基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。     

Rep-YOLOv8车辆行人检测分割算法

车辆行人检测分割在自动驾驶、智能交通管理等场景广泛应用,但如何提高车辆行人识别精度以及处理分割不均匀等问题一直是项挑战。针对上述问题,文中提出一种YOLOv8的改进算法,该算法采用RepECA作为骨干网络,此骨干网络使用RepVGG模块代替原骨干网络的卷积层,并融合ECA注意力机制对图像进行特征提取,其中RepVGG模块在检测时转变多分支结构为单路径结构,不损失训练精度的同时提升执行效率,ECA注意力机制针对通道维度的注意力加权机制,通过学习通道之间的相关性,自适应地调整通道的权重,增加少量模型参数却带来大的性能提升;在C2f模块中,改进算法加入了eSE自注意力模块,避免因为通道数减少造成的通道信息损失,进一步提高模型精度。实验结果表明,使用Cityscapes数据集训练,Rep-YOLOv8算法在检测与分割任务的mAP@0.5指标分别达到85.4%和75.5%,与原YOLOv8相比分别提升了13.4%和16%,推理速度从65 f/s提升至83 f/s。     

基于通道注意力机制与金字塔池化的包裹破损检测算法

为了解决自然场景包裹破损检测中由于目标形态与尺度多样、模型耗时过长造成的检测难题,设计了一种基于通道注意力机制与快速空间金字塔池化(Space Pyramid Pool-Fast, SPPF)的轻量级包裹破损检测算法。在YOLOv5s的基础上,使用改进的ShuffleNetV2网络模型对其主干结构进行轻量级优化,降低模型计算量,提高检测速度;在模型的主干网络部分引入通道注意力机制——Squeeze Excitation(SE),减少了卷积神经网络对图像相关特征的重复提取,提高信息的表征能力;利用SPPF有效避免了对图像区域裁剪、缩放操作导致的图像失真,有效减少误检与漏检。在数据集上的测试结果表明,该方法对包裹图像的检测速度达到了68.5帧/秒,模型计算量仅为2.5 GFLOPs,与YOLOv5s相比,检测速度提升了105.7%,模型计算量下降了84.2%,利于边缘计算设备部署。     

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

基于注意力机制的多尺度全场景监控目标检测方法

针对复杂城市监控场景中由于目标尺寸变化大、目标遮挡、天气影响等原因导致目标特征不明显的问题,该文提出一种基于注意力机制的多尺度全场景监控目标检测方法。该文设计了一种基于Yolov5s模型的多尺度检测网络结构,以提高网络对目标尺寸变化的适应性。同时,构建了基于注意力机制的特征提取模块,通过网络学习获得特征的通道级别权重,增强了目标特征,抑制了背景特征,提高了特征的网络提取能力。通过K-means聚类算法计算全场景监控数据集的初始锚框大小,加速模型收敛同时提升检测精度。在COCO数据集上,与基本网络相比,平均精度均值(mAP)提高了3.7%,mAP₅₀提升了4.7%,模型推理时间仅为3.8 ms。在整个场景监控数据集中,mAP₅₀达到89.6%,处理监控视频时为154 fps,满足监控现场的实时检测要求。     

基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。     

基于深度学习的运动车辆与静止车辆识别

本文提出了一种基于YOLOv3算法的运动车辆与静止车辆的识别方法.其利用卷积神经网络提取运动车辆与静止车辆的特征,对网络的输出层Softmax进行修改,并通过大量实验优化权重模型参数;利用AICITY CHALLENGE数据集制作训练和检测数据库.测试结果表明,改进后的YOLOv3算法能更好地识别多种现实生活场景中的运动车辆与静止车辆,取得了95.55％的mAP与34.7 frame/s的检测速度,具有很好的检测性能与实时性;检测精度达到了98％,足够满足实用需求.     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于改进YOLOv5s的铁轨表面裂纹检测算法

铁轨轨枕表面出现的裂纹可能对轨道交通造成安全隐患。针对铁轨裂纹检测的方法存在通用性差、精度低、召回率低的问题，提出一种基于改进YOLOv5s的铁轨裂纹检测算法YOLOv5s-CBE。首先将CA注意力模块分别加入主干C3模块以及C3与SPPF之间，从通道和空间两个维度捕获通道关系和位置信息，提高YOLOv5s主干网络特征提取能力。其次，在YOLOv5s的Neck部分，使用BiFPN融合不同尺度信息，获取拥有丰富语义信息的输出特征图；同时，加权双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献，优化特征融合效果，减少了卷积过程中特征信息的丢失，提高了检测精度。最后，将原YOLOv5s中损失函数CIoU改为EIoU。EIoU不仅考虑了中心点距离和纵横比，而且还考虑了预测框与真实框宽度和高度的真实差异，提高了锚框的预测精度。相较于原始网络YOLOv5s,YOLOv5s-CBE铁轨裂纹检测网络在自制铁轨裂纹数据集上，模型大小相较于基础网络YOLOv5s降低了1.0 MB，精度mAP提高了3.7%，召回率由73.5%提升到76.2%，不同尺寸裂纹的漏检现象减少，具有一定的优越性和...     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。     

复杂场景下的安全帽佩戴检测算法

针对工地场景错综复杂,监控画面噪声多且模糊等问题,提出了在复杂场景下的改进版YOLOv5的安全帽检测算法。通过网络爬虫、实地采集等方法收集了9 256张工地的复杂场景下的照片,并使用labelImg进行标注;设计了ECA＿H通道注意力,添加到BackBone的C3模块和SPPF模块之间,获取图像的通道细节信息。通过对比实验显示,改进后的模型在复杂场景下识别检测安全帽的准确率(Precision)提升了1.2%,召回率(Recall)提升了2.9%,mAP0.5提升了1.8%,mAP0.5-0.95提升了5.2%。可见,改进后的模型在复杂场景下检测是否佩戴安全帽的性能有所提升。     

基于红外探测的无人机群结构特性感知方法

针对现有目标检测算法未考虑无人机群成员之间相互关系,容易出现漏检、误检群成员和未能感知无人机群队形结构特性的问题,提出了一种基于红外探测的无人机群结构特性感知方法。首先,为减少图像中无人机外观特征损失,设计了空间深度-通道注意力模块,该模块结合空间深度转换模块保留判别特征信息的优点和通道注意力关注通道间相关性的特点,提高了检测网络的特征提取能力;其次,为充分利用图像中无人机群成员的位置、边界框大小等结构信息,提出了群成员关系模块,将无人机的结构信息融入到无人机群成员之间的关联信息,提高了检测网络对无人机群成员的检测定位能力。最后,在自建的Drone-swarms Dataset数据集上开展实验验证。实验结果表明：文中提出的无人机群结构特性感知算法的mAP达到了95.9%,较原始YOLOv5算法的mAP提高了约7%,有效提高了无人机群成员的检测精度;同时,检测速度达到59帧/s,实现了无人机群目标的实时检测,进而实现了无人机群队形结构特性的感知。