基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于[KG-*9]Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

基于单阶段网络模型的目标检测改进算法

针对目前单阶段目标检测算法中存在的误检、漏检以及检测精度不够高等问题,提出一种基于单阶段网络模型的目标检测改进算法。该算法使用深度残差网络对基础网络进行替换,提取更优秀的特征;增加一层用于检测小目标的底层特征图;结合反卷积和特征融合的方法,对提取出的高层特征图与底层特征图进行融合,使新的特征图中包含更丰富的上下文信息;设计更密集的检测框且在每层卷积层后都添加批规范化操作以提升模型训练速度,防止过拟合。仿真实验结果表明,改进算法在PASCAL VOC2007数据集上较原始算法检测精度提升1.3%,检测效果更加准确,同时改进算法显著改善了误检、漏检等问题;但由于网络复杂度过高,导致检测速度有所下降。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于COSNet的伪装目标分割

近年来，对伪装目标进行精准识别的军事需求不断加大，使得伪装目标分割(COS)技术应运而生。由于伪装目标与背景的融合度较高，COS比传统的目标分割难度更大。为更加精准地分割出伪装目标，构建完备的军用伪装目标数据集(MiCOD),并提出一种基于人类视觉系统的COS网络—COSNet。COSNet由特征提取模块、聚焦放大模块、多尺度特征图融合模块3部分组成。针对性设计的聚焦放大模块包含关键点聚焦模块和感受野放大模块，关键点聚焦模块通过模拟人类注意力高度集中的观察过程减少虚警率，而感受野放大模块通过仿生人类视觉感受野机制以增大观测范围、提升分割精度。损失函数方面，依据聚焦放大模块设计了更适用于伪装目标识别的关键点区域加权感知损失，以给予伪装目标更高的关注度。大量定量和定性实验结果表明：在自建数据集MiCOD上，与其他目标分割模型对比，COSNet在8个评价指标上均达到最优效果，分割精度明显提升；当模拟真实的战场环境时，COSNet平均灵敏度Sen_mean为0.622,平均特异度Spe_mean为0.670,漏检率和虚警率均低于其他算法。     

无人机空中回收视觉导航技术

针对无人机空中回收过程中的导航问题,提出一种利用深度学习进行目标检测并配合双目视觉进行位姿 估计的技术。设计空中回收视觉导航系统,通过改进原有目标检测算法YOLOv3 框架提高回收过程中的检测精度和 速度;通过双目视觉系统对特征点进行3 维位姿解算,返回无人机和回收锥套中心相对位置信息。实验结果表明： 改进后的检测算法平均精度比YOLOv3 提高了3.2%,检测速度提高到73 FPS,检测速度明显提升;双目视觉算法 的位姿解算精确度高,两者同时满足导航系统精确性和实时性的要求。     

一种误差梯度变化平滑的目标检测算法

在YOLOv5算法的基础上提出一种改进梯度变化的目标检测算法.该算法在YOLOv5的基础上,保留其骨干网络框架,在其特征处理部分中,对池化操作进行替换,将原本的最大池化操作替换为平滑池化操作,同时将特征处理部分的Leaky ReLU激活函数替换为Mish函数.经过上述修改后的检测算法在训练阶段的误差反向传播过程中能够令权重参数具有更加平滑的梯度变化.     

基于语义分割的二阶段舰船目标检测算法研究

为提高图像制导弹药对大型舰船目标的毁伤效能，解决大型舰船目标关键部位漏检和定位精度差等问题，以Yolo v3为基线网络，提出了基于语义分割的二阶段目标检测算法。在主体目标准确检测的基础上，利用DeepLab v3plus网络在主体目标区域进行像素级检测，确定舰船关键部位的轮廓边界，提高了舰船关键部位的检测精度和定位精度。利用Linear bottlenecks结构在低分辨率主体目标中提取特征，减少特征损失，降低模型计算量和参数量，获得了较高的检测精度和定位精度，同时提高了算法的处理速度。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

深度学习轻量化侦察图像压缩网络

为了满足小型侦察平台对低复杂度图像编码算法的应用需求,提出基于深度学习轻量化侦察图像压缩网络。轻量化侦察图像压缩网络编码端利用三个卷积模块直接将图像映射为服从均匀分布的二进制码流,得到压缩数据;在卷积模块中采用深度可分离卷积、分组卷积+通道重排等方式降低了编码端参数量和计算量。轻量化侦察图像压缩网络解码端采用转置卷积和残差连接等方式提高特征提取能力,进而提高解码图像质量。对分辨率为128×128实际采集图像的测试结果表明,与JPGE2000算法相比,基于深度学习轻量化侦察图像压缩网络PSNR提高了3.85 dB,编码时间降低了91%,实现了图像的轻量化编码压缩。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

