能力,首先在SSD浅层特征层中加入视觉机制,然后利用改进PANet(Path Aggregation Network)多尺度特征融合网络与深层特征增强网络得到新的特征层,旨在增强浅层网络的语义信息并加强深层特征的特征表达能力,最后应用注意力机制模块提高对重要信息的学习能力。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到81.1%,对数据集中小目标的mAP值较原SSD提高了6.6%。     

YOLOv4算法在安全帽目标检测技术中的应用

目标检测技术广泛应用于各个领域,其目的是通过对输入图像中的物体和场景进行信息的特征提取,从而识别图中感兴趣的目标。为了减少作业人员在建筑工地作业时因未佩戴安全帽造成的人员伤亡事故,文章提出了一种基于深度学习的建筑工地安全帽目标智能检测方法,检测建筑工地人员安全帽佩戴情况,提高行业安全生产效率。本研究通过安全帽数据集进行先验框设计,采用k-means算法获得本数据集的先验框维度;将用于训练的图片进行拼接实现了数据集的增强;用CIOU代替回归损失增加预测精度,基于YOLOv4的基础网络进行特征提取,获得不同尺度的特征层,将获得的特征层经过深层次特征金字塔进行特征融合,再输入分类回归层进行回归预测。     

基于跨域学习的单样本目标检测方法

针对单样本目标检测样本量较少的问题，提出了一种基于跨域学习的方法。该方法从数据增强的角度出发，增加其他域的数据集作为辅助，增强网络学习能力，同时为解决不同域间存在差异的问题，提出了一种基于图片尺度和实例尺度的跨域学习算法，分别对输入的图片特征与检测网络的候选特征增加域分类器模型，用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验，其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较，超过目前最好算法2.8个百分点，从而证明了本文方法可以有效提高单样本目标的检测性能。     

融合SPP与FPN的光学遥感图像飞机目标检测

针对光学遥感图像飞机目标背景复杂、检测精度与检测速度不平衡、易漏检等问题,提出一种融合不同网络模块的SPSSD模型。首先,采用Resnet50替换SSD300算法中的特征提取网络,并加入可操控的空洞卷积模块,扩大特征感受野获取更多有利检测目标的特征信息;其次,加入FPN和SPP网络,得到浅层特征信息,并将感受野二次放大后的特征与深层特征信息进行融合;然后,送入ECANet网络中获取更加完整且更具有判断力的特征信息;最后,采用NWPU-RESISC45数据集3400张高分辨率飞机遥感图像输入至SPSSD模型中迭代训练,最终改进算法模型mAP值达到92.68%,较改进前的算法模型提升了5.18个百分点,检测速度达到25.1帧/s。实验结果表明,该方法可以有效兼顾飞机目标的检测精度与检测速度,一定程度上降低了目标漏检率。     

基于多尺度重叠滑动池化的SSD果冻杂质检测方法

提出一种基于SSD的杂质检测方法,用于检测生产线中果冻内部的杂质,并标注出杂质的类型和位置。在预处理阶段,提出滑动图像块分割方法,将整张果冻图像分割成若干图像块,避免杂质占比过小,造成准确率低的现象。使用迁移学习的方法,将神经网络在ImageNet数据库上学习到的特征迁移到果冻数据库中,加快网络收敛速度,同时,在一定程度上避免了过拟合现象。提出多尺度重叠滑动池化(SOSP)方法,取代第五层池化以取得更加鲁棒的特征池化。最后,将一幅图下的所有分割块上的检测结果进行整合,得到整张图像的检测结果。实验结果表明,本文提出的方法有效可行,对多种缺陷平均准确率达到0.7271。相比其他方法,本文的算法更具鲁棒性,可应用到果冻生产线中。      

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。     

J-MSF: 一种新的多通道多尺度红外弱小目标检测算法

针对经典的基于深度学习的红外弱小目标检测算法存在目标信息在高层感受野消失导致无法检出的问题,提出一种新的基于多通道多尺度特征融合的红外弱小目标检测算法（J-MSF）。首先,该算法提出了一种新的多通道JAnet结构,基于此结构搭建了主干特征提取网络;其次,设计了下降门限式特征金字塔池化结构(DSPP),并提出了多尺度融合检测策略;最后,设计了高斯损失优化函数。实验结果表明,所提出的算法在“地/空背景下红外图像弱小飞机目标检测跟踪数据集”上的检测效果与YOLOv3、YOLOv4算法对比,检出率、整体AP值分别提升9.07%、9.89%和1.67%、3.16%,提出算法优于目前主流的检测算法,体现出了良好的鲁棒性和适应性,可以有效的应用于红外弱小目标的检测。     

用于SAR图像舰船目标检测的MAF⁃Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR?Ship?Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。