复杂场景下基于改进YOLO算法的遥感图像目标检测

遥感图像普遍目标尺度变化较大,背景较为复杂,这些问题导致当前目标检测算法出现漏检或检测效果不佳等现象。文章选择YOLOv3算法作为基础网络进行改进,对训练数据做Mosaic数据增强,增加困难样本数量。结合ECA通道注意力机制,丰富特征的表达能力。使用CIOU损失作为定位损失,增强了目标回归框的检测精度和收敛速度。在遥感图像数据集RSOD上进行训练和测试,实验结果表明,改进的YOLOv3检测效果更佳,鲁棒性更强,具有很好的实用价值。     

改进YOLOv5的红外船舶目标检测算法

针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求,提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层,以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构,提高模型的检测精度,同时对YOLOv5目标检测网络的损失函数进行改进,从而达到进一步提高模型准确率的目的。验证结果表明,改进后的YOLOv5算法训练出来的模型,检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升,其中平均精度均值(mAP)可达94.65%。该模型经过验证,既能满足检测的实时性要求,又能保证高精度。     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战.针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的SAR图像船舶检测算法.在Faster R-CNN的基础上,首先通过引入通道注意力机制对...     

基于改进YOLOv5的火灾检测研究

针对传统火灾系统预警不及时、容易误报等问题,文章提出了一种基于改进YOLOv5的火灾检测算法。为了增强网络对火焰的方向和位置信息的敏感度,在模型中引入CA(Coordinate Attention)注意力机制;为了提高回归精度和收敛速度,使用损失函数SIOU替换CIOU。改进的YOLOv5算法的精确率和平均精度达到了74.2%和69.4%,相较于标准算法的精确率和平均精度提高了8.8%和2.8%,优化定位框和误检情况。实验结果表明,改进的YOLOv5算法模型提高了火灾检测的准确性和实时性。     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

复杂场景下的极化SAR图像机场跑道检测

提出一种基于极化分解分类与结构特征相结合的复杂场景全极化SAR图像机场跑道检测方法。首先利用先验信息粗选图像中各类样本目标进行H/α分解提取图像中各类训练样本,然后根据极化SAR图像的统计特性,利用贝叶斯分类器对图像进行分类,提取图像中机场跑道疑似区域,再结合机场跑道的五种结构特征用二叉树法进行判别,最终确定机场跑道区域。利用美国UAVSAR系统采集的多组全极化实测数据对算法进行实验,结果表明,该算法能够有效地检测出跑道,且检测的跑道结构完整,轮廓清晰,虚警率低。      

改进YOLOv5的SAR图像近海岸舰船目标检测算法研究

SAR图像舰船目标检测时,因近海岸港口存在着复杂背景的问题,以至于重叠舰船目标无法被准确提取特征信息,造成近海岸的舰船目标出现漏检、误检的情况.针对以上问题,提出一种复杂场景下的SAR图像舰船检测算法,该算法基于YOLOv5进行改进,采用SPPF结构加强提取特征信息,并融合原YOLOv5的SPP结构提取的特征信息,这种多级金字塔模块并列融合的方式能有效的检测多尺度舰船目标,使特征信息更好的表达;然后将原模型中的GIOU改进为CIOU,使其可以准确的回归出预测框的位置;最终为了更合理的筛选高于阈值的预测框,改进NMS(Non-Maximum-Suppression),采用Soft-NMS方法去惩罚衰减高于阈值的边框得分,合理的去除预测框.试验结果表明,该文改进的模型相比于原模型在SSDD、 SAR-Ship-Dataset数据集上的mAP(mean Average Precision)提高了5.15%和5.06%,改进模型能有效检测近海岸中复杂背景下的SAR图像舰船目标.     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

