基于特征增强与Anchor-object匹配的目标检测算法

为了提升SSD(single shot multiBox detector)的检测精度,提出一种基于Anchor-object匹配的A-SSD(anchor-object SSD)目标检测算法。在算法的特征提取部分,使用并行卷积和空洞卷积构成感受野模块,增大特征图的感受野,获得多尺度的特征信息;将含有纹理、边缘等细节信息的浅层特征与含有丰富语义信息的深层特征融合。在算法的检测器部分,采用Anchor-object匹配方法联合SSD多层特征图为每个检测目标构建相应的Anchor包,通过选择-抑制优化策略,选择置信度较高的Anchor去更新模型,为每个Anchor评估得分。通过迭代学习,模型的参数、Anchor的位置坐标与分类置信度不断优化。在PASCAL VOC数据集上A-SSD算法的mAP达到了80.7,在车间行人数据集上A-SSD算法的漏检率为3.5%,准确率为91.5%。     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务.结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合.在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道.实验结果表明,在自建车辆数据集上的均值平均精度（m AP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%.此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25帧/s,能够满足实时性的需求.     

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

融合L-α的YOLO-v4小目标检测算法

当前基于深度学习的目标检测技术得到了迅速发展，但小目标检测仍然是一个有待改善的难题。相比于大目标，小目标检测任务存在分辨率低、特征易丢失等特点，很多通用的目标检测算法不能直接迁移到小目标检测。特征金字塔融合能有效结合深层和浅层的特征，增强对小目标的检测性能，然而现有模型大都忽略了相邻层间融合时的信息不平衡问题。针对此问题，提出将有效融合因子的思想融入YOLO-v4的PANet结构，添加融合因子L-α控制深层向浅层传递的信息量，从而有效提高信息融合效率，增强YOLO-v4对小目标的检测能力。实验表明，加入了L-α的YOLO-v4模型，在Tiny Person数据集上平均精度AP₅₀^tiny和AP₅₀^small分别提高了2.14%和1.85%，在MS COCO数据集上平均精度AP和AP_S分别提高了1.4%和2.7%，且检测结果优于其他小目标检测算法，证明此改进方法对小目标检测有效。     

基于改进SSD遥感影像的飞机目标检测研究

针对多尺度单发射击检测(SSD)算法对于复杂背景下小目标物体漏检和误检问题,将特征融合模块和注意力模块相结合来改进SSD算法。在公开光学遥感图像RSOD中Aircraft数据集的试验结果表明:基于改进SSD算法能够实现对复杂背景下遥感影像飞机检测,AP值和F1值分别为76.22%和65%,比SSD算法分别提升了2.39%和6%,改进SSD算法比SSD算法有效增强了复杂场景下检测遥感影像飞机目标的精度,主要来自于小目标物体检测精度的提升。此外,通过消融试验表明特征融合模块比注意力模块对SSD算法检测遥感影像飞机目标精度提升效果更好,将这两个模块相结合来改进SSD算法,能够保持较高的检测速度,加强SSD算法对小目标物体检测能力。     

基于优化预测定位的单阶段目标检测算法

针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD. 通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息. 通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度. 实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%. 在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD, 适用于需要高定位性能的实时应用场景.     

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。     

眼底病变OCT图像的轻量化识别算法

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN.降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力.构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力.实验结果显示，MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.     

融合超分辨率重建技术的多尺度目标检测算法

目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。     

基于SSD的多特征刑侦场景识别

将基于深度学习的SSD(Single Shot MultiBox Detector)目标检测方法应用于刑侦图像目标检测中。通过对目标进行多尺度特征提取,将小目标与大目标采用不同级别的特征图方式进行融合识别。实验测试结果表明,SSD方法明显地提高了小目标在刑侦图像中的检测率,且与Faster R-CNN相比发现,在置信阈度为0.5时,SSD的检测精度接近Faster R-CNN,mAP(Mean Average Precision)达到94.8%,检测速度远超Faster R-CNN,帧频FPS达到58Hz。实验结果说明SSD方法在刑侦图像目标识别上具有特别优势。     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。     

融合多尺度Transformer的皮肤病变分割算法

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域;然后利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强空间信息和语义信息间的依赖关系,通道注意力模块能够有效识别特征丰富的通道,提高算法分割精度;最后引入扩展模块恢复图像大小以匹配实际需求。将该算法在ISBI2016、ISBI2017和ISIC2018三个公共数据集上进行实验测试,其像素精度分别为96.70%、94.50%和95.39%,平均交并比分别为91.69%、85.74%和89.29%,算法测试整体性能优于现有算法。仿真实验证明,多尺度Transformer编解码网络能够有效地分割皮肤病变图像。     

基于改进YOLOv5s的复杂道路交通目标检测算法

针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明：改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP＿0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP＿0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP＿0.5提高了2.2%。     

