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。     

基于深度学习的目标检测研究综述

目标检测是计算机视觉领域内的热点研究课题,在医疗、监控及航空等领域都有广泛应用。先对目标检测技术的背景进行了介绍,然后从基于锚框的两阶段目标检测算法、基于锚框的单阶段目标检测算法、基于Anchor Free的目标检测算法三个阶段分别进行介绍,同时还介绍了主流的数据集以及主要的性能评价指标。最后叙述了当前目标检测领域存在的挑战,展望了目标检测技术在未来的发展方向。     

基于雷达点云与图像数据的三维目标检测方法

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义.使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的.针对以上问题,在单阶段网络RetinaNet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框.在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法.     

基于深度可分离卷积的实时遥感目标检测算法

针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题,提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析,使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度,以轻量级网络MobileNetv3作为主干网络进行特征提取;此外,基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计,使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%,检测速度提升2.19倍,在UCAS＿AOD,RSOD,DIOR这3个遥感数据集上进行测试,实验结果表明,算法鲁棒性强,能够在保证模型检测精度的同时有效提高检测实时性。     

基于深度学习的目标检测研究与应用综述

基于深度学习的目标检测算法相较于传统的目标检测算法,对复杂场景的稳健性更强,是当前研究的热点方向。根据基于深度学习的目标检测算法的流程特点将其分为两阶段目标检测算法和单阶段目标检测算法,着重介绍了部分经典算法所解决的问题及其优缺点,梳理了其在工业界的应用情况,对其存在的问题进行了讨论,对未来可能的发展趋势进行了展望。     

面向单阶段目标检测的损失函数优化设计

在基于深度学习的单阶段目标检测中,从交并比(IoU)出发的边界框回归损失对边界框位置关系变化敏感度不够,当预测框与真值框处于不同包含关系时,已有损失无法精确区分。针对上述问题,提出基于IoU的回归位置关系敏感度损失(RPIoU)。该损失设计强化预测框和真值框相对位置关系的敏感度,首先在IoU后添加惩罚项,使两框角点无限靠近,解决中心点重合时IoU退化问题;其次引入非重叠区域面积与真值框面积比值为参数的指数函数作为惩罚项,解决损失无法区分预测框和真值框存在不同包含关系的问题,更精准地指导边框回归的位置;考虑到单阶段目标检测算法总损失各部分对于训练结果的贡献度不同,以平均精度均值(mAP)作为适应度函数,利用遗传算法对训练总损失进行优化,得到分类、回归、置信度损失的各自最佳权重。将设计的损失应用于单阶段目标检测算法YOLOv5,分别在可见光公开数据集VisDrone和自制红外飞机数据集上进行验证。在可见光公开数据集上的mAP达到0.447,比原始YOLOv5提升0.037;在红外飞机数据集的mAP达到0.966,比原始YOLOv5提升0.014。     

深度学习在目标检测技术优化中的应用

阐述基于深度学习的目标检测问题，以深度学习为基础的目标检测技术，包括优化主流目标检测算法、提升小目标物体检测精度、多类别物体的检测技术、轻量化技术的应用。     

基于深度学习的生活垃圾分类方法现状与展望

随着计算机视觉应用的突破性发展以及垃圾分类智能化需求的日益增长,基于深度学习的垃圾分类技术成为生活垃圾分类的主流发展趋势。基于深度学习的垃圾分类典型方法主要包括基于ResNet、DenseNet、单阶段目标检测方法和卷积神经网络与迁移学习相结合方法等。文章系统梳理各分类方法的技术特色和适用效果,介绍了有限的垃圾分类公开数据集图像获取及数据情况,指出深度学习在垃圾分类应用中面临数据集依赖、多目标小物体检测率低、轻量型网络模型少等瓶颈问题。聚焦问题,提出了深度学习技术在生活垃圾分类中应用的重点研究领域,并对未来研究发展趋势予以展望。     

基于MPSOC的航空图像目标检测系统设计

近年来,航空光学成像技术快速发展,机载图像处理系统对于目标检测精度和检测速度的要求越来越高,传统的目标检测算法已经无法满足要求。与此同时,基于深度学习的目标检测算法凭借更优的性能表现得到了学术界的广泛关注。但这类算法往往参数较多,时间复杂度高且移动端移植困难。针对上述问题,本文提出了一种基于Yolo V3算法的MPSOC平台实现方案。利用改进的k均值聚类算法获取新的初始锚框,之后通过改变特征图的大小提高算法对小目标的检测精度,通过基于敏感度的剪枝方法压缩算法大小,最后利用VISDRONE数据集在MPSOC平台进行了验证。实验结果表明:改善的Yolo算法的MAP提高了1.3%,误检率也得到了极大降低。算法经过压缩后,检测速度提高了1倍,体积仅为原来的37%,基本满足了对航空图像目标检测的设计要求,同时为深度学习算法在MPSOC中实现提供了可行的解决方案。     