面向航拍小目标的改进YOLOv5n检测算法

针对无人机视角下目标尺度差异大、检测场景复杂、目标小且密集而导致的检测精度不高的问题,提出了一种基于改进YOLOv5n的实时目标检测算法。首先,通过引入轻量通道注意力(ECA)模块提高卷积神经网络对特征图内有效信息的提取能力;其次,在特征金字塔网络输出端后,加入自适应空间特征融合(ASFF)模块,提高不同尺度特征图的识别精度;再次,使用EIoU损失函数计算预测框和目标框的差异值,加快收敛速度并提高检测精度;最后,改进YOLOv5n的检测头,优化模型对小目标的检测性能。在VisDrone数据集上训练测试,相比于基础的YOLOv5n模型,在640×640分辨率下,改进后模型的类平均精度(mAP₅₀)提高了6.1个百分点;在1504×1504分辨率下类平均精度(mAP₅₀)提高了7.1个百分点;同时,改进后的模型检测速度在硬件上可达22帧/s以上。该算法模型在精度提高的同时保证了足够高的检测速度,更适用于无人机的小目标实时检测。     

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

基于改进YOLOv5的荧光图像细胞智能检测研究

为解决人工对荧光原位杂交(Fluorescence In Situ Hybridization, FISH)荧光图像进行结果判读存在的效率低、劳动强度大等问题,针对FISH荧光图像细胞智能检测提出一种融合空域图像增强的改进YOLOv5算法。算法在原始YOLOv5神经网络模型基础上,加入了空域图像增强模块,并选择了模块最佳增强系数,扩大了模型对荧光图像的对比度适应范围,提高了模型的特征提取能力和细胞检测准确率。实验结果显示,改进YOLOv5模型的平均精度均值(Mean Average Precision, mAP)为0.983,达到了比原始模型更优的训练效果和收敛速度,并且,改进YOLOv5模型的细胞识别率达到91.65%,比原始YOLOv5模型提升了9.19%。将细胞智能检测算法嵌入自主开发的荧光图像智能检测软件,结合荧光点检测算法,可给出有效判读结果。     

一种SAR图象舰船尾迹的CFAR检测方法

提出一种基于邻近象素求和的合成孔径雷达(SAR)海面图象舰船尾迹的恒虚警率(CFAR)检测方法(简称APS方法).该方法的关键是用"邻近象素求和"方法实现子图象的Radon变换,在变换域依概率模型进行统计假设检验,并最终实现CFAR检测.文中仿真和实际SAR图象试验的结果表明该算法是有效的.     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

SAR图像港口区域舰船检测新方法

SAR图像港口内舰船检测是SAR图像海洋应用研究的重要方面。快速、准确地检测港口内舰船将大大提高SAR图像的自动解译能力。该文通过分析港口内舰船停靠特点,提出了一种新的SAR图像港口内舰船检测方法。首先基于港口岸线获取港口沿岸区域SAR图像,然后详细分析了港口沿岸区域SAR图像的杂波统计特性,进而采用基于G0分布的CFAR(Constant False Alarm Rate)检测算法完成了港口内舰船检测。实验结果表明,新方法能有效地将不同形状的港口区域的舰船与绝大部分陆地分开,具有港口内舰船检测率高、虚警率低等特点。     

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑.针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成.通过改进双边网络(D...     

改进的SAR图像双参数CFAR舰船检测算法

双参数CFAR检测中设置了目标窗口、保护窗口和背景窗口3个窗口,并且窗口的大小,滑动步长都要进行经验训练得到,效率低,对距离很近的舰船SAR图像会产生漏检。针对这些不足, 该文提出了一种改进的双参数CFAR检测算法,该算法只取目标窗口和背景窗口,通过把泄露到背景窗口中的舰船部分去除并对背景窗口中的剩余部分进行均值和方差估计来检测舰船,并且将窗口滑动步长取为目标窗口尺寸。相对双参数CFAR算法,结构得到了简化,检测结果的虚警率减小, 对距离很近的舰船不会产生漏检, 计算效率得到了改善。仿真结果表明了方法的有效性。     

SAR图像舰船目标去旁瓣处理

准确分割出SAR图像舰船成像区域是舰船目标几何参数提取、目标分类识别的基础。受SAR成像机理影响,图像不可避免地存在旁瓣效应,严重影响目标特征提取精度。提出一种舰船目标去旁瓣方法：首先确定目标区域及强散射区域最小外接矩形,在两个外接矩形区域内,根据旁瓣自身特征进行统计分析,删除疑似旁瓣区域,最后对剩余区域重新计算区域参数,获取更准确成像区域。通过对高分辨率机载SAR图像实验验证,该算法能有效去除旁瓣对SAR舰船目标影响,更精确分割出目标真实成像区域。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...