面向遥感图像小目标检测的改进YOLOv3算法

针对YOLOv3目标检测算法在遥感图像小目标检测方面精度较低的缺点,提出了一种改进的YOLOv3目标检测算法--YOLOv3-CS。根据对backbone中不同尺度特征重要性的分析重构了backbone,即增加具有丰富位置信息的浅层特征对应的卷积层深度,以此增强backbone对小目标特征的提取能力,引入RFB结构增大浅层特征图的感受野来提升小目标检测精度,优化了anchor boxes及其分配原则。在RSOD数据集的实验结果表明,YOLOv3-CS算法与YOLOv3相比,mAP提高6.49%,F1提高4.85%,所需存储空间降低12.58%,其中backbone的改进和RFB的引入对小目标检测的精度提升较为明显,说明提出的目标检测算法在遥感图像小目标检测方面有较高的优势。     

改进YOLOv3的道路小目标检测方法

为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.     

基于YOLOv3算法的工业分拣目标检测

在工业机器人视觉导引系统中,对于不规则的工业零部件,基于模板匹配的目标检测算法难以取得较好的定位效果和识别精度。在结构化环境下,对于传统视觉目标检测算法,利用YOLOv3算法开展视觉目标检测的实践。实验结果表明,该算法的定位精度和识别精度均取得了较高的水平,可以在工业现场进行部署。     

基于注意力机制的改进YOLOv3与交通标志检测

实时而准确的交通标志检测是车辆的辅助驾驶和无人驾驶的关键需求。为解决目标检测算法对小目标物体检测精确率低、检测速度慢的问题,提出一种嵌入混合注意力机制的交通标志检测算法YOLOv3-HA。该算法融合改进的通道注意力机制和子空间注意力机制,使网络模型能够对特征进行通道和空间上的注意力加权,提升网络对有效特征的表达能力并减少干扰特征的影响。采用K-Means++聚类算法对锚框进行聚类和选择,加快网络模型的收敛速度。实验表明,该算法在TT100K(Tsinghua-Tencent 100 K)数据集上的平均准确率均值达到81.0%,相比于YOLOv3算法提升了14.2%;与一些主流目标检测算法相比,YOLOv3-HA算法在准确性和实时性上达到了良好的平衡。     

改进YOLOv3的地面车辆小目标检测

论文针对将遥感图像用于目标检测时地面车辆小目标的漏检和虚警问题,基于YOLOv3,对其躯干网络做如下改进:取消多尺度融合,独立地输出各个尺度上的特征图;在每个独立输出的尺度上引入dilation卷积和Inception-ResNet结构.基于VEDAI数据集,进行YOLOv3和改进模型的训练和测试,改进模型对车辆小目标...     

基于改进YOLOv3的ETC车辆检测算法研究

随着ETC通道车辆违规行为的不断增加,针对该场景下不同尺度和类型的车辆检测已经成为城市交通管理的一项重要工作.论文基于高速公路ETC场景下的真实数据集,提出了一种车辆检测的优化方法.为提高算法在车辆检测方面的适用性和准确性,论文在YOLOv3算法的基础上采用GIOU作为YOLOv3的边界框回归损失函数,同时用调整过的锚...     

基于知识蒸馏的YOLOv3算法研究

知识蒸馏作为一种模型压缩方法,将大网络（教师网络）学到的知识传递给小网络（学生网络）,使小网络获得接近大网络的精度。知识蒸馏在图像分类任务上获得不错的效果,但在目标检测上的研究较少,且有待提高。当前目标检测中主要基于特征提取层进行知识蒸馏,该类方法存在两个问题,第一,没有对教师网络传递知识的重要程度进行度量,第二,仅对特征提取层进行蒸馏,教师网络的知识未充分传递给学生网络。针对第一个问题,通过引入信息图作为蒸馏的监督信号,强化了学生网络对教师网络重点知识的学习;针对第二个问题,对特征提取层和特征融合层的输出同时进行蒸馏,使学生网络更充分地学习教师网络传递的知识。实验结果表明,以YOLOv3为检测模型,在不改变学生网络结构的基础上,平均类别精度（mAP）提升9.3个百分点。     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

融合GIoU和Focal loss的YOLOv3目标检测算法

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP（IoU=0.5）,在COCO测试集上比YOLOv3算法提升2.27mAP（IoU[0.5,0.95]）。     

基于改进YOLOv3的口罩佩戴检测方法

为解决市民口罩佩戴目标检测中因小尺寸目标较多导致其识别精度不高的问题,提出一种基于YOLOv3改进的算法M_YOLOv3.重构特征金字塔机制,把原本3*3的类金字塔结构扩建为4*4尺寸,把先验框数量由9增加到16,通过以上方法降低神经网络感受野,增强M_YOLOv3对小尺寸目标的敏感度.将原有的损失函数IoU替换为DI...     