高效通道注意力和特征融合的协同显著性检测算法

针对现有的协同显著性检测算法在多显著目标复杂场景下表现不佳的问题,提出了一种基于高效通道注意力和特征融合的协同显著性检测算法。首先,检测算法利用预训练的深度卷积神经网络对场景进行多尺度特征的提取,结合边缘显著信息设计了显著性语义特征提取模块,以避免全卷积神经网络导致边缘信息的缺失;其次,通过内积基本原理得到组内图片间的关联性信息并根据其关联程度进行自适应加权,结合高效通道注意力层设计了协同特征提取算法;最后,为了将各级高层语义特征经过协同显著性特征提取之后的结果与浅层次的特征进行融合,并实现对预测结果进行多分支同步监督,设计了基于高效通道注意力的特征融合模块。通过对3个经典的数据集进行测试,并与6种现有的协同显著检测算法进行对比,结果表明本文所提算法提高了复杂场景中图像的协同显著性检测的精度以及边缘信息的丰富程度,并具有更优的协同显著性信息检测性能;通过消融实验进一步验证了所提设计算法各个模块的有效性和必要性。     

基于空洞卷积金字塔的目标检测算法

作为目标检测领域最突出的问题,遮挡和多尺度严重影响了算法的召回率和准确率。针对以上问题,该文从感受野入手,提出了一种基于空洞卷积金字塔网络(ACFPN)的目标检测算法。首先,将不同尺寸的空洞卷积层引入特征金字塔网络(FPN)中,构建混合感受野模块(HRFM),旨在控制参数量的条件下,通过增大感受野获取更多全局特征信息,解决目标的遮挡问题;其次,改进FPN的结构,设计低层嵌入特征金字塔模块(LEFPM),将浅层特征细节信息和高层特征语义信息相融合,提高特征图的丰富度和表征能力,增强模型的尺度适应性;特别地,针对漏检问题,引入FCOS算法中的无锚框(AF)机制,减少了候选框的冗余,进一步提高了定位精度。最后在公开数据集上进行测试,该算法在检测精度上大幅提升。     

多尺度特征增强的SSD目标检测算法

针对目标检测中多类别、多尺度和背景复杂而导致的SSD (Single Shot Multibox Detector)算法检测精度不高的问题,提出了一种多尺度特征增强的改进SSD目标检测算法。首先将SSD网络模型的高层特征依次向下与浅层特征融合,构造一种多尺度目标检测结构。然后利用注意力机制对特征进行进一步的优化,从而达到增强网络模型特征提取的目的。最后用DIoU-NMS来处理图像目标中冗余框的问题,减少目标的漏检。在公开的NWPU VHR-10遥感数据集上将该方法与其他算法进行对比实验,其m AP较传统的SSD算法提高了6.7%。最后将改进后的算法应用于地铁安检图片检测,并在此数据集上进行消融实验来验证此算法每一阶段的有效性。     

基于残差网络与特征融合的改进YOLO目标检测算法研究

以深度学习为基础的YOLO目标检测技术因检测速度快，而广泛应用于实时目标检测领域中，但其检测准确率不高，尤其是对小物体的检测能力较差。针对上述问题，本文提出一种改进模型——R-YOLO。该模型将残差单元引入YOLO目标检测，既可以通过增加网络的深度，提高网络的准确性，又可以利用残差网络的快捷连接方式，以保证检测的实时性。同时结合CBNet结构，增强语义信息，进一步提高R-YOLO的准确性。最后在改进的YOLO模型中通过特征金字塔融合，结合不同阶段卷积层输出的特征信息，使得融合后的特征图同时具有深层次的语义信息和浅层次的位置信息，以提高对小物体的检测准确性。在Pascal数据集上的实验显示R-YOLO在准确率上较YOLO提高了7.6个百分点，对小物体的检测结果更准确。结果表明，残差单元和特征金字塔融合的引入有效改进了YOLO网络模型的检测性能。     

基于注意力机制与多尺度融合学习的车辆重识别方法

在车辆重识别任务中,通常会出现相机角度变化和场景变化等情况,导致重识别准确率降低,为此提出了一种基于注意力与多尺度融合学习的车辆重识别方法,在多尺度下提取并融合浅层细节信息和深层语义信息。首先,构造一种深度学习网络,通过注意力机制学习车辆图像的显著性特征;然后,在多个尺度下对描述车辆身份的信息进行提取,将浅层表达的细节信息和深层表达的语义信息相融合构造空间特征;其次,对空间特征进行分解与重组,得到具有空间鲁棒性的局部特征,并与全局特征融合,构造车辆身份重识别特征;最后,利用该特征计算不同车辆图像间相似度,判断是否具有相同的身份。实验结果表明:在VeRi-776数据集上测试得到的Rank-1指标达到了94.0%,mAP指标达到了72.2%,表明该方法在相机角度变化、场景变化等情况下可以有效提高车辆重识别的准确率。     

基于F-Faster-RCNN算法的摔倒检测研究

提出一种基于特征金字塔(FPN)结构的快速卷积神经网络(F-Faster-RCNN)的摔倒检测模型，采用F-Faster-RCNN目标检测网络结合多目标跟踪算法Deepsort实现运动目标跟踪；采用3D卷积神经网络和支持向量机(SVM)分类算法实现老人摔倒行为的判别。F-Faster-RCNN算法以残差网络为主干网络，加深了网络层次；以FPN结构逐层提取特征，实现深浅层特征的融合；结合遗传算法改进SVM的参数调优过程，避免了局部最优解。经仿真验证，基于F-Faster-RCNN目标检测模型损失率可降低到2.2%,摔倒检测平均准确率达到84.4%。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.