FCOSR:一种无锚框的SAR图像任意朝向船舶目标检测网络

以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题,然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题,该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次,引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后,在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点,实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络,该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度,mAP分别为91.7%和84.3%,影像切片平均检测时间仅需33 ms。      

多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题,提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先,通过双向融合方法充分提取相邻层级间的深层特征和浅层特征;然后,均衡化处理多尺度特征,使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息,提高目标的识别能力;最后,在区域提议网络（RPN）中利用目标的特征信息,通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比,所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力,自适应锚框机制能够提高定位精度并避免小目标的漏检,算法整体的检测结果具有较好表现,平均检测精度提升了3.20个百分点。     

基于深度学习的列车门窗检测算法研究

本文分析了深度学习算法和列车门窗检测的意义,并且从目标检测技术中的图像特征、传统的分类算法、神经网络与深度学习、基于可变窗的物体检测模型四个方面研究了基于深度学习的列车门窗检测算法。希望能够通过本文的研究内容为相关工作人员提供一些参考意见,从而进一步提高铁路运输的安全性。     

基于改进YOLOV4的铁轨裂缝目标检测算法

针对铁轨表面裂缝的小目标特征及传统检测方法精度低,速度慢等问题,提出一种基于改进YOLOV4的目标检测算法。首先,使用改进的RFB(receptive field block)模块替换空间金字塔池化(spatial pyramid pooling, SPP)结构,以获取特征图更大的有效感受野区域,提升算法的检测精度;其次,采用深度可分离卷积结构替代网络模型中的普通卷积结构,使网络轻量化、提升检测速度;同时,利用K-means++算法重新获取锚框,再对得到的锚框进行线性尺度变化,解决原锚框不适合小目标检测的问题。结果表明改进的YOLOV4算法,平均精度均值(mean average precision,mAP)达到84.8%,相对于原YOLOV4算法提高了3.4%;检测速度(frames per second,FPS)为62.39帧/s,提高了4.07帧/s。     

基于YOLO v4网络的房屋目标检测研究

随着社会科学技术的不断进步和人工智能算法的创新发展,深度学习在目标检测领域有着十分重要的应用.针对目前采用人工对偏僻地区房屋建筑进行检测存在的效率低下、安全隐患较大等不足,将无人机技术与深度学习相结合,提出了一种基于深度学习YOLO v4算法实现对房屋目标的检测研究.对无人机采集的电力通道巡检视频进行预处理,对图像进行...     

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。     

基于深度学习的通用目标检测研究综述

目标检测是计算机视觉领域中最基础且最重要的任务之一,是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展,目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比,深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时,大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题,其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型,最后对目标检测算法中待解决的问题和未来研究方向做出展望.     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network,FPN）常被用作合成孔径雷达（Synthetic Aperture Radar,SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。     

上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net.考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息...     

使用物体交互模型的车辆违停事件检测

随着平安城市与监控摄像头的发展,车辆违章停靠事件的自动检测在视频自动检测方法中具有重要意义.当前的目标检测算法,例如基于特征+分类器、基于视频背景差分、基于深度学习的方法等,大多关注车牌、交通标志的定位与识别,而忽略了对车辆违章等事件的判别.因此,发展了一种基于物体交互模型的车辆违章停靠事件检测方法:首先基于轮廓提取和SVM进行车牌检测;其次基于形状和颜色进行交通标志检测;最后基于物体交互模型来判断是否违停.上述方法在真实视频场景中的实验验证了方法的有效性和可靠性.     

基于改进的YOLOv4的目标识别研究

目标识别与检测作为模式识别领域的一种典型应用,如何快速准确地进行目标识别一直是个重要的研究课题。在深度学习算法中,YOLOv4和R-CNN具有出色的目标检测性能,为了改进目标识别中小目标的实时检测,提出了改进的YOLOv4目标检测算法。使用K-means聚类算法设计先验框,用于适应不同的中小型规模;根据中小型标记物体的大小提取一个特征层,并融合四个不同的特征层进行检测;将Mish激活函数应用于检测模型的颈部,取代泄漏的ReLU激活函数,以提高检测性能。实验结果表明,改进后的算法可有效提高检测精度。