融合注意力机制的 YOLOv5 口罩检测算法

新冠疫情期间正确佩戴口罩可以有效防止病毒的传播,针对公共场所存在的人员密集、检测目 标较小等加大检测难度的问题,提出一种以 YOLOv5s 模型为基础并引入注意力机制融合多尺度注意力权重的 口罩佩戴检测算法。在 YOLOv5s 模型的骨干网络中分别引入 4 种注意力机制,抑制无关信息,增强特征图的 信息表达能力,提高模型对小尺度目标的检测能力。实验结果表明,引入 CBAM 模块后较原网络 mAP 值提升 了 6.9 个百分点,在 4 种注意力机制中提升幅度最明显,而引入 NAM 模块后在损失少量 mAP 的情况下使参 数量最少,最后通过对比实验选用 GIoU 损失函数计算边界框回归损失,进一步提升定位精度,最终结果较 原网络 mAP 值提升了 8.5 个百分点。改进模型在不同场景下的检测结果证明了该算法对小目标检测的准确 率和实用性。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

基于边界极限点特征的改进YOLOv3目标检测

目标数量多、尺度较小与高度重叠等问题导致目标检测精度低、难度大。为提升目标检测精度,尽可能避免漏检、误检情况,提出一种基于边界极限点特征的改进YOLOv3目标检测算法。首先,引入边界增强算子Border,从边界的极限点中自适应地提取边界特征来增强已有点特征,提高目标定位准确度;然后,增加目标检测尺度,细化特征图,增强特征图深、浅层语义信息的融合,提高目标检测精度;最后,基于目标检测中目标实例特性及改进网络模型,引入完全交并比（CIoU）函数对原YOLOv3损失函数进行改进,提高检测框收敛速度以及检测框召回率。实验结果表明,相较于原YOLOv3目标检测算法,改进后的YOLOv3目标检测算法的平均精度提高了3.9个百分点,且检测速度与原算法相近,能有效提高模型对目标的检测能力。     

嵌入scSE模块的改进YOLOv4小目标检测算法

为解决目标检测任务中小目标检测精度低,错检、漏检率高等问题,提出一种scSE-IYOLOv4的改进YOLOv4的小目标检测算法.实验使用VEDAI小目标数据集,采用K-means++算法对目标样本进行锚定框优化,以提升算法精度.在YOLOv4算法的基础上,分别研究分析了scSE注意力模块嵌入至模型不同位置以及在模型颈部...     

基于改进YOLOv3的实时交通标志检测算法

针对目前我国智能驾驶辅助系统识别道路交通标志检测速度慢、识别精度低等问题,提出一种基于YOLOv3的改进的道路交通标志检测算法。首先,将MobileNetv2作为基础特征提取网络引入YOLOv3以形成目标检测网络模块MN-YOLOv3,在MN-YOLOv3主干网络中引入两条Down-up连接进行特征融合,从而减少检测算法的模型参数,提高了检测模块的运行速度,增强了多尺度特征图之间的信息融合;然后,根据交通标志目标形状的特点,使用K-Means++算法产生先验框的初始聚类中心,并在边界框回归中引入距离交并比（DIOU）损失函数来将DIOU与非极大值抑制（NMS）结合;最后,将感兴趣区域（ROI）与上下文信息通过ROI Align统一尺寸后融合,从而增强目标特征表达。实验结果表明,所提算法性能更好,在长沙理工大学中国交通标志检测（CCTSDB）数据集上的平均准确率均值（mAP）可达96.20%。相较于Faster R-CNN、YOLOv3、Cascaded R-CNN检测算法,所提算法拥有具有更好的实时性和更高的检测精度,对各种环境变化具有更好的鲁棒性。     

基于SlimYOLOv3的工业场景目标检测算法

基于人工设计特征的检测算法检测速度普遍较慢,检测精度也有待提高,已无法满足现今工业生产中的需求.而基于深度学习的检测技术,因其需要大量的计算和存储空间无法在资源受限的设备上部署使用.针对这些问题,引用一种通道剪枝方法实现YOLOv3检测网络的轻量化,得到剪枝模型SlimYOLOv3,并进一步提出将SlimYOLOv3用于工业场景下的实时检测任务.方法通过对通道缩放因子施加L1正则化来增强卷积层的通道级稀疏性,并对信息量较小的特征通道进行剪枝,最终获得轻量级的网络模型.与原模型相比,SlimYOLOv3剪枝模型减小了60％,计算量减少了50％,检测速度是原模型的1.7倍,更适于智能工业场景中复杂目标的实时检测.     

一种融合注意力机制与上下文信息的交通标志检测方法

针对当前交通标志检测中存在小目标检测精度低、检测实时性不高以及目标漏检等问题,在YOLOv3基础上提出了一种融合了注意力机制与上下文信息的交通标志检测方法。首先通过改进通道注意力机制的压缩方式,对特征图通道重新进行标定;然后引入空间金字塔池化模块SPP;最后增加特征映射并拼接到原特征融合网络中的小目标部分,充分利用上下文信息增强对小目标的检测。实验结果表TT100K(Tsinghua-Tencent 100K)交通标志数据集上,与YOLOv3网络相比,在每秒传输帧数(Frame Per Second,FPS)变化不大的情况下,平均精度均值和小目标的精度均值分别提升3.03%和4.59%。实验结果证明了改进网络在小目标检测和整体检测中的有效性。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。