红外遥感图像目标识别对抗算法研究

针对现有识别对抗算法对小尺度目标攻击效果差、对抗样本中存在大量无意义扰动、扰动生成效率低等问题,以红外遥感为应用背景,基于对抗生成攻击理论提出一种具有较强泛化性的目标识别对抗算法。算法引入空洞卷积和注意力机制构造多通道变尺度扰动生成网络以克服红外遥感图像存在的小目标问题;同时,基于检测热力图设计滤波器对生成扰动信息进行筛选,实现无意义扰动消除;最后,以第三届“空天杯”全国创新创意大赛复赛所公布数据集为例进行实验分析。与次最优攻击算法相比,本文所提算法的平均攻击成功率提升了0.313,同时将生成对抗样本的平均耗时降低了57.409 s;此外,利用生成的对抗样本去迁移攻击其他类型的检测器,使得YOLOv3检测器、 YOLOv5检测器和Faster-RCNN检测器的平均检测精度分别下降了0.032, 0.287和0.09。实验结果表明,本文算法在对抗样本物理可实现性、迁移性和生成速度方面都具有显著优势。     

红外弱小目标TSA检测技术

针对红外弱小目标检测,提出了一种改进的最大类间方差算法,利用遗传算法在寻求最优解方面的优势,采用图像像素点间的类间方差作为判决函数,实现了改进的算法设计方案,达到了对类间方差阈值分割检测算法的改进;通过对真实红外视频中采样得到的红外图像进行处理,将本文算法与传统的Otsu算法进行仿真比较,实验结果证明此算法在保证了分割算法检测精度的前提下,达到了对传统算法实时处理性能上的改进,具有工程实践价值。     

改进全卷积孪生网络红外空中小目标跟踪算法

针对红外成像制导导弹对空中小目标跟踪过程中面临的背景杂波干扰、遮挡等实际问题,提出了一种改进全卷积孪生网络(SiamFC)红外空中小目标跟踪算法。该算法在全卷积孪生网络的基础上,通过深度特征响应图的平均峰值相关能量和最大峰值判断目标跟踪状态。当发生背景杂波干扰时,使用深度特征响应值联合局部对比度的判别方法来选取目标。当发生遮挡时,通过卡尔曼滤波预测目标位置。相较于基准算法SiamFC,改进算法在红外空中弱小目标数据集上测试,跟踪成功率和精确度分别提高33.4%与21.9%。实验结果表明,所提算法能够适应复杂多样的红外空中场景,实现对红外空中小目标有效且稳定的实时跟踪。     

基于样本分割的快速高光谱图像异常检测支持向量数据描述方法

高光谱图像异常检测支持向量数据描述方法性能优越但存在计算量巨大的问题。提出快速高光谱图像异常检测支持向量数据描述方法,该算法通过样本分割有效降低求取支持向量的计算量。建立了求取支持向量的计算量与样本分割子集数量的数学模型,并给出样本分割子集数量的最优选取方法;提出目标窗与背景窗尺寸相同的优化分割方法,该方法目标窗每次移动只需更新50%的训练样本,有效地减少图像遍历时求取支持向量的计算量。对HYMAP图像的仿真结果表明：本文算法对不同尺寸的高光谱图像进行异常检测的计算时间均小于SVDD算法计算时间的10%.     

一种基于小波变换的电视图像分割方法

研究了一种基于B样条小波变换的自动阈值分割算法.提出基于灰度统计特性的直方图移动平均法,从而有效地消除噪声对图像的影响,使图像直方图更加光滑.运用B样条小波变换快速算法,大大减少了计算量.基于小波变换多分辨分析的策略,提出一种多尺度小波变换分割方法,进一步提高了分割精度.通过对算法仿真研究,验证了本算法的可行性及有效性.     

基于特征增强与损失优化的水下遮挡目标检测算法

针对水下探测机器人在海洋作业时由于目标密集、形态重叠等原因容易产生误检、漏检的问题，提出一种基于特征增强与损失优化的水下遮挡目标检测算法。算法以YOLOv4骨干网络为基础，首先在随机通道上引入邻域融合的残差结构模块，通过通道注意力机制，提升通道的信息交互能力；其后，利用α-IoU优化CIoU-Loss损失函数，并采用真值排斥因子与预测排斥因子改进坐标回归损失函数，提高目标位置回归的精度；最后，针对水下图像数据干扰信息多的问题，采用基于密集度引导的自适应非极大值抑制方法完成对输出信息的处理，提升目标检测的召回率。通过对水下海洋生物的检测实验，算法在通用场景与密集遮挡场景下目标探测的mAP值分别提高了1.43%和4.4%,验证了算法的有效性。